ANALISIS DATA PENGINDERAAN JAUH UNTUK ESTIMASI PRODUKSI POHON

DI DAERAH WADUK SERMO, KABUPATEN KULON PROGO MENGGUNAKAN

CITRA LANDSAT 7TM+

Angga Setiawan1) dan Ade Intan Pitaloka1)

1)
Program Studi Kartografi dan Penginderaan Jauh, Jurusan Sains Informasi Geografi

Fakultas Geografi Universitas Gadjah Mada

Email: angga.setyawan@mail.ugm.ac.id

Abstrak

Penginderaan jauh merupakan salah satu sumber data yang bisa digunakan untuk melakukan
penelitian ini karena sifaatnya yang murah dan efisien untuk melakukan estimasi produksi pohon di suatu
daerah seperti Wduk Sermo, Kabupaten Kulon Progo. Data penelitian diperoleh dari citra Landsat
7ETM+ dengan resolusi 30m. Estimasi produksi pohon dilakukan menggunakan analisis korelasi regresi
dari beberapa parameter pohon-pohon yang dijadikan sampel yang didapatkan dari hasil transformasi
citra. Parameter yang digunakan pada penelitian ini ialah keliling pbatang pohon, tinggi pohon pada
cabang pertama. Besarnya angka dari parameter yang digunakan didapatkan dari hasil pengukuran di
lapangan berdasarkan sampel yang sudah ditentukan. Transformasi indeks vegetasi yang digunakan
merupakan transformasi NDVI yaitu transformasi untuk mengetahui kerapatan vegetasi dengan
menggunakan band 4 (Pantulan vegetasi paling tinggi) dan band 3 (Pantulan vegetasi paling rendah).
Pengukuran lapangan pada penelitian ini dengan mencari keliling pohon dan tinggi cabang pertama, nilai-
nilai tersebut digunakan untuk menentukan volume pohon. Metode yang digunakan dalam penelitian ini
merupakan metode analisis regeresi yaitu dengan mencari korelasi terbaik antara nilai NDVI citra dengan
volume rata-rata pohon per pixel. Hasil menunjukkan bahwa variabel yang memiliki nilai korelasi
terbesar adalah indeks vegetasi NDVI dengan nilai R2 0,6328, dan persamaannya adalah y = 1,2988 log x
+ 1,5337. Dengan nilai hasil regresi tersebut, maka persamaan algoritma tersebut dapat digunakan
persamaan pemrosesan citra, karena dilihat dari nilai korelasinya yaitu 0,6 yang menunjukkan bahwa
variable-variabel yang digunakan mempunyai korelasi yang searah sehingga persamaan tersebut dapat
digunakan untuk pemrosesan citra untuk menentukan estimasi volume pohon di Daerah Waduk Sermo.

