BAB III

METODOLOGI PENELITIAN

3.1. Jenis Penelitian

Penelitian ini menggunakan pendekatan deskriptif kuantitatif jenis

eksperimen kuasi. Penelitian dengan menggunakan pendekatan deskriptif

kuantitatif menggunakan data berupa bilangan, angka dan dihitung

menggunakan analisis statistic. Hasil perhitungan tersebut akan diinterpretasi

untuk menjawab rumusan masalah yang sudah ditentukan (Creswell, 2003).

Penelitian eksperimen kuasi memuat rumusan masalah yang memiliki hubungan

kausal atau sebab akibat antar variabel yang sudah dikemukan pada latar

belakang (Darmawan, 2013; 51).

Tujuan penelitian pertama dan kedua akan menggunakan metode deskripsi

kuantitatif, dimana akan mendeskripsikan perubahan tutupan lahan dan

perubahan suhu permukaan tanah selama 18 tahun pengamatan di Kota

53

Palangka Raya. Sedangkan tujuan ketiga adalah menggunakan pendekatan

penelitian eksperimen kuasi untuk menganalisis pengaruh antara variabel suhu

permukaan dan variabel jenis tutupan lahan di Kota Palangka Raya dimana

diharapkan dari hasil pengujian tersebut mendapatkan faktor variabel terpilih

yang digunakan untuk menanggulangi UHI.

3.2. Definisi Operasional Variabel Penelitian

Definisi operasional merupakan pemberian makna yang jelas terhadap

variabel- variabel dalam suatu penelitian agar maknanya dapat digunakan secara

operasional. Definisi operasional variabel dideskripsikan melalui pemberian arti,

spesifikasi tujuan digunakannya variabel dan pengukuran variabel. Pada Tabel

3.1 menunjukan variabel-variabel penelitian beserta masing-masing definisi

operasionalnya.

53
 Tabel 3.1 Definisi Operasional Variabel Penelitian
N0 Tujuan Variabel Sub-Variabel Definisi Operasional
1 - Peta tutupan lahan Kota Palangka Raya tahun 2000
- Peta tutupan lahan Kota Palangka Raya
Pola sebaran jenis tutupan
tahun 2018
lahan di Kota Palangka Raya
Tutupan lahan - Luas jenis tutupan lahan tahun 2000 (Ha)
tahun 2000 dan tahun 2018
spasial temporal - Luas jenis tutupan lahan tahun 2018 (Ha)
di Kota - Perubahan luas jenis tutupan lahan tahun selama 18 tahun
Palangka Raya pengamatan (2000-2018) (Ha)
Perubahan jenis tutupan
Menganalisis lahan dengan analisis - Perubahan luas jenis tutupan lahan tahun 2000 menjadi jenis tutupan
karakteristik tutupan overlay dan confusion matrix lahan tahun 2018 (Ha)
lahan di Kota
Palangka Raya Tutupan lahan - Peta sebaran tutupan lahan, luas dan perubahan luas jenis tutupan
selama 10 tahun secara spasial lahan di Kecamatan Rakumpit tahun 2000& tahun 2018
pengamatan (2000- temporal di lima - Peta sebaran tutupan lahan, luas dan perubahan jenis tutupan lahan di
2018) kecamatan Kota Bukit Batu tahun 2000 & tahun 2018
Palangka Raya - Peta sebaran tutupan lahan, luas dan perubahan jenis tutupan lahan di
Pola sebaran jenis tutupan Kecamatan (Ha)
54

lahan di tiap kecamatan
tahun 2000 dan tahun 2018
- Jekan Raya tahun 2000 & tahun 2018
- Peta sebaran tutupan lahan, luas dan perubahan jenis tutupan lahan di
Kecamatan Pahandut tahun 2000 & tahun 2018 (Ha)
- Peta sebaran tutupan lahan, luas dan perubahan jenis tutupan lahan di
Kecamatan Sabangau tahun 2000 & tahun 2018 (Ha)

2 Transformasi - Pola sebaran LST pada tiap piksel

Menganalisis Citra Landsat - Range nilai LST dan nilai LST rata-rata pada peta raster tahun 2000
Peta LST format raster tahun
sebaran (LST) menjadi Peta (˚C)
2000 dan tahun 2018 Kota
secara spasial dan Raster LST - Range nilai LST dan nilai LST rata-rata pada peta raster tahun 2018
Palangka Raya
temporal untuk Tahun 2000 dan (˚C)
mendeskripsikan 2018 di Kota
adanya fenomena Palangka Raya
Urban Heat Island di Land Surface - Peta sebaran kelas LST Kota Palangka Raya tahun 2000
Pola sebaran jenis kelas LST
Kota Palangka Raya Temperature - Peta sebaran kelas LST Kota Palangka Raya tahun 2018
di Kota Palangka Raya tahun
secara spasial - Luas sebaran tiap kelas LST pada tahun 2000 di Kota Palangka Raya
2000 dan tahun 2018
temporal di Kota (Ha)

54
 Palangka Raya - Luas sebaran tiap kelas LST pada tahun 2018 di Kota Palangka Raya
(Ha)

Land Surface Pola sebaran kelas LST di - Peta sebaran kelas LST, luas dan perubahan luas sebaran kelas LST
Temperature tiap kecamatan Kota di Kecamatan Rakumpit tahun 2000& tahun 2018 (Ha)
secara spasial Palangka Raya tahun 2000 - Peta sebaran kelas LST, luas dan perubahan luas sebaran kelas LST
temporal di lima dan tahun 2018 di Kecamatan Bukit Batu tahun 2000& tahun 2018 (Ha)
kecamatan Kota - Peta sebaran kelas LST, luas dan perubahan luas sebaran kelas LST
Palangka Raya di Kecamatan Jekan Raya tahun 2000& tahun 2018 (Ha)
- Peta sebaran kelas LST, luas dan perubahan luas sebaran kelas LST
di Kecamatan Pahandut tahun 2000 & tahun 2018 (Ha)
- Peta sebaran kelas LST, luas dan perubahan luas sebaran kelas LST
di Kecamatan Sabangau tahun 2000& tahun 2018 (Ha)

Variabel Jenis Tutupan lahan tahun Presentase (%) jenis tutupan lahan di tiap unit analisis pada tahun
independen (Y) 2000 2000
tahun 2000 dan
tahun 2018
55

Jenis Tutupan lahan tahun Presentase (%) jenis tutupan lahan di tiap unit analisis pada tahun
Menganalisis faktor 2018 2018
jenis tutupan lahan
yang mempengaruhi
suhu permukaan di
Kota Palangka Raya Variabel Nilai Land Surface Suhu permukaan lahan rata-rata (˚C) di tiap unit analisis pada tahun
pada tahun 2000 dan dependen (X) Tempertaure tahun 2000 2000
tahun 2018. tahun 2000 dan
tahun 2018

Nilai Land Surface Suhu permukaan lahan rata-rata (˚C) di tiap unit analisis pada tahun
Tempertaure tahun 2018 2018

Sumber: Hasil Analisa, 2021

55
3.3 Metode Pengambilan Sampel Data

Unit analisis yang digunakan dalam penelitian adalah grid berukuran 210 m

× 210 m. Pertimbangan menggunakan grid sebagai unit analisis penelitian

adalah berdasarkan hasil penelitian yang dilakukan Myint (2010), dimana

menyatakan bahwa grid berukuran 210 m × 210 m menghasilkan koefisien

korelasi (r) paling signifikan antara tutupan lahan dan LST jika dibandingkan

dengan ukuran grid lainnya. Selain itu berdasarkan observasi oleh penulis grid

dengan ukuran 210 m × 210 m atau jika menggunakan ukuran Landsat yaitu

sebesar 7 piksel dapat memberikan penampakan jenis tutupan lahan yang jelas.

