Bab III BLM Revisi
Bab III BLM Revisi
METODE PENELITIAN
38
Tabel 3. 1 Operasional Variabel
Sub
Variabel Definisi Operasional Indikator Sumber
Variabel
Perubahan jenis tutupan lahan
yang terjadi di kawasan
penelitian. Pertumbuhan Penelitian ini menggunkan
perkotaan memicu perubahan jenis tutupan lahan yang
tutupan lahan yang meliputi lahan terbangun,
mengakibatkan berubahnya pertanian, vegetasi
pula unsur-unsur iklim pada berkanopi, dan badan air. Khomaruddin,
Jenis
pusat kota yang berbeda Beberapa tutupan lahan 2004;
Tutupan
dengan wilayah sekitarnya tersebut dapat Tursilowati,
Lahan
sehingga akan membentuk mempengaruhi suhu 2010;
fenomena pulau panas permukaan lahan. Jenis
perkotaan. Semakin tutupan lahan dijelaskan
meningkatnya lahan terbangun melalui pengukuran dalam
pada suatu wilayah maka satuan hektar (Ha)
kapasitas termal di wilayah
tersebut juga akan meningkat.
NDVI merupakan indeks yang Semakin tinggi nilai indeks
digunakan untuk melihat NDVI maka semakin tinggi
Dinamika mengenai kerapatan vegetasi pula kerapatan vegetasinya
Tutupan pada suatu wilayah. Wilayah dan berlaku pula sebaliknya.
Lahan Indeks dengan kerapatan vegetasi Tingkat kerapatan vegetasi
Fatimah, 2012;
Kerapatan yang tinggi memiliki nilai suhu berpengaruh terhadap
Putra, 2018;
Vegetasi permukaan lahan yang lebih menurunnya suhu
rendah. Hal tersebut berkaitan permukaan lahan. Indeks
dengan sebaran radiasi yang NDVI dijelaskan dalam
diterima pada permukaan tingkatan data dari -0,03 s.d.
lahan. 1.
NDBI merupakan indeks yang
Semakin tinggi nilai indeks
digunakan untuk menunjukkan
NDBI maka semakin tinggi
kerapatan bangunan pada suatu
pula kerapatan bangunan
wilayah. Tingkat kerapatan
pada wilayah tersebut dan
bangunan yang terdapat di
Indeks sebaliknya. Tingkat
pusat kota cenderung tinggi, Sobirin, 2015;
Kerapatan kerapatan bangunan
sehingga vegetasi semakin Nadira, 2019;
Bangunan berpengaruh terhadap
berkurang dan beralih menjadi
kenaikan suhu permukaan
kawasan terbangun. Kawasan
lahan. Indeks NDBI
terbangun akan lebih banyak
dijelaskan melalui tingkatan
menyerap dan memantulkan
data dari -0,01 s.d. 1.
panas dari matahari.
Suhu permukaan lahan
Suhu permukaan lahan
merupakan tolak ukur
cenderung tinggi pada
distribusi sebaran suhu yang
wilayah dengan kerapatan
terdapat pada suatu wilayah.
bangunan yang tinggi pula,
Suhu permukaan lahan dapat
hal ini terjadi pada lahan
Dinamika menunjukkan eksistensi dari Effemdi, 2007;
Suhu terbangun sebuah wilayah.
Urban fenomena UHI. Kenaikan suhu Khusaini, 2008;
Permukaan Sedangkan suhu akan
Heat permukaan lahan dapat terjadi Matthew, et al.,
Lahan menurun pada kawasan
Island akibat beberapa hal. Suhu 2018;
yang memiliki kerapatan
permukaan lahan maksimum
vegetasi yang tinggi. Suhu
berada di pusat kota dan
permukaan lahan dijelaskan
menurun secara berkala pada
dengan ukuran ℃ pada tiap
pedesaan maupun wilayah
satuan luas pengukuran.
pinggiran kota.
Sumber: Penulis, 2022
39
3.4 Kebutuhan Data
Kebutuhan data adalah hal dasar yang dapat mempengaruhi keberlanjutan sebuah
penelitian. Kebutuhan data disusun untuk memudahkan dalam mengelompokkan data yang
dibutuhkan dalam proses penelitian serta menjadi instrumen dalam penelitian. Berikut
merupakan tabel kebutuhan data yang diperlukan dalam penelitian ini.