Kata kunci: Penginderaan jauh, produksi pohon, NDVI regresi, citra Landsat 7ETM+
1. Pendahuluan
Pemanasan global merupakan salah
satu isu di dunia saat ini. Masalah
pemanasan global telah banyak
diperbincangkan oleh berbagai kalangan
dari berbagai instasi, selain itu,
permasalahan tersebut sampai saat ini
masih terus dikaji untuk menemukan
solusinya. Salah satu sumberdaya aam
yang dapat digunakan untuk mengurangi
pemanasan global. Hutan sebagai sumber
daya alam yang dapat diperbaharui
walaupun membutuhkan waktu yang
sangat panjang untuk mengembalikan
hutan pada keadaan semula. Oleh karena
itu perlu dijaga dan dikelola dengan arif
dan bijaksana. Awalnya, pemanfaatan
sumberdaya hutan hanya dilihat dari segi
hasil kayunya saja. Seiring dengan
perkembangan zaman, saat ini hutan
bukan hanya sebagai penghasil kayu
namun juga sebagai penghasil jasa
lingkungan. Fungsi hutan sebagai
penghasil jasa lingkungan sangatlah
berpotensi dalam mengurangi karbon-
dioksida di atmosfer yang menyebabkan
efek rumah kaca sehingga pemanasan
global dapat berkurang.
Hutan yang notabene terdiri dari
berbagai tutupan vegetasi yang berupa
pohon sangat dibutuhkan keberadaannya.
Kontributor terbesar pemanasan global
saat ini adalah karbon dioksida (CO2) dan
metana (CH4) yang dihasilkan pertanian
dan peternakan (terutama dari sistem
pencernaan hewan hewan ternak),
Nitrogen Oksida (NO) dari pupuk, dan
gas-gas yang digunakan untuk kulkas dan
pendingin ruangan (CFC). Rusaknya
hutan-hutan yang seharusnya berfungsi
sebagai penyimpan CO2 juga makin
memperparah keadaan ini karena pohon-
pohon yang mati akan melepaskan CO2
yang tersimpan di dalam jaringannya ke
atmosfer.
Penelitian ini dilakukan untuk
mengestimasi produksi pohon dalam
suatu luasan area tertentu. Estimasi
produksi pohon dilakukan dengan
memanfaatkan informasi citra penginderan
jauh. Citra penginderaan jauh dianggap
sebagai salah satu cara untuk melakukan
etimasi secara cepat, efisien dan biaya
murah. Dengan adanya pengestimasian
produksi pohon dalam suatu luasan, dta
yang diperoleh dapat dimanfaatkan untuk
berbagai kegiatan analisis lainnya.
Produksi pohon saat ini semakin
menurun akibatnya pemanasan global
semakin meningkat. Estimasi produksi
pohon ini merupakan salah satu cara yang
cepat dan efisien digunakan untuk
melakukan kebijakan-kebijakan yang
perlu dilakukan seperti penghijauan
kembli, atau untuk membuat ruang terbua
hijau agar keseimbangan lingkungan tetap
terjaga. Selain itu, data-data hasil
pengukuran dapat dikembangkan lagi
untuk melakukan estimasi stok karbon,
biomassa, volume getah dan lain
sebagainya. Maka penelitian ini dirasa
penting untuk dilakukan guna membantu
dalam mengumpulkan data ataupun
membuat kebijakan berkelanjutan.
1. Tinjauan Pustaka
Penginderaan Jauh adalah ilmu
pengetahuan dan seni yang berupa
pengambilan informasi tentang suatu
objek, area atau fenomena melalui analisis
data yang didapat dengan perangkat
dengan tidak melakukan kontak langsung
pada objek, area atau fenomena yang
diamati. Mata kita berperan sebagai sensor
yang merespon cahaya yang dipantulkan.
”data” yang ditangkap oleh mata tangkap
merupakan impuls yang sesuai dengan
jumlah cahaya yang terpantulkan dari
terang dan gelapnya suatu objek. Dalam
berbagai hal, penginderaan jauh bisa
dianggap sebagai proses membaca.
Dengan mengguanakan berbagai sensor,
kita sedikit-sedikit mengumpulkan data
yang bisa teranalisis untuk memperoleh
informasi tentang objek, area atau
fenomena yang diamati. (Lilesand &
Kiefer,1999). Citra yang digunakan
merupakan Landsat 7 ETM+. Pada
dasarnya citra Landsat dari semua generasi
mempunyai 4 sensor, yaitu RBV (Return
Beam Vidicon), MSS (Multispectral
Scanner), TM (Thematic Mapper), dan
ETM (Enhanced Thematic Mapper).
Sensor RBV, dari beberapa generasi
Landsat, pada Landsat-1 dan 2,
multispektral RBV mempunyai resolusi 80
m, sementara pada Landsat-3, RBV
menggunakan band Pankromatik dan
resolusi 40m. Dilihat pada julat
gelombangnya, sensor pada saluran 1 peka
terhadap gelombang hijau (0,475–
0,575µm), saluran 2 peka terhadap
gelombang merah (0,580–0,680µm), dan
