Penerapan Algoritma Random Forest Dalam Menganalisa Perubahan Suhu Permukaan Wilayah Kota Salatiga

JURNAL MEDIA INFORMATIKA BUDIDARMA
Volume 6, Nomor 4, Oktober 2022, Page 2074-2085

ISSN 2614-5278 (media cetak), ISSN 2548-8368 (media online)
Available Online at https://ejurnal.stmik-budidarma.ac.id/index.php/mib
DOI: 10.30865/mib.v6i4.4603
Penerapan Algoritma Random Forest dalam Menganalisa Perubahan

Suhu Permukaan Wilayah Kota Salatiga
Triloka Mahesti, Kristoko Dwi Hartomo*, Sri Yulianto Joko Prasetyo
Fakultas Teknologi Informasi, Magister Sistem Informasi, Universitas Kristen Satya Wacana, Salatiga, Indonesia
Email: 1trilokamahesti@gmail.com, 2,*kristoko@uksw.edu, 3sri.yulianto@uksw.edu
Email Penulis Korespondensi: kristoko@uksw.edu
Abstrak−Penambahan jumlah penduduk dari tahun 2010 hingga tahun 2020 pada Kota Salatiga bertambah dengan pesat. Hal ini
mempengaruhi tutupan vegetasi, penambahan kepadatan bangunan dan peningkatan suhu permukaan. Peningkatan suhu
permukaan dapat mempengaruhi iklim, kualitas udara, kesehatan manusia dan penggunaan energi. Penelitian ini bertujuan untuk
mengetahui pengaruh penambahan lahan terbangun dan perubahan tutupan vegetasi terhadap perubahan suhu permukaan dengan
melakukan eksplorasi nilai NDVI, NDBI, LST dan Albedo. Penelitian ini menghasilkan nilai NDVI mengalami penurunan
sedangkan nilai NDBI, LST dan Albedo mengalami kenaikan dari tahun 2014 ke tahun 2021. Nilai NDVI, NDBI dan Albedo
merupakan indeks yang digunakan sebagai validasi dari nilai kenaikan suhu permukaan (LST) pada daerah penelitian. Hasil
korelasi antar indeks menunjukkan korelasi tertinggi terjadi antara NDVI dan NDBI dengan nilai -0.979 yang memiliki korelasi
negatif karena kerapatan vegetasi selalu berbanding terbalik dengan kerapatan lahan terbangun. Hasil klasifikasi menghasilkan
ada 7 kelurahan di Kota Salatiga dengan kenaikan suhu tinggi yaitu Cebongan, Mangunsari, Ledok, Kutowinangun Kidul,
Gendongan, Salatiga dan Kalicacing. Hasil nilai akurasi dan nilai kappa pada algoritma Random Forest yang dihasilkan cukup
akurat dengan nilai akurasi sebesar 90% dan nilai kappa sebesar 73%. Uji usability pada penelitian ini dilakukan dengan
membagikan kuesioner kepada pemangku kepentingan yaitu pegawai DPUPR Kota Salatiga yang memiliki hasil rekapitulasi
3,62 dengan kriteria “cukup berguna”. Dari hasil tersebut, penelitian ini sesuai dengan tujuannya yaitu dapat dijadikan sebagai
salah satu rekomendasi pemerintah kota untuk pengambilan kebijakan khususnya pada bidang tata kota Salatiga.
Kata Kunci: NDVI; NDBI; LST; Albedo; Korelasi Pearson; Random Forest.
Abstract−The population increase in Salatiga city is growing rapidly from 2010 to 2020. This change affects the area with
vegetation cover, increasing building density and increasing land surface temperatures. The rising of land surface temperature
can affect climate change, air quality, human health quality and energy usage. The purpose of this research is to find out the
effect of the area with built-up land and area with vegetation cover to land surface temperature by exploring the values of
NDVI, NDBI, LST and Albedo. This research shows that the NDVI value has decreased while the NDBI, LST and Albedo
values have increased from 2014 to 2021. The values of NDVI, NDBI and Albedo are the components used as validation of
the value of the land surface temperature (LST) change in the study area. The results of the correlation between indices show
that the highest correlation occurs between NDVI and NDBI with a value of -0.979 which has a negative correlation because
vegetation density is always inversely proportional to the density of built up land. The classification results show that there are
7 villages in Salatiga City with high temperature increases, the villages name are Cebongan, Mangunsari, Ledok, Kutowinangun
Kidul, Gendongan, Salatiga and Kalicacing. The results of the accuracy and kappa values in the Random Forest algorithm are
quite accurate with an accuracy value of 90% and a kappa value of 73%. The usability test in this study was carried out by
distributing questionnaires to city planning department in Salatiga City who had a recapitulation result of 3.62 with the criteria
"quite useful". From these results, this research is in accordance with its objectives, the result can be used as one of the city
government's recommendations for policy making, especially in Salatiga city planning department.
Keywords: NDVI; NDBI; LST; Albedo; Pearson Correlation; Random Forest.
1. PENDAHULUAN
Kota Salatiga merupakan salah satu kota di Jawa Tengah yang berada pada kaki Gunung Merbabu. Hawa sejuk
dan dingin menjadi salah satu khas Kota Salatiga dan sudah digunakan sebagai daerah peristirahatan sejak jaman
Belanda. Data Statistik Sektoral Kota Salatiga tahun 2020 menyebutkan Kota Salatiga memiliki luas wilayah ±
54,98 km² yang terdiri dari 4 kecamatan, 23 kelurahan dengan jumlah penduduk 196.082 jiwa. Salatiga merupakan
kota yang menghubungkan antara kota Semarang dan Surakarta dengan ketinggian 450-800meter dari permukaan
laut. Kota Salatiga merupakan kota yang dikelilingi oleh beberapa gunung seperti gunung Merbabu, Telomoyo
dan Gajah Mungkur [1]. Kota Salatiga juga mendapat predikat kota paling toleran pada tahun 2020 oleh Setara
Institute. Banyaknya keuntungan yang dimiliki Kota Salatiga tersebut, membuat banyak pendatang memutuskan
untuk berdomisili di Kota Salatiga.
Berdasarkan data yang dipublikasikan oleh Data Badan Pusat Statistik (BPS) Kota Salatiga, jumlah
penduduk kota Salatiga dari tahun 2010 hingga tahun 2020 terjadi peningkatan jumlah penduduk yang cukup pesat.
Pada tahun 2010 jumlah penduduk kota Salatiga berjumlah 170.800 jiwa dan pada tahun 2020 jumlah penduduk
kota Salatiga berjumlah 196.600 jiwa [2]. Berbanding terbalik dengan laju pertumbuhan penduduk kota Salatiga,
menurut data BPS Kota Salatiga luas lahan sawah, luas lahan kering dan jumlah pohon di Kota Salatiga jumlahnya
semakin menurun dari tahun ke tahun [2]. Peningkatan jumlah penduduk yang pesat, laju penambahan kepadatan
bangunan pun juga bertambah sehingga area hijau di Kota Salatiga juga berkurang jumlahnya karena area hijau
sudah berubah fungsi seiring dengan laju pertumbuhan penduduk. Permukaan yang dulunya merupakan tempat
tumbuh pepohonan, lahan kering, area persawahan dan area hijau lainya sudah berubah fungsi menjadi bangunan
perumahan, pertokoan, jalan dan infrastruktur. Perubahan fungsi permukaan tersebut, yang awalnya merupakan
Triloka Mahesti, Copyright © 2022, MIB, Page 2074