Peta grid akan dioverlay masing-masing dengan peta vektor jenis tutupan lahan

dan peta raster LST.

Peta grid tutupan lahan dan peta grid nilai LST Kota Palangka Raya pada

tahun 2000 dan tahun 2018 merupakan populasi dalam penelitian, yang mana

merupakan data yang akan dianalisis untuk menghasilkan kesimpulan penelitian.

Menurut Suwarno (2010) populasi merupakan keseluruhan dari karakteristik atau

unit hasil pengukuran yang menjadi objek penelitian atau populasi merupakan

objek atau subjek yang berada pada suatu wilayah dan memenuhi syarat-syarat

tertentu berkaitan dengan masalah penelitian. Dimana menurut Suwarno (2005)

diperlukan berbagai pertimbangan yang logis dalam menggunakan data, seperti

pertimbangan waktu, biaya, serta data yang bersifat merusak. Pertimbangan

jumlah populasi dalam data penelitian, maka diputuskan untuk mengambil

sebagian dari populasi yang diangap mewakili populasi (representatif) atau cukup

mengambil sampel.

Sampel yang diteliti harus representatif dalam arti mewakili populasi baik

dalam karakteristik maupun jumlahnya (Sukmadinata, 2011). Teknik

pengambilan sampel dibedakan menjadi dua tahap yaitu tahap yang pertama

56
 menggunakan teknik pengambilan sampel klaster dan tahap yang kedua

menggunakan teknik proportionate random sampling. Menurut Sukmadinata

(2011) pengambilan sampel klaster merupakan pengambilan sampel

berdasarkan kelompok-kelompok, dimana masing-masing kelompok mempunyai

karakteristik tersendiri. Pada penelitian ini untuk membagi klaster menggunakan

peta batas kecamatan Kota Palangka Raya. Pada masing-masing kecamatan

akan memuat populasi polygon tutupan lahan tiap grid, dimana untuk

perhitungan sampel polygon tutupan lahan pada masing-masing kecamatan

menggunakan Rumus Slovin (Riduwan, 2009) dan ditunjukkan pada persamaan

3.1. Hasil perhitungan jumlah sampel pada masing-masing kecamatan

ditunjukkan pada Tabel 3.2

𝑁
𝑛= ............................................................................... 3.1
𝑁.𝑑2 +1

Keterangan:
57

n : Jumlah sampel tiap kecamatan

N : Jumlah populasi tiap kecamatan
𝑑2 : Presisi yang ditetapkan (10%)

Tabel 3.2 Jumlah Sampel Polygon Jenis Tutupan Lahan pada Tiap
Kecamatan
Jumlah Jumlah
Tahun Kecamatan Populasi Sampel Pembulatan
Polygon Polygon
Rakumpit 52791 99.810 100
Bukit Batu 31848 99.686 100
2000 Jekan Raya 18713 99.468 99
Pahandut 7692 98.716 99
Sabangau 28450 99.649 100
Jumlah Sampel 498
Rakumpit 43501 99.770 100
Bukit Batu 29083 99.657 100
2018 Jekan Raya 20098 99.504 100
Pahandut 7556 98.693 99
Sabangau 26590 99.625 100
Jumlah Sampel 499
Sumber: Hasil Analisa, 2021
57
 Pada tahap kedua adalah mengambil sampel tiap jenis tutupan lahan pada

masing-masing sampel kecamatan secara acak. Proporsi jumlah sampel masing-

masing jenis tutupan lahan menyesuaikan proporsi masing-masing populasi

polygon jenis tutupan lahan pada kecamatan. Pengambilan sampel pada tahap

kedua adalah menggunakan teknik pengambilan proportional random sampling.

Menurut Winarsunu (2012) teknik proposional diambil apabila karakteristik

populasi terdiri dari kategori-kategori, kelompok atau golongan yang setara atau

sejajar yang diduga secara kuat berpengaruh pada hasil-hasil penelitian. Jenis

data kategori tutupan lahan pada penelitian merupakan hasil pengelompokkan

jenis tutupan lahan berdasarkan hasil pengamatan visual pada raster Landsat.

yang berpedoman pada identifikasi SNI 7645, sehingga jenis data tutupan lahan

pada penelitian bersifat setara dan tidak mempunyai sifat bertingkat, sedangkan

menurut Sukmadinata (2011) pengambilan sampel secara acak/random

menyatakan bahwa seiap individu dalam populasi mempunyai peluang yang

58

sama untuk dijadikan sampel penelitian. Karena pada penelitian jenis tutupan

lahan diasumsikan bahwa mempunyai peluang yang sama dalam mempengaruhi

nilai LST. Untuk menghitung sampel polygon tiap jenis tutupan lahan pada

masing-masing kecamatan menggunakan rumusan alokasi proportional yang

ditunjukkan pada persamaan 3.2. Tiap grid jenis tutupan lahan yang dipilih

secara acak akan digunakan sebagai sampel grid yang akan bersisi data variabel

penelitian. Hasil perhitungan jumlah sampel grid jenis tutupan lahan di masing-

masing kecamatan pada tahun 2000 dtunjukkan pada Tabel 3.3, sedangkan

jumlah sampel grid jenis tutupan lahan di masing-masing kecamatan pada tahun

2018 dtunjukkan pada Tabel 3.4.

58
 𝑁𝑖
𝑛𝑖 = ×𝑛 ............................................................................ 3.2
𝑁

Keterangan:

𝑛𝑖 : Jumlah sampel tiap jenis tutupan lahan

𝑛 : Jumlah sampel tiap kecamatan

𝑁𝑖 : Jumlah populasi tiap jenis tutupan lahan di tiap kecamatan

𝑁 : Jumlah sampel tiap kecamatan

59

59
 Tabel 3.3 Jumlah Sampel Polygon Jenis Tutupan Lahan di Tiap Kecamatan
Pada Tahun 2000
Jumlah Populasi
Nama Jenis Tutupan dalam Jumlah
(%) Pembulatan
Kecamatan Lahan kecamatan Sampel
(polygon)
Hutan 23575 44.66% 44.65 45
PLK 6751 12.79% 12.78 13
Lahan terbangun 2095 3.97% 3.96 4
Rakumpit
Lahan terbuka 1053 1.99% 1.99 2
Semak Belukar 18209 34.49% 34.49 34
Tubuh Air 1108 2.10% 2.09 2
Jumlah 52791 100.00% 100 100
Hutan 9272 29.39% 29.39 29
PLK 6694 21.22% 21.21 21
Lahan terbangun 2067 6.55% 6.55 7
Bukit Batu
Lahan terbuka 1337 4.24% 4.23 4
Semak Belukar 11195 35.49% 35.48 36
Tubuh Air 983 3.12% 3.11 3
Jumlah 31548 100.00% 100 100
Hutan 4633 24.76% 24.51 25
PLK 3745 20.01% 19.81 20
Lahan terbangun 1801 9.62% 9.52 10
Jekan Raya
60

Lahan terbuka 1193 6.38% 6.31 6

Semak Belukar 7082 37.85% 37.46 37
Tubuh Air 259 1.38% 1.37 1
Jumlah 18713 100.00% 99 99
Hutan 1115 14.50% 14.35 14
PLK 1336 17.37% 17.19 17
Lahan terbangun 1187 15.43% 15.27 15
Pahandut
Lahan terbuka 733 9.53% 9.43 10
Semak Belukar 2740 35.62% 35.26 35
Tubuh Air 581 7.55% 7.47 8
Jumlah 7692 100.00% 99 99
Hutan 9640 33.67% 33.67 34
PLK 4792 16.74% 16.73 17
Lahan terbangun 1753 6.12% 6.12 6
Sabangau
Lahan terbuka 1850 6.46% 6.46 6
Semak Belukar 9287 32.44% 32.43 32
Tubuh Air 1308 4.57% 4.56 5
Jumlah 28630 100.00% 100 100
Sumber: Hasil Analisa, 2021