saluran 3 peka terhadap gelombang
inframerah (0,690–0,890µm). Sensor MSS
merupakan sensor yang berupa alat
scanning yang merekam kenampakan
bumi dengan cara menyiami permukaan
bumi dalam jalur-jalur (baris). Pada
saluran ini menggunakan julat gelombang
dengan beberapa saluran. Saluran 4
gelombang hijau (0,5–0,6µm), saluran 5
gelombang merah (0,6–0,7µm), Saluran 6
gelombang inframerah dekat (0,7–0,8µm),
saluran 7 gelombang inframerah dekat
(0,8–1,1µm). Sedangkan pada saluran 1
sampai 3 digunakan oleh sesnsor RBV.
Sensor TM (Thematic Mapper),
merupakan sensor yang dapat
menghasilkan citra yang mempunyai
kemampuan untuk menghasilkan citra
multispektral dengan resolusi spasial,
spektral dan radiometrik yang lebih tinggi
daripada sensor MSS. Julat panjang
gelombang yang digunakan dalam sensor
ini antara 0,45 sampai 2,35µm. Band biru
sampai merah 0,45 sampai 0,69µm, band
inframerah dekat (0,76– 0,90µm), band
inframerah tengah (1,55–1,75µm), band
inframerah thermal (10,40 – 12,50µm),
dan inframerah tengah (2,08 – 2,35µm).
Sensor ETM (Enhanced Thematic
Mapper), merupakan sensor yang dibuat
untuk menggantikan sensor TM. Sensor
ini didesain untuk merekam permukaan
bumi menggunakan 8 saluran, yaitu 7
saluran (band 1-5,7-8) merekam pantulan
dan satu saluran (band 6) merekam
pancaran (emisi/ suhu) obyek permukaan
bumi. Julat panjang gelombang yang
diguanakan dalam sensor ini antara lain
Band biru sampai merah 0,45 sampai
0,69µm, band inframerah dekat (0,78 –
0,90µm), band inframerah tengah (1,55 –
1,75µm), band inframerah thermal (10,40
– 12,50µm), inframerah tengah (2,08 –
2,35µm) dan band pankromatik 0,52 –
0,90µm. Resolusi spasial yang dihasilkan
pada sensor ini yaitu 30 m (band 1-5 dan 7
multispektral); 15 m (band 8 :
 Pankromatik); dan 60 m (band 6:Termal). sehingga nilai radian dapat juga dikatakan
Sedangkan resolusi temporalnya 16 hari. sebagai nilai brightness temperatur.
2. Metodologi Penelitian Sedangkan nilai radian ke nilai reflektan
2.1 Alat digunakan untuk mengetahui nilai pixel
1. Laptop/komputer untuk pemroesan yang telah dihilangkan dari pengaruh-
data. pengaruh atmosfer terkait perekaman
2. Softwaere ENVI 4.5, ArcGIS 10.1, kenampakan objek. Koreksi radiometrik
Microsoft Office untuk proses yang terakhir merupakan koreksi untuk
analisis data. mengubah nilai reflektan ke nilai dark
3. Alat untuk lapangan substrat. Pada dasarnya koreksi digunakan
 GPS untuk meng-nolkan nilai kenampakan gelap
 Meteran citra yang sudah terkoreksi sampai
 Kompas reflektan, nilai reflektan kenampakan
 Abney level gelapnya mempunyai nilai pixel minus(-),
 Penggaris sehingga digunakan dark-substrat untuk
 Ceklist pengukuran memperbaiki nilai-nilai tersebut. Setelah
 Kamera koreksi radiometrik selesasi lalu dilakukan
koreksi geometrik yaitu koreksi dimana
3.2 Bahan
Citra Landsat 7 ETM+ daerah kenampakan di citra mempunyai koordinat
yang sama seperti di permukaan bumi.
Waduk Sermo, Kabupaten Kulon
Progo tahun 2002.
2. Pemotongan Citra
3.1 Pemrosesan Data Pemotongan citra dilakukan
berdasarkan daerah kajian agar pemrosesan
1. Koreksi Radiometrik dan
data dan analisisnya lebih efektif karena
Koreki Geometrik
terfokusan pada daerah kajian.
Sebelum melakukan klasifikasi
3. Transformasi Indeks Vegetasi
multipektral dilakukan koreksi radiometrik
Transfommasi indeks vegetasi yang
dan geometrik. Koreksi radiometrik
digunakan adalah Normalized Difference
dilakukan terlebih dahulu karena jika
Vegetation Index (NDVI). Indeks vegetasi
dilakukan koreksi geometrik dterlebih
NDVI merupakan algoritma perban-dingan
dahulu dimungkinkan akan terjdi pergeseran
antara (Band 4 - Band 3) dengan (Band 4 +
lokasi tiap pixel yang akan mempengaruhi
Band 3) (Rouse et.al, 1974 dalam Budi,
nilai pixel asli tiap kenampakan pada citra.
2000).
Tahapan koreksi radiometrik yang
4. Pengambilan Sampel
dilakukan yaitu dari digital number ke
radian, radian ke reflektan, reflektan ke dark
substrat. Pada koreksi radiometric yang
pertama (radian) dilakukan untuk
mengetahui nilai emisivitas/ energi
pancaran dari suatu kenampakan citra,