Submitted: 31/07/2022; Accepted: 31/08/2022; Published: 25/10/2022
DOI: 10.30865/mib.v6i4.4603
tempat resapan air dan lembab menjadi tempat yang kering sehingga sangat berpotensi meningkatkan suhu
permukaan Kota Salatiga. Peningkatan suhu permukaan yang disebabkan oleh tutupan lahan sangat mempengaruhi
iklim, kualitas udara, kesehatan manusia dan penggunaan energi sehingga studi mengenai perubahan suhu
permukaan sangat penting [3]. Kepentingan lain yang menyebabkan perlunya studi mengenai perubahan suhu
permukaan karena cuaca dunia dan pola iklim dapat dipengaruhi oleh peningkatan suhu permukaan tanah [3].
Selain itu, peningkatan suhu permukaan juga dapat menyebabkan banjir dan kenaikan muka air laut.
Studi mengenai perubahan suhu permukaan telah dilakukan sebelumnya menggunakan citra satelit yang
dieksplorasi menggunakan metode-metode indeks vegetasi. Beberapa penelitian sebelumnya melakukan analisis
perubahan suhu permukaan menggunakan Normalized Difference Vegetation Index (NDVI) untuk mengetahui
tingkat kehijauan suatu wilayah sebagai kaitan dengan perubahan suhu permukaan karena vegetasi merupakan
indikator dari dinamika suhu permukaan [3]. Penelitian menggunakan metode NDVI untuk menganalisis
perubahan suhu permukaan telah dilakukan oleh Ningrum [3], Nugroho [4] dan Kosasih [5]. Penelitian oleh
Ningrum [3] menunjukkan bahwa variasi indeks vegetasi yang cenderung turun akan menaikkan suhu permukaan
tanah selaras dengan hasil penelitian oleh Nugroho [4] dan Kosasih [5]. Metode lain yang berkaitan dengan
perubahan suhu permukaan adalah Normalized Difference Built-up Index (NDBI) karena dapat mengeksplorasi
perubahan lahan terbangun. Belum banyak penelitian yang menggunakan metode NDBI untuk menganalisis
perubahan suhu permukaan. Penelitian sebelumnya yang menggunakan metode NDBI dilakukan oleh Handayani
[6] yang menunjukkan bahwa terjadinya peningkatan tutupan lahan terbangun akan meningkatkan suhu permukaan
tanah. Parameter lain terkait dengan perubahan suhu permukaan adalah Albedo yang mengeksplorasi kekuatan
pantulan permukaan benda berupa perbandingan radiasi surya yang dipantulkan dan radiasi yang datang [7].
Penelitian sebelumnya dilakukan oleh Ningrum [3] menunjukkan bahwa radiasi pantul di daerah urban memiliki
nilai Albedo yang lebih tinggi daripada daerah vegetasi. Metode selanjutnya adalah Land Surface Temperature
(LST) untuk mengeksplorasi nilai suhu permukaan tanah menggunakan citra satelit. Metode LST telah digunakan
oleh Ningrum [3], Handayani [6], Nugroho [4] dan Kosasih [5] untuk melakukan pemetaan distribusi suhu
permukaan tanah di wilayah penelitian. Penelitian menggunakan metode LST dilakukan dengan algoritma mono-
window Brightness Temperature. Penelitian sebelumnya yang melakukan uji korelasi antara metode LST dengan
metode NDVI, NDBI dan Albedo menunjukkan adanya hubungan korelasi yang tinggi. Pada penelitian ini juga
akan dilakukan pemetaan suhu permukaan tanah menggunakan metode LST yang selanjutnya akan dilakukan uji
korelasi menggunakan korelasi pearson dengan metode NDVI, NDBI dan Albedo.
Mempertimbangkan latar belakang di atas dan berdasarkan studi pustaka yang telah dilakukan pada
penelitian terdahulu, penelitian ini akan melakukan eksplorasi nilai tutupan vegetasi (NDVI), tutupan non vegetasi
seperti bangunan dan infrastruktur (NDBI), kekuatan pantulan permukaan benda (Albedo) dan suhu permukaan
tanah (LST). Hasil eksplorasi selanjutnya akan dilakukan uji korelasi menggunakan korelasi Pearson untuk
melihat hubungan keeratan antar metode. Penelitian ini menggunakan citra satelit Landsat 8 Operational Land
Imager (OLI) tahun 2014 dan tahun 2021 pada bulan Mei. Perbedaan penelitian ini dengan penelitian sebelumnya
adalah akan dilakukan klasifikasi lahan dengan kenaikan suhu permukaan tinggi. Metode Random Forest akan
digunakan untuk proses klasifikasi menggunakan Rstudio. Hasil dari klasifikasi menggunakan Random Forest
selanjutnya dilakukan uji performa metode dengan mencari nilai akurasi dan nilai kappa. Uji performa metode
dilakukan antara hasil klasifikasi metode Random Forest dengan hasil klasifikasi manual yang telah dicari
korelasinya. Selanjutnya dilakukan uji usability untuk mengetahui kegunaan dari penelitian akan dilakukan dengan
menyebarkan kuesioner kepada stakeholder terkait dalam penyusunan tata guna lahan Kota Salatiga yaitu Dinas
Pekerjaan Umum dan Penataan Ruang (DPUPR) Kota Salatiga. Penelitian ini diharapkan dapat berguna sebagai
sumber informasi kepadatan bangunan dan tutupan vegetasi yang berpengaruh pada perubahan suhu permukaan
kota Salatiga. Selanjutnya penelitian ini dapat digunakan sebagai acuan dalam mengambil tindakan yang sesuai
dengan perencanaan tata kota guna mengurangi panas permukaan kota Salatiga.
2. METODOLOGI PENELITIAN
Penelitian ini menggunakan data citra satelit Kota Salatiga yang terdiri dari 23 kelurahan pada tahun 2014 dan
tahun 2021 pada bulan Mei. Bulan Mei dipilih karena tutupan awan pada bulan Mei sangat sedikit sehingga data
dapat diolah secara maksimal. Data yang dipakai adalah citra satelit Landsat 8 OLI (Operational Land Imager),
path/row 120/065, resolusi 30x30m data tersebut diperoleh dari United States Geological Survey (USGS) dengan
alamat web https://earthexplorer.usgs.gov/.
2.1. Tahapan Penelitian
Kerangka kerja penelitian ini ditunjukkan pada Gambar 2 dengan tahapan pelaksanaan sebagai berikut:
1. Pengambilan Data, tahap Pertama adalah pengambilan data citra satelit yang diperoleh dari United States
Geological Survey (USGS) dengan alamat web https://earthexplorer.usgs.gov/. Data yang dipakai adalah citra
satelit Landsat 8 OLI (Operational Land Imager), path/row 120/065, resolusi 30x30m pada tahun 2014 dan
tahun 2021.