60
 Tabel 3.4 Jumlah Sampel Polygon Jenis Tutupan Lahan di Tiap Kecamatan
Pada Tahun 2018
Jumlah
Populasi
Nama Jenis Tutupan Jumlah
dalam (%) Pembulatan
Kecamatan Lahan Sampel
kecamatan
(polygon)
Hutan 17722 40.74% 40.73 41
PLK 90 0.21% 0.206 0
Lahan terbangun 652 1.50% 1.49 1
Rakumpit
Lahan terbuka 6876 15.81% 15.80 16
Semak Belukar 17371 39.93% 39.93 40
Tubuh Air 790 1.82% 1.81 2
Jumlah 43501 100.00% 100 100
Hutan 7288 25.06% 25.05 25
PLK 3694 12.70% 12.70 13
Lahan terbangun 1943 6.68% 6.68 7
Bukit Batu
Lahan terbuka 4026 13.84% 13.84 14
Semak Belukar 11350 39.03% 39.02 39
Tubuh Air 782 2.69% 2.68 3
Jumlah 29083 100.00% 100 101
Hutan 3137 15.61% 15.60 16
PLK 3392 16.88% 16.87 17
Lahan terbangun 2894 14.40% 14.39 14
61

Jekan Raya
Lahan terbuka 3885 19.33% 19.33 19
Semak Belukar 6595 32.81% 32.81 33
Tubuh Air 195 0.97% 0.97 1
Jumlah 20098 100.00% 100 100
Hutan 89 1.18% 1.16 1
PLK 1144 15.14% 14.98 15
Lahan terbangun 1353 17.91% 17.72 18
Pahandut
Lahan terbuka 1943 25.71% 25.45 25
Semak Belukar 2599 34.40% 34.05 34
Tubuh Air 428 5.66% 5.60 6
Jumlah 7556 100.00% 99 99
Hutan 6907 25.98% 25.97 26
PLK 1966 7.39% 7.39 7
Lahan terbangun 2808 10.56% 10.56 11
Sabangau
Lahan terbuka 4755 17.88% 17.88 18
Semak Belukar 9796 36.84% 36.84 37
Tubuh Air 356 1.34% 1.33 1
Jumlah 26588 100% 100 100
Sumber: Hasil Analisa, 2021

61
 3.4. Teknik Pengumpulan Data
Menurut Sangadji (2010) metode pengumpulan data pada penelitian

dibagi menjadi 2 jenis berdasarkan cara memperoleh data, yaitu survei primer

dan survei sekunder. Berikut akan dijelaskan lebih lanjut mengenai metode

pengumpulan data:

(1) Survei Primer

Survei primer merupakan teknik pengambilan data yang didapatkan melalui

gambaran kondisi lingkungan dan perubahan-perubahan yang terjadi dengan

menggunakan panca indera terhadap fakta atau keadaan sebenarnya di wilayah

penelitian secara langsung oleh penulis. Peta jenis tutupan lahan dan peta

sebaran LST merupakan data yang diperoleh atau diproses langsung oleh

penulis dengan menggunakan bahan citra satelit Landsat yang dianalisis

menggunakan teknologi pengiinderaan jauh untuk mendapatkan data-data

tersebut.
62

(2) Survei Sekunder

Survei sekunder merupakan data-data penelitian yang tidak didapatkan

atau diproses secara langsung untuk mendapatkan suatu informasi. Data-data

tersebut didapatkan melalui dinas atau instansi swasta yang menyediakan data-

data yang dibutuhkan untuk menunjang penelitian. Pada Tabel 3.5 dijelaskan

secara terperinci data-data yang dibutuhkan penelitian.

62
 Tabel 3.5 Data Penelitian
Teknik
Sasaran Data Yang Sumber
Pengambilan Keperluan Data
Penelitian dibutuhkan data
Data
Memberikan
informasi jenis, luas
Peta Jenis
Wilayah dan sebaran
Tutupan Survei Primer
Penelitian tutupan lahan
Menganalisis Lahan
secara spasial dan
karakteristik
temporal
perubahan
Peta Batas BAPPEDA Digunakan untuk
tutupan lahan di
administrasi Survei Kota memotong Area of
Kota Palangka
Kota Palangka sekunder Palangka Interest pada scene
Raya selama 18
Raya Raya citra.
tahun
Scene Google
pengamatan
Earth Pro
(2000-2018)
wilayah Digunakan untuk uji
Wilayah
penelitian Survei Primer akurasi hasil
penelitian
tahun 2018, interpretasi citra
2004, 2005,
2006
Menganalisis Menganalisis nilai
karakteristik LST tahun 2000
Peta sebaran Wilayah
perubahan Land Survei primer dan 2018 secara
LST Penelitian
Surface spasial dan
63

Temperature di temporal
Kota Palangka Suhu udara Stasiun
Raya selama 18 harian dan cuaca Tjilik Kajian literatur
Survei
tahun tahunan Kota Riwut Kota untuk identifikasi
sekunder
pengamatan Palangka Palangka masalah
(2000-2018) Raya Raya
Menentukan Luasan dan jenis
Peta Jenis Wilayah
faktor-faktor Survei Primer tutupan lahan tiap
Tutupan lahan Penelitian
tutupan lahan unit analisis
yang Peta Sebaran Wilayah Nilai LST tiap unit
Survey Primer
mempengaruhi LST Penelitian analisis
suhu permukaan
BAPPEDA Digunakan sebagai
pada tahun 2000-
Peta Grid Survei Kota unit analisis
2018 di Kota
Ukuran sekunder Palangka penelitian dalam
Palangka Raya
Raya perhitungan regresi

Sumber: Hasil Analisa, 2021

63
 3.5. Metode Analisis Data
Teknik yang digunakan dalam menganalisis data dilakukan berdasarkan

tujuan penelitian. Untuk tujuan pertama dan kedua yaitu menganalisis secara

spasial-temporal jenis tutupan lahan dan sebaran nilai land surface temperature

selama 18 tahun pengamatan (2000-2018) menggunakan metode penginderaan

jauh dan Sistem Informasi Geografis (GIS), sedangkan untuk tujuan penelitian

yang ketiga yaitu memperoleh faktor jenis-jenis tutupan lahan yang berpengaruh

terhadap land surface temperature menggunakan metode regresi linear

berganda.

Metode penginderaan jauh dalam menghasilkan informasi antara nilai Land

Surface Temperatur dan tutupan lahan memiliki perbedaan tahap, oleh karena itu

pada subbab metode penginderaan jauh akan dibagi mendai dua proses

pengolahan yaitu pengolahan data untuk mendapatkan informasi jenis tutupan

lahan dan pengolahan untuk mendapatkan informasi nilai land surface.

64

1.5.1 Metode Penginderaan Jauh untuk Menghasilkan Informasi Tutupan Lahan

Dalam metode penginderaan jauh sebelum data citra dapat dijadikan suatu

informasi maka harus diolah melalui tahap pra-processing dan processing citra.

Berikut akan dipaparkan berbagai tahap pada pre-processing dan processing

citra Landsat 7 dan Landsat 8 untuk mendapatkan informasi jenis tutupan lahan:

A. Pra-Processing Citra
Scene citra Landsat 7 dan Landsat 8 yang diunduh dari website USGS di

wilayah penelitian sebelum dilakukan proses klasifikasi citra wajib melalui

beberapa tahapan yang disebut pra-processing citra. Tahapan pra-processing

pada citra Landsat 7 dan Landsat 8 adalah sebagai berikut:

1) Koreksi Radiometrik
Proses koreksi radiometrik adalah melakukan kalibrasi sensor

yaitumengkonversi nilai DN menjadi nilai radian. Setelah didaptkan nilai radian

lalu dilanjutkan dengan mengkonversi nilai radian tersebut yang masih

64
 bercampur dengan gangguan atmosfer menjadi nilai reflektan. Pada penelitan ini

untuk mengubah nilai DN menjadi radian menggunakan menu Radiometric

Caibration di ENVI, sedangkan utnuk mengubah nilai radian menjadi nilai

reflektan menggunakan menu FLAASH pada ENVI.