Gambar 3.a. Peta sebaran sampel.
Lokasi sampel ditentukan berdasarkan
metode clustered sampling. Total sampel
yang diambil adalah 15 sampel dimana ke
semua sampel merupakan sampel yang
merepresentasikan populasi pohon di
dalamnya.
5. Kegiatan di Lapangan
Kegiatan di lapangan merupakan kegiatan
pengukuran diameter pohon dan tinggi breast
of height (ketinggian pohon pada cabang
pertama). Pengukuran ini dilakukan pada
lokasi koordinat yang telah ditentukan pada
saat pra lapangan, sehingga terdapat 15 lokasi
yang menyebar di sekitar Waduk Sermo yang
harus didatangi untuk diukur diameter dan
tinggi cabang pertamanya pohon-pohon yang
terdapat pada satu pixel citra.. Resolusi
spasial citra Landsat merupakan 30 x 30
meter, sehingga untuk meghindari distorsi
maka pengukuran dilakukan dengan jarak 45
meter x 45 meter di lapangan. Satu sampel
pixel dilakukan pengukuran diameter dan
tinggi pohon secara diagonal, untuk
menghemat waktu karena banyaknya pohon
yang diambil secara diagonal sudah dapat
merepresentasikan data-data diameter dan
ketinggian cabang pada seluruh pohon yang
terdapat pada satu sampel.
6. Analisis Data
Kegiatan ini dengan dilakukan
mengukur berat volume tiap pixel dari rata-
rata data ketinggian cabang pertama pohon
dan data diameter pohon. Sehingga dapat
diketahui nilai volume berat pohon dari
tiap-tiap sampel tersebut. Dari volume berat
pohon tiap piksel tersebut dihubungkan
dengan nilai NDVI pada setiap sampel
dengan metode regresei. Metode ini intinya,
jika kedua variable dihubungkan maka akan
menghasilkan nilai yang mendekati angka 1,
jika dihasilkan angka >0,5 maka kedua
variable regresi mempunyai hubungan, dan
dapat diproses selanjutnya tanpa
mengulangi proses pengambilan sampel.
Berdasarkan hasil regresi tersebut dapat
ditentukan nilai produksi kayu pada seluruh
pixel dengan saran 15 sampel tesebut.
Sehingga dapat terklasifikasi-kan volume
kayu/m3. Dari hasil klasifikasi produksi
volume kayu tersebut dengan transformasi
indeks vegetasi NDVI digunakan sebagai
hasil output peta peneltian ini.
4. Hasil dan Pembahasan
Pengukuran produki pohon pada
daerah Waduk Sermo dapat dilakukan
dengan metode regresi, yaitu metode
menghubungkan dua varibel untuk
mengetahui kuat rendahnya hubungan
antar variabel teresebut. Dua variabe
tersebut yaitu nilai pixel dari transformasi
NDVI dengan berat volume rata-rata
pohon. Volume pohon dibuat dengan
menggunakan pengukuran lapangan yaitu
diagonal dari piksel yang digunakan
sebagai titik sampel dengan ukuran
45mx45m untuk menghindari pergeseran
karena akurasi pada plotting GPS yang
sebelumnya sudah ditentukan sampelnya
pada pra-lapangan . Transformasi indeks
vegetasi yang digunakan merupakan
NDVI berfungsi untuk merepresentasikan
fenomena vegetasi berdasarkan
kerapatannya. Transformasi ini
menggunakan band 4 dan band 3, band 4
merupakan band yang mempunyai
pantulan yang paling tinggi terhadap
vegetasi, sedangkan band 3 mempunyai
pantulan spectral paling rendah, sehingga