DOI: 10.30865/mib.v6i4.4603
2. Pemrosesan Data, tahap kedua adalah pemrosesan data citra satelit Landsat 8 OLI yang terdiri dari 11 band
yang memiliki nama dan panjang gelombang berbeda. Panjang gelombang tiap band berada pada 0.43-12.51.
Pemrosesan data dilakukan dengan melakukan kombinasi band menggunakan software Qgis 2.8.1 untuk
mendapatkan nilai NDVI, NDBI, LST dan Albedo sesuai dengan rumus yang ada.
3. Uji korelasi, tahap ketiga dilakukan pengujian korelasi menggunakan korelasi Pearson pada hasil pengolahan
citra satelit. Hasil pengolahan citra yang dilakukan uji korelasi adalah NDVI, NDBI, Albedo dan LST. Tujuan
proses korelasi ini untuk mengetahui hubungan indeks vegetasi, indeks lahan terbangun, kekuatan pantulan
benda dan suhu permukaan lahan di kota Salatiga.
4. Klasifikasi Data, tahap ini dilakukan klasifikasi secara manual pada hasil NDVI, NDBI, Albedo dan LST tahun
2014 dan tahun 2019 yang berupa angka. Data pengolahan citra satelit diklasifikasikan menjadi 2 kelas tingkat
kenaikan suhu, yaitu kenaikan suhu rendah dan kenaikan suhu tinggi. Klasifikasi dan prediksi dilakukan
menggunakan bahasa pemrograman R dan dilakukan pada tiap kelurahan dengan total sebanyak 23 kelurahan
di Kota Salatiga. Klasifikasi juga dilakukan menggunakan Random Forest dengan data training sebanyak 60%
dan data testing sebanyak 40% dari total 23 kelurahan.
5. Uji Performa Metode, tahap ini dilakukan untuk mengevaluasi performa hasil klasifikasi dan hasil pengolahan
citra satelit yang telah dilakukan. Hasil uji performa akan menghasilkan nilai akurasi (overall accuracy) dan
analisis kappa menggunakan metode pengukuran tertentu seperti matriks kesalahan (confusion matrix)[8].
Nilai akurasi dan kappa yang dihasilkan dapat menunjukkan seberapa maksimal metode pengolahan citra satelit
yang digunakan.
6. Uji Usability, tahap ini dilakukan untuk mengevaluasi kebergunaan hasil penelitian pada stakeholder terkait
dalam hal ini adalah DPUPR Kota Salatiga. Tahap uji usability ini dilakukan dengan cara membagikan
kuesioner kepada pegawai DPUPR Kota Salatiga. Hasil dari tahap ini akan menunjukkan keefektifan hasil
penelitian untuk stakeholder terkait.
Gambar 1. Kerangka Kerja Penelitian

input : data = (value_of_vi), train_data = data training, test_data = data testing, pred = prediction value,
F = features, B = number of tree, f = very small subset of F
Correlation Pearson (data)
Classification Random_Forest (train_data, test_data)
function Random_Forest(train_data, F)
for i = 1 to B do bootsrap_sampling in train_data
end for
end function

DOI: 10.30865/mib.v6i4.4603
function Randomized_Tree_Learn(train_data , F)
return The learned tree
end function
function majority_vote(train_data , test_data)
for i = 1 to f do majority_vote in Randomized_Tree_Learn
end function
calculation of accuracy (pred, test_data)
calculation of kappa (pred, test_data)
calculation of usability (data)
end for
Gambar 1. Pseudocode dari proses korelasi, klasifikasi dan prediksi
2.2. Normalized Difference Vegetation Index (NDVI)
Normalized Difference Vegetation Index atau NDVI adalah sebuah metode yang digunakan untuk mengetahui
kondisi tingkat kehijauan tanaman/tutupan vegetasi di suatu wilayah. NDVI sangat sensitif terhadap adanya
klorofil tanaman, semakin tinggi nilai NDVI maka semakin banyak pula tutupan vegetasi di suatu wilayah
sebaliknya semakin kecil nilai NDVI berarti di wilayah tersebut tutupan vegetasinya sedikit[4][9][10]. NDVI
menunjukkan parameter berupa biomass daun hijau untuk melakukan pembagian vegetasi[11]. Pada penelitian ini
nilai NDVI didapatkan dari perbedaan penyerapan radiasi maksimum di kanal Red (band 4) serta reflektansi
maksimal di kanal Near Infrared (band 5) [12]. Nilai didapatkan dengan persamaan berikut:
(𝑁𝐼𝑅−𝑅𝐸𝐷) 𝑏𝑎𝑛𝑑5−𝑏𝑎𝑛𝑑4
𝑁𝐷𝑉𝐼 = (𝑁𝐼𝑅+𝑅𝐸𝐷) = 𝑏𝑎𝑛𝑑5+𝑏𝑎𝑛𝑑 4 (1)
Di mana:
NDVI= Normalized Diffrerence Vegetation Index (Nilai: -1 < NDVI < 1)
NIR= Near Infrared (Band 5 Landsat 8 OLI/TIRS)
RED= Red (Band 4 Landsat 8 OLI/TIRS)
Tabel 1. Klasifikasi Nilai NDVI
Kelas NDVI Keterangan
1 -1 - -0,03 Non vegetasi
2 -0,03 - 0,15 Vegetasi sangat rendah
3 0,15 - 0,25 Vegetasi rendah
4 0,26 - 0,35 Vegetasi sedang
5 0,36 - 1,00 Vegetasi tinggi
2.3. Normalized Difference Built-up Index (NDBI)
NDBI (Normalized Difference Built-up Index) merupakan indeks untuk menunjukkan kerapatan lahan terbangun
seperti perkotaan atau lahan yang sudah tertutup bangunan [13]. NDBI dipilih karena algoritma ini sangat sensitif
terhadap lahan yang tertutupi bangunan karena tingginya pantulan Shortwave Infrared (SWIR) dibandingkan
dengan lahan Near-Infrared (NIR)[6]. NDBI akan menampakkan nilai yang tinggi pada lahan terbangun dibanding
dengan objek lainnya sehingga dapat memudahkan pemetaan daerah terbangun. NDBI memanfaatkan band SWIR
dan NIR dengan algoritma sebagai berikut [14]:
(𝑆𝑊𝐼𝑅−𝑁𝐼𝑅)
𝑁𝐷𝐵𝐼 = (𝑆𝑊𝐼𝑅+𝑁𝐼𝑅) (2)
Di mana:
NDBI= Normalized Difference Built-up Index
SWIR= Shortwave Infrared (Band 6 Landsat 8 OLI/TIRS)
NIR= Near Infrared (Band 5 Landsat 8 OLI/TIRS)
Tabel 2. Klasifikasi Nilai NDBI
Kelas NDBI Keterangan
1 -1 - 0 Non pemukiman
2 0 - 0,1 Pemukiman jarang
3 0,1 - 0,2 Pemukiman rapat
4 0,2 - 0,3 Pemukiman sangat rapat
2.4. Albedo
Nilai albedo merepresentasikan kekuatan pantulan permukaan benda yang merupakan perbandingan antara radiasi
surya yang dipantulkan dengan radiasi yang datang [7]. Nilai tertinggi albedo dimiliki oleh lahan terbangun berupa
bangunan jika dibandingkan dengan lahan yang memiliki tutupan vegetasi berdaun lebar. Nilai albedo memiliki