2) Koreksi Geometrik
Hasil koreksi geometrik ditunjukkan melalui besarnya nilai RMSE (root

mean square). Menurut Jensen (1986) nilai RMSE yang masih dapat ditolerir

adalah kurang dari sama dengan setengah piksel resolusi spasial citra. Dalam

hal ini karena jenis citra yang digunakan merupakan citra Landsat yang

mempunyai resolusi spasial sebesar 30 meter artinya nilai RMSE yang masih

bisa ditolerir pada citra Landsat adalah 30 meter × 0.5 piksel atau tidak boleh

lebih dari 15 meter. Pada Tabel 3.6 ditunjukkan nilai RMSE kedua scene citra

wilayah studi penelitian pada masing-masing Landsat 7 dan Landsat 8.

Berdasarkan nilai RMSE masing-masing scene citra dapat digolongkan masih

65

dapat digunakan untuk kegiatan analisis.

Tabel 3.6 Nilai Root Mean Square (RMSE) Citra

Jenis Landsat Path-row Nilai RMSE (meter)
118-061 1.272 m
Landsat 7 ETM
118-062 0.930 m
118-061 8.647 m
Landsat 8 OLI/TIRS
118-062 9.343 m
Sumber: Metadata Citra

3) Mosaik Citra
Pada penelitian ini memerlukan 2 scene citra satelit Landsat yang digabung

untuk membentuk wilayah studi yaitu scene path 118 row 061 dan scene path

118 row 062. Penggabungan data satelit menggunakan ENVI 5.2 menu Toolbox

Seamless Mosaic.

4) Cropping Citra
Cropping citra dilakukan untuk membatasi daerah yang akan dianalisis.

Proses pemotongan citra dilakukan pada ENVI 5.2 dengan menyesuaikan data

citra Landsat hasil mosaik dengan data vektor berupa peta polygon batas
65
 administrasi Kota Palangka Raya. Antara data vektor dan data citra Landsat

harus disamakan sistem koordinat yang digunakan. Pada penelitian ini sistem

koordinat yang digunakan berupa sistem koordinat UTM dengan datum WGS

1984 dan zona 49 S.

B. Processing Citra
Tahap processing citra merupakan tahapan klasifikasi citra Landsat 7 dan

Landsat 8 untuk mendapatkan jenis tutupan lahan di Kota Palangka Raya tahun

2000 dan tahun 2018. Jenis klasifikasi terbimbing (supervised) metode maximum

likelihood dan jenis klasifikasi tidak terbimbing (unsupervised) algoritma K-means

dilakukan pada tahap klasifikasi citra untuk membandingkan jenis klasifikasi

terbaik mana yang akan digunakan dalam menghasilkan informasi jenis tutupan

lahan. Berikut tahap-tahap pada jenis klasifikasi terbimbing dan tidak terbimbing

untuk menghasilkan peta tutupan lahan pada citra Landsat 7 dan Landsat 8 .

1) Penentuan Jenis Tutupan Lahan

Identifikasi kenampakan visual objek pada scene citra Landsat 7 dan
66

Landsat 8 menggunakan unsur-unsur interpretasi visual citra, yaitu rona, warna,

bentuk, ukuran, pola, tekstur, bayangan dan letak. Untuk memudahkan

identifikasi tutupan lahan menggunakan interpretasi maka dilakukan komposit

False Colour pada pasing-masing citra. Untuk Landsat 7 menggunakan komposit

band 543, sedangkan Landsat 8 mengggunakan komposit band 654. Selain itu

untuk mendukung proses identifikasi juga menggunakan Peta Tutupan Lahan

tahun 2007, Peta Tutupan Lahan tahun 2016 dan Scene Google Earth Pro.

Berdasarkan hasil identifikasi didapatkan 6 kelas tutupan lahan yang

ditunjukkan pada Tabel 3.7 dengan definisi operasional berdasarkan pedoman

dari Kelas Penutupan Lahan dalam Penafsiran Citra Satelit Optis Resolusi

Sedang yang diterbitkan oleh Direktorat Inventarisasi dan Pemantauan Sumber

66
 Daya Hutan Direktorat Jenderal Planologi Kehutanan dan Tata Lingkungan

Kementerian Lingkungan Hidup dan Kehutanan tahun 2020.

Tabel 3.7 Definisi Operasional Jenis Tutupan Lahan

Jenis Tutupan
Definisi Operasional
Lahan
Hutan Rawa Hutan rawa primer yang mengalami gangguan manusia (bekas
sekunder penebangan, bekkas kebakaran, jaringan jalan, dll)
Semua kenampakan perairan, termasuk laut, sungai, danau,
Tubuh Air
waduk, terumbu karang, padang lamun dll
Rona agak terang , warna merah muda dengan bercak hijau,
tekstur agak kasar sampai kasar, bentuk tidak beraturan, pola
Pertanian Lahan
tidak teratur, dekat dengan pemukiman dekat dengan jaringan
Kering
jalan. Jenis tanaman untuk lahan pertanian lahan kering di Kota
Palangka Raya adalah ladang
Area yang telah mengalami subsitusi penutup lahan alami
Lahan Terbangun ataupun semi alami menjadi penutup lahan buatan yang bersifat
artifisial dan kedap air
Kawasan lahan kering yang telah ditumbuhi berbagai vegetasi
Semak belukar alami heterogen dan homogen yang tingkat kerapatannya jarang
hingga rapat yang didominasi oleh vegetasi rendah
Seluruh kenampakan lahan terbuka tanpa vegetasi, baik yang
terjadi secara alami maupun akibat aktivitas manusia (singkapan
batuan puncak gunung, puncak bersalju, kawah vulkan, gosong
67

pasir, pasir pantai, endapan sungai, pembukaan lahan serta

areal bekas kebakaran. Pada penelitian lahan terbuka bekas
Lahan Terbuka pembersihan lahan/ land clearing diklasifkan sebagai lahan
terbuka, keadaan lahan terbuka untuk rotasi lahan pertanian
maupun perkebunan yang belum atau tidak ada vegetasi
dilasifikasikan sebagai lahan terbuka, selain itu wilyah
pertambangan pasir dan pertambangan emas dikelompokkan
dalam jenis tutupan lahan terbuka
Sumber:http//appgis.menlhk.go.id

2) Training Area
Pada proses Klasifikasi Terbimbing (supervised) diperlukan pembuatan

data training area terlebih dahulu sebelum melakukan proses klasifikasi. Data

training area merupakan sampel piksel citra yang dianggap merepresentasikan

penampakan spektral masing-masing kelas lahan yang kemudian dikelompokkan

untuk menghasilkan kelas lahan yang diinginkan. Keputusan pengambilan

training area berdasarkan informasi secara spektral, spasial dan temporal pada

masing-masing citra yang dikompositkan dan pengetahuan interpreter terhadap

wilayah penelitian. Sebaran data training area pada masing-masing kelas lahan
67
 haruslah terdistribusi normal, homogen dan merata, agar penciri dari kelas lahan

yang ingin didapatkan tidak terlewatkan dan tidak dikelompokkan ke dalam

kategori kelas lahan yang tidak diinginkan (Asmiwyati,2016).