transformasi ini baik digunakan untuk
mempresentasikan kerapatan vegetasi
pada suatu citra.
Citra yang digunakan adalah citra
Landsat 7 ETM+ tahun 2002, alasan
mengapa menggunakan citra tersebut
karena sensor Landsat 7 sejak tahun 2003
sensornya mengalami kerusakan, sehingga
jika menggunakan citra tersebut
kenampakannya akan banyak kenampakan
yang kosong karena watu perekaman
sensor tidak semua kenampakan bisa
direkam. Sedangkan jika menggunakan
Landsat 8, banyak algoritma yang berbeda
secara umum. Algoritma tersebut belum
tentu benar untuk pemrosesan citra,
sehingga untuk berjaga-jaga, kami tidak
menggunakan citra Landsat 8. Koreksi
dalam citra meliputi radiometrik (termasuk
atmosferik) dan geometrik. Koreksi
radiometric ini diperlukan untuk
memperbaiki kualtitas visual citra dan
juga memperbaiki nilai piksel yang drop
out. Sedangkan untuk koreksi geomtrik
dibutuhkan karena untuk uji akurasi dan
menyamakan posisi sesuai dengan
keadaan yang sebenarnya. Dari nilai
regresi NDVI dan volume berat pohon
dihasilkan nilai 0,6328. Sehingga nilai
tersebut dapat digunakan untuk
pemrosesan lebih lnjut, minimsl ysng
digunkan 0,5 semakin mendekati 1 akan
lebih baik dlam metode regresi ini.
Perolehan data lapangan dilakukan untuk
mendapatkan data volume pohon dengan
cara mengukur keliling dan ketinggian
pohon. Dalam melakukan pengukuran
menggunakan busur yang telah dilengkapi
dengan unting unting. Untuk mengukur
keliling pohon digunaka metode
pengukuran setinggi dada, yaitu sekitar
1,33 m diatas tanah. Untuk pengukuran
tinggi pohon, Pengukuran dilakukan
mengukur sudut dan membidik pada
cabang pertama dari sebuah pohon. Dari
sudut tersebut dapat diketahui ketinggian
dari suatu pohon. Ketinggian dan keliling
dari pohon tersebut dapat dijadikan
sumber dalam mancari volume pohon.
Data tersebut diukur pada pohon yang
terkena garis transek. Nilai korelasi yang
dihasilkan hampir kurang dari 0.5
sehingga korelasi antar variabel tidak kuat.
Hasil ini dipengaruhi oleh penggunaan
citra yang sudah lama. Daerah kajian yang
diamati. Pada kenampakan citra berupa
tanah dan sedikit vegetasi namun dalam
kondisi yang sebenarnya sudah merupakan
hutan. Ditambah lagi dengan kondisi
pengambilan sampel yang tidak ideal dari
kondisi yang seharusnya membuat data
korelasi menjadi tidak valid.
Gambar 4.a. Grafik hasil analisis regresi
 Grafik yang dihasilkan menunjukkan
hasil korelasi antara nilai pixel NDVI
dengan volume rata-rata pohon per pixel.
Pada grafik tersebut menunjukkan bahwa
rata-rata korelasi antar setiap variable
mempunyai korelasi yang searah, tetapi
terdapat beberapa titik variable korelasi
yang tidak searah dengan titik-titik lainnya
atau biasa disebut anomaly dalam regresi.
Hal ini dapat terjadi, karena terlampau
jauhnya citra yang digunakan untuk
prosesing citra dan dengan waktu
pengambilan sampel lapangan pasti ada
pengaruhnya karena adanya perubahan
penggunaan lahan, sehingga akan
mempengaruhi korelasi dari data lapangan
dan nilai sampel di citra.