DOI: 10.30865/mib.v6i4.4603
rentang antara 0 sampai 1 bervariasi berdasarkan tutupan lahan [3]. Nilai albedo akan berbeda-beda seperti aspal
5-15%, batu bata 20-50% dan beton 10-50% yang artinya aspal akan memantulkan kembali 5-15% dari radiasi
matahari ke atmosfer dan selisihnya akan diserap, begitupun dengan beton dan batu bata. Hal ini dapat disimpulkan
tutupan permukaan beton dan batu bata akan lebih dingin daripada aspal. Tutupan warna cat juga sangat
berpengaruh dengan nilai albedo seperti cat hitam akan bernilai 2-15% sedangkan cat putih bernilai 50-90%. Nilai
Albedo diperoleh menggunakan eksplorasi citra Landsat 8 dengan persamaan berikut [15]:
((0.356 ∗ 𝐵1) + (0.13 ∗ 𝐵3) + (0.373 ∗ 𝐵4) + (0.085 ∗ 𝐵5) + (0.072 ∗ 𝐵7) − 0.0018)
𝐴𝑙𝑏𝑒𝑑𝑜 = (3)
1.016
Di mana:
B1= Visible (Band 1 Landsat 8 OLI/TIRS)
B3= Visible (Band 3 Landsat 8 OLI/TIRS)
B4= Red (Band 4 Landsat 8 OLI/TIRS)
B5= Near Infrared (Band 5 Landsat 8 OLI/TIRS)
B7= Shortwave Infrared (Band 7 Landsat 8 OLI/TIRS)
2.5. Land Surface Temperature (LST)
Land Surface Temperatur (LST) merupakan parameter yang memiliki pengaruh pada penelitian perubahan iklim.
LST dapat mengetahui fluks energi gelombang panjang yang kembali ke atmosfer dan sangat tergantung pada
keadaan parameter permukaan lainnya seperti albedo, kelembapan permukaan, kondisi dan tingkat penutupan
vegetasi [4]. Eksplorasi LST dilakukan dengan memproses citra satelit Landsat 8 yang dikoreksi secara geometris
dan selanjutnya dilakukan bebErapa langkah berikut [16]:
1. Menentukan Top of Atmospheric Spectral Radiance (TOA)
Produk Landsat 8 standarnya berupa Digital Numbers (DN) dalam skala yang terukur dan terkalibrasi. Nilai DN
merepresentasikan nilai piksel dari tiap band. Digital numbers citra Landsat diubah menjadi radiasi spektral.
Penentuan radiasi spektral band termal (band 10) pada Landsat 8 didasarkan persamaan (USGS 2018)[5]. Langkah
pertama untuk mencari LST adalah mengkonversikan nilai DN ke TOA dari band 10 ke at-sensor radiasi spektral
menggunakan persamaan (4) [17], [18].
𝐿 𝜆 = 𝑀𝐿 ∗ 𝑄𝑐𝑎𝑙 + 𝐴𝐿 (4)
Di mana:
𝐿𝜆 = TOA spectral radiance (Watts/( m2 * srad * μm))
𝑀𝐿 = Band-specific multiplicative rescaling factor dari metadata citra satelit (RADIANCE_MULT_BAND_10)
𝐴𝐿 = Band-specific additive rescaling factor from dari metadata citra satelit RADIANCE_ADD_BAND_10)
𝑄𝑐𝑎𝑙 = Quantized and calibrated standard product pixel values (DN)
2. Menentukan Brightness Temperature (BT)
Setelah mengkonversi nilai DN menjadi nilai radiansi spectral (TOA), selanjutnya mengkonversi nilai TOA
menjadi suhu kecerahan (BT) menggunakan persamaan (5) [18].
𝐾2
𝐵𝑇 = 𝐾1 − 273.15 (5)
(𝑙𝑛( )+1)
𝐿𝜆
Di mana,
BT = Top of atmosphere brightness temperature (°C)
𝐿𝜆 = TOA spectral radiance (Watts/( m2 * srad * μm))
𝐾1 = 𝐾1 Constant Band 10
𝐾2 = 𝐾2 Constant Band 10
Tabel 3. Metadata Citra Satelit Landsat 8
Variabel Nilai Keterangan
𝐾1 774.8853 Thermal constants, Band
𝐾2 1321.0789 10
3. Menentukan Suhu Permukaan Tanah / Land Surface Temperature (LST)
Tahap selanjutnya untuk menghitung nilai LST adalah melakukang perhitungan NDVI yang selanjutnya digunakan
untuk menghitung proportional vegetation (Pv) dan emisivitas (ԑ). Persamaan (6) digunakan untuk menentukan
proporsional vegetasi dan persamaan (7) digunakan untuk menentukan emisivitas.
(𝑁𝐷𝑉𝐼−𝑁𝐷𝑉𝐼𝑚𝑖𝑛 ) 2
𝑃𝑣 = [(𝑁𝐷𝑉𝐼 ] (6)
𝑚𝑎𝑥 −𝑁𝐷𝑉𝐼)
E = 0.004 ∗ 𝑃𝑣 + 0.986 (7)