3) Klasifikasi Metode Maximum Likelihood Classification

Setelah training area didapatkan, maka proses klasifikasi akan dilakukan

secara otomatis oleh ENVI 5.3 yang disesuaikan dengan algoritma Maximum

Likelihood Classification. Algoritma Maximum Likelihod Classification adalah

metode klasfikasi nilai reflektan berdasarkan piksel-piksel training area yang

sudah diambil untuk menghitung faktor peluang bagi piksel yang akan

dimasukkan ke dalam kelas lahan yang dinamakan prior prbability dengan cara

mengitung presentase tutupan pada citra yang digunakan saat proses klasifikasi

(Fadila,2018). Output dari Maximum Likelihod Classification berupa peta raster

tutupan lahan tahun 2000 dan 2018 di Kota Palangka Raya.

68

4) Uji akurasi
Hasil klasifikasi citra yang dihasilkan dari proses klasifikasi terbimbing tidak

dapat langsung digunakan dan perlu dilakukan uji akurasi terlebih dahulu untuk

mengetahui tingkat keakuratan peta tutupan lahan terhadap keadaan

sebenarnya di lapangan. Data keadaan sebenarnya di lapangan disebut data

validasi, dimana pada penelitian ini menggunakan peta referensi yang memiliki

resolusi tinggi. Data validasi untuk uji akurasi peta raster tutupan lahan tahun

2000 menggunakan scene Google Earth Pro tahun 2004, 2005, 2006 dan 2007,

sedangkan peta raster tutupan lahan tahun 2018 menggunakan scene Google

Earth Pro tahun 2018. Lima puluh titik sampel diambil untuk tiap jenis tutupan

lahan atau dengan teknik pengambilan random sampling. Uji akurasi tutupan

lahan klasifikasi citra menggunakan tabel matriks kesalahan (confusion matrix)

dengan membandingkan jenis tutupan lahan berupa titik di scene Google Earth

dengan titik sampel tiap jenis tutupan lahan pada peta raster hasil klasifikasi.
68
 Tingkat akurasi dihitung menggunakan metode User’s Accuracy, Producer’s

Accuracy, Overall accuracy serta akurasi Kappa dengan masing-masing

persamaan sebagai berikut:

𝑋𝑘𝑘
User’s accuracy = × 100% ................................................ 3.3
𝑋+𝑘

𝑋𝑘𝑘
Producer’s accuracy = × 100% ............................................. 3.4
𝑋𝑘+

∑𝑟𝑘 𝑋𝑘𝑘
Overall accuracy = 𝑁
× 100% ............................................. 3.5

𝑁 ∑𝑟𝑘 𝑋𝑘𝑘− ∑𝑟𝑘 𝑋𝑘+ 𝑋+𝑘

Kappa (k) = 𝑁 2 −∑𝑟𝑘 𝑋𝑘+𝑋𝑘+
...................................................... 3.6

Keterangan:

N : Jumlah semua piksel yang digunakan untuk pengamatan

𝐾𝑖+ : ∑ 𝑋𝑖𝑗 (jumlah semua kolom pada baris ke-i)

𝐾+𝑗 : ∑ 𝑋𝑖𝑗 (jumlah semua kolom pada lajur ke-j)

5) Analisis Perubahan Tutupan Lahan

69

Post-Classification Analysis adalah metode yang digunakan untuk

menganalisis perubahan tutupan lahan di Kota Palangka Raya, dimana

membandingkan luasan jenis tutupan lahan pada masing-masing hasil klasifikasi

piksel citra Landsat 7 dan hasil klasifikasi piksel citra Landsat 8. Dengan

menggunakan Sistem Informasi Geografis (SIG) peta raster hasil klasifikasi

dikonversikan menjadi bentuk vektor sehingga mempunyai besaran luas. Menu

conversion tool pada ArcGIS digunakan untuk mengubah peta raster menjadi

bentuk vektor. Luas dan peta distribusi spasial jenis tutupan lahan akan

mendeskripsikan keadaan jenis tutupan lahan di tahun 2000 dan tahun 2018.

Selain itu juga akan memuat luasan lahan terbangun dan non-terbangun pada

masing-masing batas kecamatan dengan menggunakan tool clip di ArcGIS 10.4.

Hal tersebut dilakukan untuk mengetahui perubahan luasan tutupan lahan

bersifat impervious pada lima kecamatan Kota Palangka Raya yang

69
 mengindikasikan pertumbuhan Kota Palangka Raya selama delapan belas tahun

pengamatan yang berdampak pada intensitas UHI. Perubahan tutupan lahan

akan menganalisis peningkatan dan penurunan data atribut luas masing-masing

jenis tutupan lahan selama delapan belas tahun pengamatan (2000-2018) yang

disajikan dalam unit hektar dan persen.

3.5.2. Metode Penginderaan Jauh untuk Mendapatkan Nilai Land Surface

Temperature
Pada proses pengolahan citra landsat untuk mendapatkan nilai sebaran

Land Surface Temperature terdiri dari lima tahap yaitu mengkonversi nilai DN

menjadi radiasi spektral, mengkonversi nilai radiasi spektral menjadi brightness

temperature, mencari NDVI, menentukan nilai emisivitas dan menghitung nilai

LST menggunakan persamaan. Untuk alur proses transformasi citra Landsat

dalam menghasilkan transformasi citra LST ditunjukkan pada bagan Gambar 3.2.

Dengan menggunakan alat analisis berupa ENVI 5.0 dan ArcGis berikut tahap-
70

tahap untuk mendapatkan nilai LST

1) Mengkonversi nilai DN menjadi nilai Radian

Menggunakan menu band math pada software ENVI 5.1 band 6 pada citra

Landsat 7 ETM dan band 10 pada Landsat 8 TIRS harus melalui tahap kalibrasi

ulang sensor atau dikenal dengan proses radiometrik. Koreksi radiometrik pada

band-band termal dilakukan menggunakan persamaan yang ditetapkan NASA

dengan menggunakan persamaan 3.7 bagi Landsat 7 dan persamaan 3.8 bagi

Landsat 8 sebagai berikut (Chander et al, 2009; USGS, 2016):

𝐿𝑚𝑎𝑥𝜆−𝐿𝑚𝑖𝑛𝜆
L𝜆 = 𝑄𝑐𝑎𝑙𝑚𝑎𝑥−𝑄𝑐𝑎𝑙𝑚𝑖𝑛
(Qcal-Qcalmin) + Lmin𝜆 ..................................... 3.7

L𝜆 = ML𝑄𝑐𝑎𝑙 +𝐴𝐿 .......................................................................... 3.8

70
 Keterangan :

L𝜆 : Radiasi spektral (spectral radiance) [W/ (m2 sr µm)]

Qcalmin: Quantize_Cal_Min_Band_6 (nilai terdapat pada metadata)

Qcalmax: Quantize_Cal_Min_Band_6 (nilai terdapat pada metadat

Qcal : Nilai DN band 6

Lmax : Radiance_Max_Band_6 (nilai terdapat pada metadata)

Lmin : Radiance_Min_Band_6 (nilai terdapat pada metadata)

𝑀𝐿 : Radiance _Mult_Band_10 (nilai terdapat pada metadata)

𝑄𝑐𝑎𝑙 : Nilai Digital Number

𝐴𝐿 : Radiance_Add_Band_10, (nilai terdapat pada metadata)

2) Konversi Nilai Radian Menjadi Brightness Temperature

Nilai radian yang sudah didapatkan dikonversi menjadi at-satellite

brightness temperature dengan menggunakan teori Blackbody. Teori Blackbody

71

menyatakan bahwa pancaran radiasi dari permukaan objek benda hitam

(blackbody) dapat dihitung dalam bentuk suhu (T) dengan asumsi bahwa objek

permukaan bumi tersebut mempunyai nilai emisivitas (ɛ) satu yang berarti

menyerap dan memancarkan kembali seluruh energi yang mengenainya dan

diekspresikan melalui persamaan Planck. Untuk menghitung at-satellite

brightness temperature menggunakan persamaan berikut (Chander et al., 2009;

NASA, 2011):