5. Kesimpulan
Gambar 4.b. Peta Estimasi Produksi
Pohon.
Peta produksi pohon yang dihasilkan,
memperlihatkan waduk terklasifikasi
dalam volume produksi kayu rendah. Hal
ini dikatakan bahwa algoritma persamaan
regresi yang dilakukan mengakibatkan
semua pixel dalam citra terklasifikasi.
Citra yang sudah ditransformasikan ke
dalam indeks vegetasi NDVI memupunyai
rentang -1 sampai 1, nilai mendekati -1
merupakan obyek air dan nilai mendekati
1 merupakan obyek vegetasi yang semakin
tinggi kerapatannya. Dengan demikian
jika ditransformasikan persamaan
algoritma regresi antara nilai NDVI
dengan volume rata-rata pohon pada satu
pixel, maka semua pixel lainnya akan
terklasifikasi dengan dasar persamaan
tersebut.
Kenampakan sekitar waduk
memperlihatkan klaisifikasi kelas yang
sama. Hal ini berarti produksi pohon
mempunyai tingakatan produksi yang
seimbang, dan termasuk dalam kelas yang
tinggi. Selain itu kenampakan produksi
yang sama disekitar waduk sermo dapat
terjadi karena metode cara pengambilan
sampel, yaitu pengambilan sampel saat
lapangan yang cenderung homogen dan
tidak tersebar merata pada hal citra yang
digunakan untuk proses yaitu wilayah
Jawa Tengah sehingga akan
mempengaruhi hasil dari transformasi
hasil produksi yang dibuat.
1. Citra Landsat 7ETM+ dapat digunakan
untuk mengestimasi volume pohon
yang terdapat pada Waduk Sermo
dengan menggunakan pendekatan
indeks vegetasi dengan hasil yang
baik. Hal ini disebabkan oleh
hubungan korelasi indeks vegetasi
dengan volume rata-rata pohon cukup
kuat.
2. Sampel yang kurang merata dapat
menyebabkan hasil output menjadi
kurang akurat.
 3. Penggunaan data citra yang M. McCoy, Roger. 2005. Field Methods in
digunakan harus up to date dengan Remote Sensing. New York: The
jangka waktu yang sempit, karena Guilford Press
semakin lama data yang digunakan
akan bebanding lurus dengan Purnobasuki, Herry; Muryono, Muhmmad dan
perubahan penggunaan lahan. Imiliyana,Aufa. 2012. Estimasi Karbon
4. Perbedaan nilai indeks vegetasi pada
pada Tegakan Pohon Rhizophora stylosa
transformasi NDVI di daerah sekitar di Pantai Camplong, Sampang-Madura.
Waduk Sermo, akan mempengruhi ITS paper 22853-1508100020.
hasil transformasi estimasi volume
pohon sehingga kenampakan hasil
output peta mempunyai klasifikasi
kelas yang sama.

DAFTAR PUSTAKA

Forest Watch Indonesia. 2011. Potret Keadaan

Hutan Indonesia Periode Tahun 2000-
2009 (1 st Ed)

Sutanto. 1986. Penginderaan Jauh Jilid 1.

Yogykart: Gadjah Mada University
Press.

Sutaryo, Dandun. 2009. Perhitungan Biomassa

Sebuah Pengantar untuk Studi Karbon
dan Perdagangan Karbon. Bogor:
Wethlands International Indonesia
Programme.

Pambudi, Anissa; Herumurti,Sigit dan

Zuharnen. 2009. Estimasi Stok Karbon
Hutan dengan Menggunakan Citra
ALOS AVNIR-2 di sebagian Kecamatan
Long Panghai, Kabupaten Kutai Barat.
(jurnal)Yogyakarta: Fakultas Geografi.

Sunarto, Kris. 1997. Interpretasi Citra

Inderaja. Bogor: Badan Koordinasi
Survy dan Pemetaan Nasional.