Di mana,
Pv = Proportion of Vegetation
DOI: 10.30865/mib.v6i4.4603
NDVI = Nilai DN dari citra NDVI
NDVI min = Nilai DN minimum dari citra NDVI
NDVI max = Nilai DN maksimum dari citra NDVI
E = LSE
LSE merupakan emisivitas rata-rata permukaan bumi yang dihitung dari nilai NDVI. Perhitungan LSE
diperlukan dalam menghitung LST karena merupakan faktor proporsionalitas dengan skala radiasi benda hitam
(Plank’s law) untuk mengukur radiasi yang memiliki kemampuan mentrasmisikan energi panas yang melintasi
permukaan ke atmosfer [19].
Setelah emisivitas rata-rata permukaan bumi diperoleh, nilai suhu permukaan tanah dapat dihitung
berdasarkan persamaan (8).
𝐵𝑇
𝐿𝑆𝑇 = 𝜆 𝐵𝑇 (8)
{1+ [ 𝑐2 ] ln 𝐸}
Di mana,
BT = brightness temperature (°C)
𝜆 = Central Wavelength of emitted radiance
𝑐2= h*c/s = 1.4388*10−2 mK = 14388 𝜇𝑚 K
E = LSE
2.6. Random Forest
Random Forest adalah salah satu algoritma dalam machine learning yang digunakan untuk mengklasifikasikan
data. Algoritma random forest ini menggunakan decision tree atau pohon keputusan untuk melakukan proses
seleksi dalam mengklasifikasikan data [20]. Algoritma ini sangat efektif untuk melakukan klasifikasi dengan data
yang sangat banyak dan dapat digunakan dalam berbagai bidang salah satu contohnya digunakan untuk pengolahan
klasifikasi citra satelit Landsat [21]. Metode Random Forest terdiri dari tiga langkah yang pertama adalah
bootstrap sampling untuk membangun pohon keputusan, selanjutnya pohon keputusan akan melakukan prediksi
secara acak, selanjutnya metode random forest akan memprediksi dengan mengkombinasikan masing-masing
pohon keputusan dengan cara majority vote untuk klasifikasi [22].
Hasil klasifikasi dan prediksi yang didapatkan menggunakan metode Random Forest selanjutnya dilakukan
uji performa klasifikasi dengan mencari nilai akurasi menggunakan Cohen’s Kappa [19]. Tahap awal klasifikasi
dan prediksi dilakukan secara manual pada hasil pengolahan citra satelit dan selanjutnya diolah menggunakan
metode Random Forest. Random Forest merupakan metode ensemble untuk klasifikasi dan regresi penentuan
wilayah gambar dan pembuatan variable dari berbagai model untuk menghitung respon berdasarkan hasil dari
pohon keputusan [21][23]. Setelah dilakukan klasifikasi dan prediksi menggunakan algoritma random forest maka
dilakukan uji performa klasifikasi dengan menggunakan Cohen’s Kappa yang akan menghasilkan nilai akurasi
[24].
𝑧𝑖
∑𝑛
𝑖 =1(ℎ𝑖𝑗 +8)𝛽
𝑍𝑗 = 𝑧𝑖 (9)
∑𝑛
𝑖 =1(ℎ +8)𝛽
𝑖𝑗
Pengujian usability atau pengujian kebergunaan yang dilakukan pada penelitian ini berguna untuk
mengetahui keefektifan hasil penelitian yang akan digunakan stakeholder terkait. Pengujian dilakukan dengan
menyebarkan kuesioner kepada responden, dalam penelitian ini adalah pegawai DPUPR Kota Salatiga. Kuesioner
yang dibagikan berisi kegunaan hasil perhitungan NDVI, NDBI, Albedo, LST dan daftar kelurahan dengan
kenaikan suhu tinggi. Penghitungan hasil kuesioner dilakukan menggunakan rumus berikut [25]:
𝐽𝑢𝑚𝑙𝑎ℎ 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛 𝑥 𝐵𝑜𝑏𝑜𝑡
ℎ𝑎𝑠𝑖𝑙 𝑘𝑢𝑒𝑠𝑖𝑜𝑛𝑒𝑟 = (10)
𝐽𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑟𝑡𝑎𝑛𝑦𝑎𝑎𝑛 𝑥 𝑡𝑜𝑡𝑎𝑙 𝑗𝑢𝑚𝑙𝑎ℎ 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛
Bobot penilaian berada pada skala 1-5 dengan keterangan sebagai berikut :
SS = Sangat Setuju =5
S = Setuju =4
CS = Cukup Setuju =3
TS = Tidak Setuju =2
STS = Sangat Tidak Setuju =1
3. HASIL DAN PEMBAHASAN

Penelitian ini dilakukan untuk menganalisis perubahan suhu permukaan Kota Salatiga dengan menghitung nilai
indeks vegetasi NDVI, NDBI, LST dan Albedo pada tahun 2014 dan tahun 2021. Tahap pertama penelitian
dilakukan dengan melakukan pemotongan citra satelit menggunakan peta format shp yang akan menghasilkan
citra dengan format tif [26]. Citra dipotong sesuai dengan area penelitian yaitu Kota Salatiga yang terdiri dari 23

DOI: 10.30865/mib.v6i4.4603
kelurahan dan merupakan hasil kombinasi band pada tahun 2014 dan tahun 2021 yang selanjutnya dilakukan
eksplorasi. Hasil eksplorasi citra ditampilkan pada Gambar 3, Gambar 4, Gambar 5 dan Gambar 6 yang selanjutnya
dilakukan analisis korelasi untuk mengetahui hubungan keeratan antar indeks.
a) b)
Gambar 3. a) NDVI Kota Salatiga tahun 2014, b) NDVI Kota Salatiga tahun 2021
Gambar 3 merupakan hasil penghitungan NDVI Kota Salatiga tahun 2014 dan tahun 2021 diolah
menggunakan raster calculator pada software Q-gis menggunakan band 4 dan band 5 citra Landsat 8. Hasil
penghitungan NDVI dibagi menjadi 5 kategori yaitu non vegetasi, vegetasi sangat rendah, vegetasi rendah,
vegetasi sedang dan vegetasi tinggi. Hasil eksplorasi nilai NDVI memperlihatkan nilai rata-rata NDVI pada tahun
2014 adalah 0.3048 dan pada tahun 2021 adalah 0.2985 yang berarti bahwa jumlah tutupan vegetasi pada tahun
2014 lebih banyak daripada tahun 2021. Hal ini menunjukkan luasan wilayah bervegetasi tinggi pada Kota Salatiga
semakin berkurang dari tahun 2014 ke tahun 2021.
a) b)
Gambar 4. a) NDBI Kota Salatiga tahun 2014, b) NDBI Kota Salatiga tahun 2021
Eksplorasi NDBI diolah menggunakan raster calculator pada software Q-gis dengan menggunakan band
5 dan band 6 Landsat 8. Hasil nilai NDBI dibagi menjadi 4 kategori yaitu non pemukiman, pemukiman jarang,
pemukiman rapat dan pemukiman sangat rapat. Hasil eksplorasi metode NDBI menghasilkan nilai rata-rata tahun
2014 sebesar -0.1185 sedangkan tahun 2021 sebesar -0.0974 yang berarti nilai NDBI semakin tinggi. Semakin
tingginya nilai NDBI memperlihatkan bahwa jumlah tutupan bangunan di kota Salatiga pada tahun 2021 lebih
banyak daripada tahun 2014. Hal tersebut sejalan dengan hasil eksplorasi NDVI Kota Salatiga yang
memperlihatkan tutupan vegetasi semakin berkurang, beralih fungsi menjadi lahan terbangun seperti terlihat pada

DOI: 10.30865/mib.v6i4.4603
hasil eksplorasi NDBI. Perubahan fungsi lahan juga dipengaruhi oleh peningkattan jumlah penduduk yang
dikemukakan olehh BPS Kota Salatiga [2]. Peningkatan jumlah penduduk tentunya sangat berpengaruh pada
perubahan tutupan lahan kota Salatiga karena semakin banyak lahan yang dibutuhkan untuk untuk tempat tinggal
sehingga kebun atau area pekarangan akan berubah fungsi menjadi perumahan penduduk.
a) b)
Gambar 5. a) LST Kota Salatiga tahun 2014, b) LST Kota Salatiga tahun 2021
Gambar 5 merupakan hasil eksplorasi menggunakan metode Land Surface Temperatur (LST) untuk melihat
perubahan suhu permukaan Kota Salatiga dari tahun 2014 ke tahun 2021. Penghitungan LST dilakukan
menggunakan plugin yang terdapat pada software Q-gis. Tahap pertama dilakukan penghitungan TOA, selanjutnya
dilakukan penghitungan BT dan terakhir dilakukan penghitungan LST. Terlihat bahwa eksplorasi citra satelit tahun
2014 memiliki lebih sedikit kawasan dengan suhu permukaan tinggi dibandingkan dengan eksplorasi citra satelit
tahun 2021. Rata-rata suhu permukaan Kota Salatiga tahun 2014 adalah 29.15℃ sedangkan tahun 2021 sebesar
31.4℃. Nilai LST ini sejalan dengan hasil eksplorasi NDVI dan NDBI yang menunjukkan peningkatan suhu
permukaan karena menurunnya lahan vegetasi dan meningkatnya lahan terbangun suatu wilayah.
a) b)
Gambar 6. a) Nilai Albedo Kota Salatiga tahun 2014, b) Nilai Albedo Kota Salatiga tahun 2021
Eksplorasi nilai albedo dilakukan menggunakan band 1, band 3, band 4, band 5 dan band 7 Landsat 8 yang
selanjutnya diolah menggunakan software Q-gis. Berdasarkan hasil eksplorasi Albedo yang didapatkan, pancaran
radiasi tahun 2021 lebih besar daripada tahun 2014. Perubahan nilai Albedo tersebut dipengaruhi adanya
perubahan tutupan lahan yang semula merupakan lahan bervegetasi tinggi menjadi lahan terbangun.