𝐾2
Tb = 𝐾1 .......................................................................... 3.9
𝑙𝑛𝑙𝑛 [( +1)]
𝐿𝜆

Keterangan:

Tb : Effective at satellite brightness temperature (K)

K1: Konstanta Kalibrasi 1 [W/(m2*ster*µm)] (terdapat dalam metadata)

K2: Konstanta Kalibrasi 2 (K) (terdapat dalam metadata)

71
 L𝜆: Radiasi Spektral [W/ (m2 sr µm)]

3) Menghitung Nilai Land Surface Emissivity (𝐿𝑆𝜀 )

Nilai emisivitas pada kondisi at-satellite brightness temperature merupakan

nilai emisivitas dari permukaan benda hitam yang mepunyai nilai emisivitas

bernilai satu. Benda hitam merupakan objek yang menyerap lalu memancarkan

kembali seluruh radiasi yang diterimanya, sedangkan berbagai objek di

permukaan bumi tidak akan pernah memancarkan kembali seluruh energi yang

sudah diserapnya seperti radiasi benda hitam, nilai emisivitas (𝜀) berbagai objek

di permukaan bumi akan lebih kecil dibandikan nilai emisivitas (𝜀) benda hitam.

Menurut Dash et al (2012) jika nilai LST tidak memperhitungkan nilai emisivitas

maka akan terjadi error pada nilai LST dari interval 0.2º-1.4ºK untuk emisivitas (𝜀)

sebesar 0.98 dan 0.8º4.8ºK untuk emisivitas (𝜀) sebesar 0.93.

Pada penelitian ini akan dihitung nilai emisivitas (𝜀) dengan menggunakan

pendekatan The Normalized Difference Vegetation Index (NDVI). Beberapa

72

algoritma untuk menghitung emisivitas (𝜀) dengan menggunakan pendekatan

NDVI yang sering banyak digunakan antara lain oleh Van de Griend & Owe

(1993); Valor & Caselles (1996) dan Sobrino & Raissouni (2008, 2004). Pada

penelitian ini akan menggunakan metode yang dibuat oleh Sobrino & Raissouni

(2008, 2004) karena sudah diuji pada citra Landsat TM.

Dasar yang digunakan oleh Sobrino dalam mencari nilai emisivitas dengan

pendekatan NDVI adalah citra yang mempunyai band VNIR. Persamaan

menghitung NDVI pada citra Landsat 7 ETM menggunakan persamaan 3.11

sedangkan citra Landsat 8 menggunakan persamaan 3.12 (USGS, 2016)

(𝑁𝐼𝑅−𝑅)
NDVI = (𝑁𝐼𝑅+𝑅)........................................................................... 3.10
(𝐵𝑎𝑛𝑑 4 −𝐵𝑎𝑛𝑑 3)
NDVIETM+ = (𝐵𝑎𝑛𝑑 4+𝐵𝑎𝑛𝑑 3) 3.11
(𝐵𝑎𝑛𝑑 5 −𝐵𝑎𝑛𝑑 4)
NDVILandsat8 = (𝐵𝑎𝑛𝑑 5+𝐵𝑎𝑛𝑑 4) 3.12

72
 Nilai emisivitas berdasarkan metode yang dilakukan oleh Sobrino et al

(2004 & 2008) dibagi menjadi empat kelas berdasarkan nilai NDVI atau disebut

NDVI Treshold Method (NDVITHM), yaitu:

- NDVI> 0.5

Jika piksel NDVI berada pada keadaan ini, maka ditetapkan sebagai keadaan

permukaan objek adalah fully vegetation. Nilai NDVI > 0.5 mempunyai nilai

emsivitas (𝜀) konstan yang sudah ditetapkan sebesar 0.99.

- 0.2 ≤ NDVI ≤ 0.5

Piksel NDVI pada keadaan ini ditetapkan sebagai permukaan objek campuran

antara tutupan lahan tanah kosong dan vegetasi. Untuk menghitung emisivitas

(𝜀) dalam rentang NDVI tersebut khususnya pada citra Landsat menggunakan

persamaan 3.13 dan persamaan 3.14 (Sobrino et al., 2004; Sobrino et al, 2008):

𝜀𝑇𝑀6 = 0.004PV + 0.986 ............................................................ 3.13

73

𝑁𝐷𝑉𝐼−𝑁𝐷𝑉𝐼𝑚𝑖𝑛 2
Pv = [𝑁𝐷𝑉𝐼𝑚𝑎𝑥−𝑁𝐷𝑉𝐼𝑚𝑖𝑛 ] ............................................................. 3.14

- (-0.10)≤NDVI< 0.2
Piksel NDVI pada rentang ini ditetapkan penulis berdasarkan kajian yang sudah

dilakukan (Sobrino et al, 2004; Sobrino et al, 2008) dan juga analisis terhadap

nilai NDVI yang menunjukkan tutupan lahan bare soil. Nilai emisivitas pada

rentang NDVI tersebut dihitung menggunakan nilai reflektan pada Red Band

masing-masing citra Landsat (Sobrino et al, 2004). Berikut pada persamaan

3.15 merupakan persamaan untuk menghitung nilai emisivitas pada tutupan

lahan bare soil atau lahan kosong (Sobrino et al, 2008):

𝜀𝑇𝑀6 = 0.979 – 0.035𝜌𝑇𝑀3 ........................................................... 3.15

73
 - 𝑁𝐷𝑉𝐼< -0.10

NDVITHM yang dibuat oleh Sobrino et al (2004 & 2008) hanya digolongkan untuk

tutupan lahan tanah dan vegetasi, sedangkan tutupan lahan badan air, ice dan

snow tidak dapat digunakan dalam menentukan nilai emisivitasnya. Oleh

karena itu penulis mengidentifikasi rentang nilai NDVI untuk badan air yaitu <0

(Sobrino et al, 2008) pada wilayah penelitian dan menggunakan nilai emisivitas

yang sudah ditetapkan Snyder et al (1998) untuk tutupan lahan badan air

berdasarkan metode image classification yaitu sebesar 0.986. Pada Gambar

3.1 ditunjukkan diagram alir dalam menghitung Land Surface Emissivity (𝐿𝑆𝜀 )

4) Menghitung Nilai LST

Setelah mendapatkan peta emisivitas maka dilanjutkan dengan

perhitungan nilai Land Surface Temperature (LST) dengan menggunakan

persamaan 3.16 (Artis & Carnahan, 1982)

74

𝑇𝑏
Ts = 𝜆×𝑇𝑏 3.16
1+( 𝜌 )𝑙𝑛𝑙𝑛 𝜀

Suhu permukaan (Ts) yang dihasilkan mempunyai unit satuan Kelvin, oleh

karena itu untuk mendapatkan suhu permukaan dalam bentuk satuan celcius

maka diperlukan konversi pada persamaan 3.17.