Teknik
Sub Bentuk
Variabel Data Pengumpulan Tahun Sumber
Variabel Data
Data
Citra Satelit Landsat 5
ETM Tahun 2000; 2000,
Citra https://earthexpl
Jenis Landsat 8 OLI Tahun Sekunder 2010,
Satelit orer.usgs.gov/
Tutupan 2010; Landsat 8 OLI 2021
Lahan Tahun 2021;
Dinamika Koordinat Sample Foto, Observasi
Primer 2021
Tutupan Lapangan Tabel Lapangan
Lahan Indeks 2000,
Citra Satelit Landsat 5 Citra https://earthexpl
Kerapatan Sekunder 2010,
ETM Tahun 2000; Satelit orer.usgs.gov/
Vegetasi 2021
Landsat 8 OLI Tahun
Indeks 2000,
2010; Landsat 8 OLI Citra https://earthexpl
Kerapatan Sekunder 2010,
Tahun 2021; Satelit orer.usgs.gov/
Bangunan 2021
Citra Satelit Landsat 5
Dinamika
Suhu ETM Tahun 2000; 2000,
Urban Citra https://earthexpl
Permukaan Landsat 8 OLI Tahun Sekunder 2010,
Heat Satelit orer.usgs.gov/
Lahan 2010; Landsat 8 OLI 2021
Island
Tahun 2021;
Sumber: Penulis, 2022
40
𝑵
𝒏 =
𝟏 + 𝑵𝒆𝟐
Keterangan:
n = jumlah sampel
N = jumlah populasi
E = persentase kelonggaran/ ketidaktelitian terkait kesalahan pengambilan sampel
yang dapat ditolerir, yaitu (5%)
Sehingga,
439.485 439.485
𝒏= 2
= = 399,63
1 + 439.485 (0,05) 1.099,7125
Berdasarkan perhitungan di atas, didapatkan jumlah sampel yaitu sebesar 399,63, sampel
tersebut akan dibulatkan menjadi 400 sampel. Dari 400 sampel tersebut, pengambilan sampel
dilakukan menggunakan metode stratified random sampling. Metode tersebut digunakan agar
sampel tersebar secara merata pada setiap kelas tutupan lahan. Melalui bantuan perangkat
QGIS, tiap jenis tutupan lahan masing-masing diambil sampelnya. Proporsi jumlah
menyesuaikan dengan banyaknya pixel yang dimiliki tiap jenis tutupan lahan tahun 2021. Pada
400 sampel dipilih, didapatkan 184 sampel lahan terbangun, 163 sampel pertanian, 48 sampel
vegetasi berkanopi dan 5 sampel badan air.
41
sehingga seri data yang terdapat pada Citra Sentinel cukup terbatas, tidak seperti Citra Landsat
yang memiliki seri data yang lebih panjang.
42
Landsat 5 TM tahun 2000 dan citra Landsat 8 OLI tahun 2010 dan tahun 2021. Berikut
merupakan tahapan dalam melakukan analisis perubahan guna lahan:
1) Klasifikasi Citra
Klasifikasi citra merupakan tahapan awal dalam analisis perubahan tutupan lahan.
Klasifikasi citra dilakukan melalui proses menggabungkan beberapa band dalam citra satelit
menjadi satu atau sering disebut dengan composite band. Klasifikasi tutupan lahan dengan
composite band untuk merepresentasikan warna penggunaan lahan yang sebenarnya.
Klasifikasi tutupan lahan perkotaan citra landsat menggunakan paduan composite band yaitu
band 5-4-3 pada Landsat 5 TM dan band 7-6-4 untuk Landsat 8 OLI.
2) Menetapkan Training Set dan Klasifikasi Tutupan Lahan
Proses klasifikasi citra merupakan tahapan awal yang penting dalam penelitian ini.
Klasifikasi citra dalam penelitian ini menggunakan metode klasifikasi terbimbing maximum
likelihood melalui aplikasi QGIS. Metode klasifikasi terbimbing maximum likelihood
merupakan metode yang paling umum dalam klasifikasi data citra penginderaan jauh (Jia, Wu,
Tian, Zeng, & Li, 2011). Metode maximum likelihood mengevaluasi secara kuantitatif citra
penginderaan jauh menggunakan pendekatan kemiripan maksimum antar pixel. Kemudian
untuk melakukan klasifikasi dibutuhkan training set di sejumlah titik di wilayah penelitian.