DOI: 10.30865/mib.v6i4.4603
Pada penelitian ini nilai NDVI, NDBI dan Albedo akan digunakan sebagai validasi dari nilai suhu
permukaan daerah penelitian. Analisis korelasi pearson dilakukan untuk mengetahui hubungan keeratan antar
indeks vegetasi, index lahan terbangun dan suhu permukaan tanah. Gambar 6 merupakan hasil analisis korelasi
Pearson dari nilai NDVI, NDVI, Albedo dan LST.
NDVI NDBI Albedo LST
Cor: -0.979 Cor: -0.609 Cor: -0.923 NDVI
Cor: 0.599 Cor: 0.957 NDBI
Cor: 0.391 Albedo
LST
Gambar 7. Korelasi Pearson NDVI, NDBI, Albedo dan LST

Berdasarkan hasil analisis yang ditunjukkan pada Gambar 7, hubungan keeratan NDVI, NDBI, Albedo dan
LST memiliki hubungan korelasi positif maupun hubungan korelasi negatif. Hasil korelasi terbesar ditunjukkan
antara NDVI dan NDBI dengan korelasi negatif karena memiliki nilai yang saling berbanding terbalik. Semakin
tinggi nilai NDVI atau lahan bervegetasi tinggi maka semakin rendah nilai NDBI atau lahan terbangun. Korelasi
antara LST dengan NDVI dan NDBI juga memiliki nilai yang tingi karena semakin luas lahan terbangun dan
semakin berkurangnya lahan bervegetasi maka suhu permukaan akan semakin naik. Hubungan korelasi dengan
komponen Albedo tidak terlalu signifikan karena Albedo sangat terpengaruh juga dengan faktor-faktor lainnya
seperti jenis tutupan lahan dan warna tutupan lahan.
Prediksi dan klasifikasi manual dilakukan untuk mengklasifikasikan kenaikan suhu permukaan menjadi
dua kelas yaitu wilayah dengan kenaikan suhu rendah dan kenaikan suhu tinggi. Klasifikasi dan prediksi juga
dilakukan dengan menggunakan metode Random Forest dengan menggunakan bahasa pemrograman R. Semakin
banyak data yang digunakan pada tahap klasifikasi dan prediksi menggunakan metode Random Forest, maka
semakin tinggi nilai akurasinya. Nilai rata-rata NDVI, NDBI, Albedo dan LST tahun 2014 dan tahun 2021
dilakukan prediksi sehingga mendapatkan hasil beberapa kelurahan yang memiliki kenaikan suhu permukaan
tinggi yang dapat dilihat pada tabel 4.
Tabel 4. Hasil Prediksi Wilayah dengan Kenaikan Suhu Permukaan Tinggi
Kelurahan Kecamatan Kenaikan Suhu Permukaan
Cebongan Argomulyo 2.79 ℃
Mangunsari Sidomukti 2.49 ℃
Ledok Argomulyo 3.60 ℃
Kutowinangun Kidul Tingkir 2.80 ℃
Gendongan Tingkir 2.11 ℃
Salatiga Sidorejo 2.08 ℃
Kalicacing Sidomukti 1.80 ℃
Selanjutnya dilakukan uji performa metode Random Forest menggunakan confusion matrix. Hasil nilai
akurasi dan nilai Kappa yang didapatkan yaitu sebesar 90% dan 73%. Pengujian usability atau pengujian
kebergunaan yang dilakukan pada penelitian ini berguna untuk mengetahui keefektifan hasil penelitian pada
stakeholder terkait dalam pengambilan kebijakan tata ruang Kota Salatiga. Pengujian dilakukan dengan
menyebarkan kuesioner kepada pegawai DPUPR Kota Salatiga dengan responden sebanyak 7 orang yang terdiri
dari Kepala Bidang, Kepala Subbagian Umum dan Kepegawaian, Staf Analis Perencanaan, Pengadministrasi
Umum, dan 3 staff. Kuesioner yang dibagikan terdiri dari 6 pertanyaan dengan penilaian skala dan 1 pertanyaan

DOI: 10.30865/mib.v6i4.4603
essay mengenai kebijakan tata ruang Kota Salatiga. Hasil perhitungan rekapitulasi kuesioner dapat dilihat pada
tabel 5.
Tabel 5. Hasil Rekapitulasi Kuesioner
No Komponen Penelitian Pilihan Bobot
SS S CS TS STS
1 Dari hasil penelitian, kerapatan vegetasi Kota 2 1 3 1 0 3.57
salatiga mengalami penurunan dari tahun 2014
ke tahun 2021. Apakah hal ini mempengaruhi
dalam pengambilan kebijakan tata guna lahan?
2 Dari hasil penelitian, lahan terbangun/perkotaan 2 3 2 0 0 4.00
pada Kota Salatiga mengalami kenaikan. Apakah
hal ini mempengaruhi dalam pengambilan
kebijakan tata guna lahan?
3 Nilai pantulan permukaan benda berupa 1 3 2 1 0 3.57
bangunan mengalami kenaikan dari tahun 2014
ke tahun 2021. Apakah hal ini mempengaruhi
4 Dari hasil penelitian, suhu permukaan Kota 1 2 2 2 0 3.29
Salatiga mengalami kenaikan dari tahun 2014 ke
tahun 2021. Apakah hal ini mempengaruhi
5 Klasifikasi wilayah dengan kenaikan suhu 1 3 1 2 0 3.43
permukaan mendapatkan 7 kelurahan dengan
kenaikan suhu tinggi yaitu Cebongan,
Mangunsari, Ledok, Kutowinangun Kidul,
Gendongan, Salatiga dan Kalicacing. Apakah hal
ini akan mempengaruhi kebijakan tata guna
lahan kelurahan tersebut?
6 Apakah penelitian ini membantu dalam 1 4 2 0 0 3.86
pengambilan kebijakan tata guna lahan?
Jumlah 3.62
Berdasarkan perhitungan pada tabel 5 nilai kebergunaan penelitian ini untuk pengambilan kebijakan tata
guna lahan adalah 3.62 yang berarti penelitian ini masuk dalam kriteria “cukup berguna”. Pada kuesioner yang
disebarkan juga disertakan pertanyaan tambahan yaitu “Dalam menyusun kebijakan tata guna lahan, hal apa saja
yang menjadi pertimbangan pengambilan kebijakan?”. Hasil dari pertanyaan yang diajukan menghasilkan
beberapa faktor yang mempengaruhi pengambilan kebijakan tata kota meliputi ketentuan pola ruang, kondisi
eksisting kawasan, regulasi, suhu permukaan lahan, kondisi/ sinergitas antar stakeholder, perubahan lahan,
peraturan perundangan, perekonomian, pemerataan fungsi lahan yang baik untuk menjaga sumber daya alam agar
tidak rusak dan tercemar. Grafik tingkat kebergunaan penelitian ini untuk pengambilan kebijakan tata guna lahan
pada DPUPR Kota Salatiga dapat dilihat pada Gambar 8.
Gambar 8. Grafik Tingkat Kebergunaan