Tb
Ts = 𝜆×𝑇𝑏 − 273.15°𝐶 ......................................................... 3.17
1+( ) ln 𝜀
𝜌

Keterangan:
Ts : Suhu permukaan (°C)

𝜆 : Panjang gelombang cahaya yang dipancarkan (Markham&Barker,

1987) 𝜆 = 11.5𝜇𝑚 (𝐿𝑎𝑛𝑑𝑠𝑎𝑡 7 𝐸𝑇𝑀) ; 𝜆 = 10.8𝜇𝑚 (𝐿𝑎𝑛𝑑𝑠𝑎𝑡 8)

𝜌 : h c/δ = 1.438 × 10-2 mK = 14380 µmK

H : Konstanta Planck (6.626 × 10-34 Js)

74
 c : Kecepatan cahaya (2.998 × 108 m/s)

δ : Konstanta Boltzman (1.38 × 10-23 J/K)

75

75
 Citra Terkoreksi Band Multispektral Citra Terkoreksi Band Multispektral
Wilayah Penelitian tahun 2018 Wilayah Penelitian tahun 2000

Band 5 Band 4 Band 4 Band 3

𝑁𝐷𝑉𝐼𝐿𝑎𝑛𝑑𝑠𝑎𝑡8 = 𝑁𝐷𝑉𝐼𝐸𝑇𝑀+ =
Menghitung Nilai NDVI Menghitung Nilai NDVI
𝐵𝑎𝑛𝑑 5 − 𝐵𝑎𝑛𝑑 4 Spatial Analysist 𝐵𝑎𝑛𝑑 4 − 𝐵𝑎𝑛𝑑 3
Tool; Map Algebra;
𝐵𝑎𝑛𝑑 5 + 𝐵𝑎𝑛𝑑 4 Raster Calculator 𝐵𝑎𝑛𝑑 4 + 𝐵𝑎𝑛𝑑 3

Peta raster NDVI tahun 2018

Peta raster NDVI tahun 2000

PV =
𝑁𝐷𝑉𝐼−𝑁𝐷𝑉𝐼𝑚𝑖𝑛 2
( )
𝑁𝐷𝑉𝐼𝑚𝑎𝑥 −𝑁𝐷𝑉𝐼𝑚𝑖𝑛
76

NDVI > 0.5 NDVI < - -0.10 ≤ 0.2 ≤ 0.2 ≤ NDVI ≤ NDVI > -0.10 ≤ NDVI < -
0.10 NDVI < 0.2 NDVI ≤ 0.5 0.5 0.5 NDVI < 0.2 0.10

ɛ1 = 0.99 ɛ2 = 0.986 ɛ3 = 0.979- ɛ4 = 0.986+0.004 ɛ4 = 0.986+0.004 ɛ1 = 0.99 ɛ3 = 0.979- ɛ2= 0.986

0.035𝑟𝑒𝑓 𝐵𝑎𝑛𝑑 3 PV PV 0.035𝑟𝑒𝑓 𝐵𝑎𝑛𝑑 4

Menghitung Nilai Emisivitas Raster Calculator: Menghitung Nilai Emisivitas

(ɛ) wilayah studi penelitian
Peta Land Surface Emissivity tahun
2018
Con(NDVI<0.10,0.986,Con((NDVI≥0.1 (ɛ) wilayah studi penelitian
0)&(NDVI<0.2),ɛ3,Con((NDVI≥0.2)&(N
DVI≤0.5),ɛ4,Con(NDVI>0.5,0.99)))).
Peta Land Surface Emissivity tahun
2000

Gambar 3.1 Kerangka Pengolahan

55 Peta Raster Land Surface Emissivity
 Citra Landsat 8 TIRS Citra Landsat 8 TIRS Citra Landsat 7 ETM path Citra Landsat 7 ETM path
path 118 row 061 thermal path 118 row 062 thermal 118 row 062 thermal band 118 row 061 thermal band
band band
(2018/09/28) (2018/09/28)

Keterangan Persamaan 3.5

Band Math: Band Math:
Konversi nilai DN menjadi radian Konversi nilai DN menjadi radian
Pengolahan pada ENVI 5.3
Pengolahan pada Arcmap 10.6
Pengolahan pada Excel Persamaan 3.7
Band Math Tool: Band Math Tool:
Tool/ persamaan Konversi nilai radian menjadi Konversi nilai radian menjadi
Data Brightness temperature (TB) Brightness temperature (TB)

Peta Raster TB Peta Raster TB Peta Raster TB Peta Raster TB

path 118row 061 path 118 row 062 path 118row 061 path 118 row 062
77
56

Mosaic Tool Mosaic Tool

Shapefile polygon
Administrasi Palangka Raya

Masking Citra by Vector Masking Citra by Vector

Peta raster TB Wilayah Peta raster TB Wilayah

penelitian tahun 2018 penelitian tahun 2018

Persamaan 3.14

Raster Calculator: Raster Calculator:

Konvesi TB ke LST Konversi TB ke LST

Peta raster Land Surface

Peta raster Land Surface
Temperature Tahun 2000
Temperature Tahun 2018
Peta raster Land
Surfece Emissivity Peta raster Land
tahun 2018 Surfece Emissivity
56 tahun 2000
Gambar 3.2 Kerangka Pengolahan Peta Raster Land Surface Temperature
 Raster Hasil Klasifikasi Raster Hasil Klasifikasi
Citra tahun 2018 Citra tahun 2000

Tidak Tidak
Uji akurasi Uji akurasi
≥80% ≥80%

Raster to Polygon Raster to Polygon

Peta Tutupan Lahan Peta Tutupan Lahan

Tahun 2018 Tahun 2018
78

Keterangan
Pengolahan pada ENVI 5.3
Pengolahan pada Arcmap 10.6
Pengolahan pada Excel
Tool/ persamaan
Data

Gambar 3.3 Kerangka Pengolahan Klasifikasi Tutupan Lahan

78
 3.5.3. Menganalisis Faktor- faktor yang Mempengaruhi Land Surface
Temperature Ditinjau dari Tutupan Lahan
Hipotesis penelitian menyatakan bahwa jenis tutupan lahan berpengaruh

terhadap Land Surface Temperature (LST), yang artinya pada penelitian ini yaitu

lahan hutan, pertanian lahan kering, lahan terbangun, lahan terbuka, semak

belukar dan tubuh air memiliki pengaruh terhadap nilai Land Surface Temperature

(LST) di Kota Palangka Raya pada tahun 2000 dan tahun 2018. Hipotesis

tersebut dihasilkan dari berbagai kajian literatur review, teori dan juga ditunjukkan

melalui pola sebaran antara kelas LST dan tutupan lahan pada tahun 2000 dan

2018.

Hipotesis penelitian menyatakan bahwa adanya pengaruh jenis tutupan

lahan terhadap nilai land surface temperature, yang artinya adanya pengurangan

atau penambahan luas pada jenis tutupan lahan tertentu akan mempengaruhi

nilai land surface temperature. Oleh karena itu variabel penelitian yang akan
79

dianalisis adalah presentase jenis tutupan lahan dan nilai rata-rata LST. Variabel

presentase jenis tutupan lahan merupakan variabel bebas atau variabel yang

mempengaruhi, sedangkan variabel nilai LST rata-rata merupakan variabel terikat

atau disebut varibel yang dipengaruhi, dimana untuk definisi operasional variabel

penelitian ditunjukkan pada sub-bab 3.2. Berdasarkan definisi operasional,

variabel penelitian digolongkan dalam jenis data rasio, dimana menurut Sujarweni

(2015) data rasio merupakan data bersifat angka dalam arti sesunguhnya (bukan

ketegori) dan dapat dioperasikan dalam matematika. Pada Tabel 3.8 memuat

jenis variabel penelitian yang digunakan beserta sifat datanya.

79
 Tabel 3.8 Jenis Data Variabel Penelitian
Jenis Nama Variabel
Definisi Operasional Jenis Data
Variabel Penelitian
Variabel Land Surface
Nilai LST rata-rata tiap grid Data Rasio
Terikat Temperature (Y)
Presentase tutupan lahan hutan
Hutan (X1) Data Rasio
tiap grid
Pertanian Lahan Presentase tutupan pertanian
Data Rasio
kering (X2) lahan kering tiap grid
Lahan Terbangun Presentase tutupan lahan
Data Rasio
Variabel (X3) terbangun tiap grid
Bebas Lahan Terbuka Presentase tutupan lahan terbuka
Data Rasio
(X4) tiap grid
Semak Belukar Presentase tutupan lahan semak
Data Rasio
(X5) belukar tiap grid
Presentase tutupan lahan tubuh
Tubuh Air (X6) Data Rasio
air tiap grid
Sumber: Hasil Analisa, 2021

Analisis regresi merupakan alat analisis yang digunakan untuk mengukur

besarnya pengaruh variabel bebas atau independen terhadap variabel terikat atau

dependen. Pada penelitian ini variabel independen yang digunakan adalah jenis

tutupan lahan, dimana jumlah variabel independen lebih dari satu sehingga jenis

analisis regresi yang digunakan merupakan analisis regresi berganda. Output

80

SPSS hasil regresi linear berganda akan dilaukan uji hipotesis untuk mengetahui

ada tidaknya pengaruh variabel independen terhadap variabel dependen.

Pengujian hipotesis penelitian dilakukan menggunakan Uji F dan Uji t pada

berdasarkan nilai signifikansi value F test dan nilai signifikansi value t Test.

Berikut hipotesis penelitian pada tahun 2000 dan tahun 2018:

a. Hipotesis secara keseluruhan

Ho: Jenis tutupan lahan hutan, pertanian lahan kering, lahan terbangun,

lahan terbuka, semak belukar dan tubuh air secara bersama-sama tidak

berpengaruh terhadap nilai Land Surface Temperature

Ha: Jenis tutupan lahan hutan, pertanian lahan kering, lahan terbangun,

lahan terbuka, semak belukar dan tubuh air secara bersama-sama

berpengaruh terhadap nilai Land Surface Temperature

80
 b. Hipotesis secara partial

Ho: Jenis tutupan lahan hutan tidak berpengaruh terhadap nilai Land

Surface Temperature

H1: Jenis tutupan lahan hutan berpengaruh terhadap nilai Land

Surface Temperature

Ho: Jenis tutupan lahan pertanian lahan kering tidak berpengaruh terhadap

nilai Land Surface Temperature

H2: Jenis tutupan lahan pertanian lahan kering berpengaruh terhadap

nilai Land Surface Temperature

Ho: Jenis tutupan lahan terbangun tidak berpengaruh terhadap

nilai Land Surface Temperature

H3: Jenis tutupan lahan terbangun berpengaruh terhadap nilai Land Surface

Temperature

Ho: Jenis tutupan lahan terbuka tidak berpengaruh terhadap nilai Land
81

Surface Temperature

H4: Jenis tutupan lahan terbuka berpengaruh terhadap nilai Land Surface

Temperature

Ho: Jenis tutupan lahan semak belukar tidak berpengaruh terhadap nilai Land

Surface Temperature

H5: Jenis tutupan lahan semak belukar berpengaruh terhadap nilai Land

Surface Temperature

Ho: Jenis tutupan lahan tubuh air tidak berpengaruh terhadap nilai Land

Surface Temperature

H6: Jenis tutupan lahan tubuh air berpengaruh terhadap nilai Land Surface

Temperature

81
 Jenis tutupan lahan pada masing-masing tahun yang menunjukkan

pengaruh signifikan terhadap suhu permukaan, masing-masing nilai koefisiennya

akan digunakan untuk membentuk sebuah model dan akan dijadikan bahan

interpretasi dalam memprediksi sebuah model prediksi nilai LST rata-rata

berdasarkan pengaruh berbagai jenis tutupan lahan tahun 2000 dan tahun 2018

di Kota Palangka Raya. Secara umum model regresi linier berganda:

𝒚𝒊 = 𝜷𝟔 + 𝜷𝟏 𝒙𝟏 + 𝜷𝟐 𝒙𝟐 + 𝜷𝟑 𝒙𝟑 + … . . +𝜷𝒌 𝒙𝒌𝒊 + 𝜺𝒊 3.18

Keterangan:

Y : Variabel terikat, yaitu rata-rata LST

X : Variabel bebas, yaitu jenis tuutpan lahan
𝛽0 : Intercept koefisien,
𝛽1 , …. 𝛽𝑘 : Nilai koefisien regresi dari tiap jenis tutupan lahan
𝜀𝑖 : Standar error.

Sebelum model regresi dapat disebut sebagai model yang baik untuk

digunakan, maka model tersebut haruslah memenuhi asumsi normalitas data dan
82

terbebas dari asumsi-asumsi klasik statistik. Terdapat beberapa proses uji yang

dilakukan sehingga data LST dan jenis tutupan lahan dapat digunakan untuk

membuat model. Berikut 4 tahap uji yang dilakukan dalam proses linear

berganda:

1) Uji Normalitas

Uji normalitas pada model regresi digunakan untuk menguji apakah nilai

residual yang dihasilkan dari regresi terdistribusi normal atau tidak. Model

regresi yang baik adalah yang memiliki nilai residual yang terdistribusi secara

normal. Metode uji normalitas yang digunakan pada penelitian adalah uji

parametrik yaitu uji kolmogorov dan uji sminorv. Uji One Sample Kolmogorov

Smirnov digunakan untuk mengetahui distribusi data, apakah mengikuti

distribusi normal, pison, uniform atau exponential. Residual berdistribusi nrmal

jika nilai signifikansi > 0.05.

82
 2) Uji Multikolinearitas

Multikolinearitas adalah keadaan di mana pada model regresi ditemukan

adanya korelasi yang sempurna atau mendekati sempurna antar variabe

independen. Pada model regresi yang baik seharusnya tidak terjadi korelasi

yang sempurna atau mendekati sempurna diantara variabel bebas

(korelasinya 1 atau mendekati 1). Hal ini dapat diketahui dengan melihat hasil

output, apabila nilai r kurang dari 0.8 atau nilai VIF kurang dari 10 antar

semua variabel maka tidak terjadi masalah

3) Uji Heterosekdasitas

Uji heterosekditas dilakukan untuk mengetahui varian data yang sama atau

lebih disebut dengan data bersifat homosekdasitas. Jika tidak sama atau

berbeda maka disebut heterosekfasitas. Persamaan regresi linier berganda

yang baik adalah bersifat homosekdasitas. Indikasi hasil uji heterosekdasitas

dapat diketahui dari grafik scatterplot antara Z prediction (ZPRED) untuk

83

variabel bebas dan nilai residual (SRESID) yang merupakan variabel terikat.

Selain itu juga dapat menggnakan Metode Glejser, dimana jika nilai

signifikansi masing-masig variabek independen bernilai >0.05 maka tidak

terjadi masalah heteroskedasitas pada model regresi.

4) Uji Autokorelasi

Uji autokorelasi hanya dilakukan pada data time series dan tidak perlu

dilakukan pada data cross section seperti pada kuesioner di mana pengukuran

semua variabel dilakukan secara serempak pada saat yang bersamaan. Jenis

data pada regresi tahun 2000 dan 2018 adalah berbentuk cross section, oleh

karena itu tidak diperlukan melakukan uji autokorelasi.

3.6. Waktu Penelitian

Tahap penelitian dimulai dari pengumpulan literatur jurnal dan teori.

Tujuan dari pengumpulan teori dan jurnal adalah untuk mendapatkan tema
83
 besar dalam melandasi rancangan penelitian sebelum pengajuan judul.

Setelah judul disetujui maka dimulai untuk pembuatan proposal dan dilanjutkan

dengan seminar proposal. Adanya proses perbaikan setelah proposal

diseminarkan. Setelah perbaikan proposal disetujui maka dilanjutkan tahap

analisis data dan penyusunan laporan penelitian. Berikut pada Tabel 3.5

merupakan rangkuman waktu kegiatan penelitian.

Tabel 3.5 Waktu Kegiatan Penelitian

No Kegiatan Sep Okt Nov Des Jan Apr Apr Mei Juni
2018 2018 2018 2018 2019 2019 2021 2021 2021
Pencarian
1 Literatur
Pengajuan Judul
2 Penelitian
pembuatan
3 Proposal
Seminar
4 Proposal
Pengumpulan
5 Data
6 Analisis Data
Penyusunan
Laporan
7 Penelitian
84

8 Seminar Hasil
9 Revisi
Ujian Tesis dan
10 Revisi

84