Menurut panduan internasional tentang perencanaan kota dan wilayah, dalam membuat kebijakan tata kota
dan wilayah harus mempertimbangkan tiga aspek utama yaitu pembangunan sosial, pertumbuhan ekonomi yang
berlanjut dan lingkungan hidup [27]. Hasil dari penelitian ini mencakup perubahan lahan vegetasi, lahan

DOI: 10.30865/mib.v6i4.4603
terbangun, pantulan permukaan benda dan perubahan suhu permukaan yang berkaitan dengan lingkungan hidup.
Pada pengambilan kebijakan tata kota dan wilayah, penurunan lahan vegetasi (NDVI) menjadi pertimbangan untuk
mengidentifikasi, merevitalisasi, melindungi dan menghasilkan ruang hijau publik berkualitas tinggi yang
diharapkan dapat menghindari terbentuknya kawasan panas (heat islands) pada kota, melindungi keanekaragaman
hayati, lahan basah untuk resapan dan penampungan air hujan. Peningkatan lahan terbangun (NDBI) menjadi
pertimbangan untuk mendorong pembangunan dan penambahan bangunan hijau, mengidentifikasi dan menilai
lingkungan terbangun yang mengalami kerusakan guna dilakukan revitalisasi, mengambil manfaat dari asset yang
ada dan memperkuat identitas sosial. Peningkatan pantulan permukaan benda (Albedo) menjadi pertimbangan
dalam merancang jalan raya, bangunan hijau yang selanjutnya diharapkan dapat mempergiat berjalan kaki dan
penanaman pohon untuk keteduhan dan penyerapan karbon dioksida. Peningkatan suhu permukaan (LST) menjadi
pertimbangan dalam kerangka mitigasi dan adaptasi dalam menanggapi perubahan iklim.
4. KESIMPULAN
Berdasarkan hasil eksplorasi dan pembahasan yang telah dilakukan dapat ditarik beberapa kesimpulan pada
penelitian ini. Hasil eksplorasi tahun 2014 ke tahun 2021 menunjukkan bahwa nilai NDVI mengalami penurunan
luas wilayah tutupan vegetasi, nilai NDBI menunjukkan peningkatan luas wilayah terbangun, nilai LST
menunjukkan terjadinya peningkatan suhu permukaan dan nilai Albedo menunjukaan adanya peningkatan sebaran
pancaran radiasi pada Kota Salatiga. Hasil klasifikasi dan prediksi yang dilakukan menggunakan metode Random
Forest memiliki hasil cukup akurat dengan nilai akurasi sebesar 90% dan nilai Kappa sebesar 73%. Klasifikasi
wilayah dengan kenaikan suhu permukaan tinggi terdapat pada 7 kelurahan yaitu Cebongan, Mangunsari, Ledok,
Kutowinangun Kidul, Gendongan, Salatiga dan Kalicacing. Uji usability pada penelitian ini melibatkan 7 pegawai
DPUPR Kota Salatiga yang berisi 7 pertanyaan yang menghasilkan nilai kebergunaan sebesar 3,62 dengan kriteria
“cukup berguna”. Hasil ini menunjukkan bahwa penelitian ini telah sesuai dengan tujuannya yaitu agar dapat
digunakan sebagai salah satu acuan dalam pengambilan kebijakan tata Kota Salatiga. Penelitian ini merupakan
salah satu acuan karena terdapat banyak pertimbangan dalam mengambil kebijakan tata kota antara lain ketentuan
pola ruang, kondisi eksisting kawasan, regulasi, kondisi/ sinergitas antar stakeholder, peraturan perundangan,
perekonomian, pemerataan fungsi lahan.
REFERENCES
[1] P. K. Salatiga, “Selayang Pandang Kota Salatiga,” 2019.
[2] BPS Salatiga, “Tabel Dinamis,” https://salatigakota.bps.go.id/site/pilihdata.html , 2022.
[3] W. Ningrum and I. Narulita, “Deteksi Perubahan Suhu Permukaan Menggunakan Data Satelit Landsat Multi-Waktu Studi
Kasus Cekungan Bandung,” Jurnal Teknologi Lingkungan, vol. 19, no. 2, p. 145, 2018, doi: 10.29122/jtl.v19i2.2250.
[4] S. Nugroho, A. Wijaya, and A. Sukmono, “Analisis Pengaruh Perubahan Vegetasi Terhadap Suhu Permukaan Di Wilayah
Kabupaten Semarang Menggunakan Metode Penginderaan Jauh,” Jurnal Geodesi Undip, vol. 5, no. 1, pp. 253–263, 2016.
[5] D. Kosasih, I. Nasihin, and E. R. Zulkarnain, “Deteksi Kerapatan Vegetasi dan Suhu Permukaan Tanah Menggunakan
Citra Landsat 8 (Studi Kasus : Stasiun Penelitian Pasir Batang Taman Nasional Gunung Ciremai,” Konservasi untuk
Kesejahteraan Masyarakat, vol. 1, pp. 162–173, 2019.
[6] M. N. Handayani, B. Sasmito, and A. Putra, “ANALISIS HUBUNGAN ANTARA PERUBAHAN SUHU DENGAN
INDEKS KAWASAN TERBANGUN MENGGUNAKAN CITRA LANDSAT (STUDI KASUS : KOTA
SURAKARTA) Mutiah,” Jurnal Geodesi Undip, vol. 2, no. Sistem Informasi Geografis, pp. 240–252, 2017.
[7] H. A. Effat and O. A. K. Hassan, “Change detection of urban heat islands and some related parameters using multi-
temporal Landsat images; a case study for Cairo city, Egypt,” Urban Climate, vol. 10, no. P1, pp. 171–188, 2014, doi:
10.1016/j.uclim.2014.10.011.
[8] G. M. Foody, “Status of land cover classification accuracy assessment,” Remote Sensing of Environment, vol. 80, no. 1,
pp. 185–201, 2002, doi: https://doi.org/10.1016/S0034-4257(01)00295-4.
[9] D. R. Amliana, Y. Prasetyo, and A. Sukmono, “ANALISIS PERBANDINGAN NILAI NDVI LANDSAT 7 DAN
LANDSAT 8 PADA KELAS TUTUPAN LAHAN (Studi Kasus : Kota Semarang, Jawa tengah),” 2016.
[10] F. S. Wirandha, Marwan, and Nizamuddin, “Klasifikasi Penggunaan Lahan Menggunakan Citra Satelit Spot-6 di
Kabupaten Aceh Barat Daya Dan Aceh Besar,” Seminar Nasional dan Expo Teknik Elektro 2015, 2015, Accessed: Jun.
08, 2022. [Online]. Available: http://snete.unsyiah.ac.id/2015/prosiding/Naskah%2018.pdf
[11] R. Yudistira, A. Meha, and S. Prasetyo, “Perubahan Konversi Lahan Menggunakan NDVI, EVI, SAVI dan PCA pada
Citra Landsat 8 (Studi Kasus : Kota Salatiga),” Indonesian Journal of Computing and Modeling, vol. 2, no. 1, Jun. 2019,
[Online]. Available: https://ejournal.uksw.edu/icm/article/view/2537
[12] R. M. S. P. A. Balqis Nailufar1*, “ANALISIS PERUBAHAN INDEKS KERAPATAN VEGETASI DENGAN METODE
ANALISIS NORMALIZED DIFFERENCE VEGETATION INDEX (NDVI) DI KOTA BATU BERBASIS SISTEM
INFORMASI GEOGRAFIS (GIS) DAN PENGINDRAAN JAUH.,” MINTAKAT Jurnal Arsitektur, vol. 19, pp. 59–67,
Sep. 2018.
[13] Y. Zha, J. Gao, and S. Ni, “Use of normalized difference built-up index in automatically mapping urban areas from TM
imagery,” , vol. 24, pp. 583–594, 2003, doi: 10.1080/01431160210144570.
[14] J. R. H. D. F. T. Syahputra A, “Perbandingan Indeks Lahan Terbangun NDBI dan Land Surface Temperature Dalam
Memetakan Kepadatan Bangunan di Kota Medan,” Journal of Science, Technology, and Virtual Science, vol. 1, pp. 16–
22, Jul. 2021.

DOI: 10.30865/mib.v6i4.4603
[15] R. B. Smith, “The heat budget of the earth’s surface deduced from space,” 2010.
[16] I. L. M. Zahir, “Application of Geo-informatics Technology to Access the Surface Temperature Using LANDSAT 8
OLI/TIRS Satellite Data: A Case Study in Ampara District in Sri Lanka,” 2020, doi: 10.20944/preprints202009.0289.v1.
[17] F. Wang, Z. Qin, C. Song, L. Tu, A. Karnieli, and S. Zhao, “An Improved Mono-Window Algorithm for Land Surface
Temperature Retrieval from Landsat 8 Thermal Infrared Sensor Data,” Remote Sensing, vol. 7, no. 4, pp. 4268–4289,
2015, doi: 10.3390/rs70404268.
[18] R. Zhibin, Z. Haifeng, H. Xingyuan, Z. Dan, and Y. Xingyang, “Estimation of the Relationship Between Urban Vegetation
Configuration and Land Surface Temperature with Remote Sensing,” Journal of the Indian Society of Remote Sensing,
vol. 43, no. 1, pp. 89–100, 2015, doi: 10.1007/s12524-014-0373-9.
[19] U. Avdan and G. Jovanovska, “Algorithm for Automated Mapping of Land Surface Temperature Using LANDSAT 8
Satellite Data,” Journal of Sensors, vol. 2016, p. 1480307, 2016, doi: 10.1155/2016/1480307.
[20] T. K. Ho, “Random decision forests,” in Proceedings of 3rd International Conference on Document Analysis and
Recognition, 1995, vol. 1, pp. 278–282 vol.1. doi: 10.1109/ICDAR.1995.598994.
[21] N. Horning, “Random Forests : An algorithm for image classification and generation of continuous fields data sets,” 2010.
[22] A. Primajaya and B. N. Sari, “Random Forest Algorithm for Prediction of Precipitation,” Indonesian Journal of Artificial
Intelligence and Data Mining (IJAIDM), vol. 1, no. 1, pp. 27–31, 2018.
[23] Y. Christianto, S. Prasetyo, and K. Hartomo, “Analisis Data Citra Landsat 8 OLI Sebagai Indeks Prediksi Kekeringan
Menggunakan Machine Learning di Wilayah Kabupaten Boyolali dan Purworejo,” Indonesian Journal of Computing and
Modeling, vol. 2, no. 2, Dec. 2019, [Online]. Available: https://ejournal.uksw.edu/icm/article/view/2954
[24] S. Y. J. Prasetyo, K. D. Hartomo, M. C. Paseleng, D. W. Chandra, and E. Winarko, “Satellite imagery and machine
learning for aridity disaster classification using vegetation indices,” Bulletin of Electrical Engineering and Informatics,
vol. 9, no. 3, pp. 1149–1158, Jun. 2020, doi: 10.11591/eei.v9i3.1916.
[25] M. Sholikhan, S. Prasetyo, and K. Hartomo, “Pemetaan Lokasi UMKM Kaligrafi Kabupaten Kudus dengan Metode
Location Based Service sebagai Media Promosi Berbasis WebGIS,” Indonesian Journal of Computing and Modeling, vol.
2, no. 1, Jun. 2019, [Online]. Available: https://ejournal.uksw.edu/icm/article/view/2535
[26] M. P. Prayoga, “Analisis Spasial Tingkat Kekeringan Wilayah Berbasis Penginderaan Jauh dan Sistem Informasi
Geografis”, Accessed: Jun. 04, 2022. [Online]. Available: https://repository.its.ac.id/44527/1/3513100067-
Undergraduate_Theses.pdf
[27] United Nations Human Settlements Programme (UNHabitat), “Panduan lnternasional tentang Perencanaan Kota dan
Wilayah,” 2015. [Online]. Available: www.unhabitat.org


Penerapan Algoritma Random Forest Dalam Menganalisa Perubahan Suhu Permukaan Wilayah Kota Salatiga

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Penerapan Algoritma Random Forest Dalam Menganalisa Perubahan Suhu Permukaan Wilayah Kota Salatiga

Diunggah oleh

Hak Cipta:

Format Tersedia

JURNAL MEDIA INFORMATIKA BUDIDARMA

Volume 6, Nomor 4, Oktober 2022, Page 2074-2085

Penerapan Algoritma Random Forest dalam Menganalisa Perubahan

Triloka Mahesti, Copyright © 2022, MIB, Page 2074

Triloka Mahesti, Copyright © 2022, MIB, Page 2075

Gambar 1. Kerangka Kerja Penelitian

Triloka Mahesti, Copyright © 2022, MIB, Page 2076

Triloka Mahesti, Copyright © 2022, MIB, Page 2077

E = 0.004 ∗ 𝑃𝑣 + 0.986 (7)

3. HASIL DAN PEMBAHASAN

Triloka Mahesti, Copyright © 2022, MIB, Page 2079

Triloka Mahesti, Copyright © 2022, MIB, Page 2080

Triloka Mahesti, Copyright © 2022, MIB, Page 2081

Cor: 0.599 Cor: 0.957 NDBI

Cor: 0.391 Albedo

Gambar 7. Korelasi Pearson NDVI, NDBI, Albedo dan LST

Triloka Mahesti, Copyright © 2022, MIB, Page 2082

Gambar 8. Grafik Tingkat Kebergunaan

Triloka Mahesti, Copyright © 2022, MIB, Page 2083

Triloka Mahesti, Copyright © 2022, MIB, Page 2084

Triloka Mahesti, Copyright © 2022, MIB, Page 2085

Anda mungkin juga menyukai