Training set merupakan arah klasifikasi yang ditetapkan peneliti dalam melakukan klasifikasi
tutupan lahan. Training set terdiri atas titik sample yang digunakan untuk menghasilkan tutupan
lahan berdasarkan unsur interoretasi seperti pola, warna, bentuk, ukuran, bayangan, teksture,
situr, dan asosiasi. Semakin banyak titik training set semakin terarah kelas lahan dalam peta
tutupan lahan yang diinginkan.
3) Uji Ketelitian Hasil Klasifikasi Tutupan Lahan
Hasil klasifikasi terbimbing menghasilkan peta tutupan lahan yang memerlukan uji akurasi
ketelitian. Uji ketelitian ini dilakukan dengan membandingkan data dari hasil klasifikasi peta
dengan kondisi di lapangan. Uji akurasi dilakukan dengan metode Stratified Random Sampling
agar jumlah sampel terdistribusi secara rata dalam setiap kelas tutupan lahan (Wulansari, 2017).
Sehingga akan terdapat sampel yang lokasinya tersebar secara acak yang perlu diuji kelas
penggunaan lahannya agar hasil yang didapatkan dapat dipertanggungjawabkan.
4) Analisis Akurasi Model Peta
Analisis akurasi model peta menggunakan analisis crosstab. Analisis crosstab merupakan
analisis yang digunakan untuk mengetahui perubahan lokasi dan probabilitas data hasil
klasifikasi tutupan lahan menggunakan tabel tabulasi sialng. Analisis ini digunakan untuk
mencari nilai indeks Kappa yang berasal dari nilai validitas tutupan lahan masa lalu dan
eksisting (Sukoamto & Buchori, 2018). Nilai Kappa menjelaskan perbedaan antara kondisi
43
eksisting dengan model tutupan lahan yang dihasilkan, semakin tinggi nilai indeks Kappa maka
semakin baik dan akurat model peta tutupan lahannya (Sejati et al., 2019). Berikut merupakan
perhitugan dan tabel klasifikasi indeks Kappa.
(𝑷𝒐 − 𝑷𝒆)
𝑲𝒂𝒑𝒑𝒂 =
(𝟏 − 𝑷𝒆)
Keterangan:
Po = Nilai akurasi data awal
Pe = Nilai/ estimasi model yang diharapkan
Keterangan:
∆TL = Perubahan luas jenis tutupan lahan (Ha)
TLn = Luas jenis tutupan lahan tahun 2021 (Ha)
TL0 = Luas jenis tutupan lahan tahun 2000 (Ha)
44
mampu memperkuat kontras antara kenampakan vegetasi dan bukan vegetasi, juga menajamkan
kontras antarkelas vegetasi. Tingkat kerapatan vegetasi suatu pada citra landsat dapat
diidentifikasi dari indeks vegetasi atau Normallized Difference Vegetation Index (NDVI).
Metode pengolahan indeks vegetasi tersebut dilakukan dengan menghitung nilai indeks
vegetasi dengan menggunakan rumus sebagai berikut.
𝑵𝑰𝑹 − 𝑹𝒆𝒅
𝑵𝑫𝑽𝑰 =
𝑵𝑰𝑹 + 𝑹𝒆𝒅
Keterangan:
Hasil dari perhitungan ini berupa peta sebaran tingkat kerapatan vegetasi. Kerapatan vegetasi
hasil olahan dari citra landsat memiliki rentang nilai antara -1 sampai dengan +1 yang
menggambarkan tingkat kerapatan vegetasi. Pembagian kelas NDVI dibedakan menjadi 5
kelas. Kelas I merupakan kelas lahan tidak bervegetasi yaitu kelas dengan rentang nilai -1 s.d -
0,03; Kelas II merupakan kelas kehijauan sangat rendah dengan rentang nilai -0,03 s.d 0,15;
Kelas III yaitu kelas kehijauan rendah dengan rentang nilai 0,15 s.d 0,25; Kelas IV yaitu kelas
kehijauan sedang dengan rentang nilai 0,25 s.d 0,35; dan Kelas V yaitu kelas kehijauan tinggi
dengan rentang nilai 0,35 s.d. 1.
𝑺𝑾𝑰𝑹 − 𝑵𝑰𝑹
𝑵𝑫𝑩𝑰 =
𝑺𝑾𝑰𝑹 − 𝑵𝑰𝑹
Keterangan:
45
3.7.4 Analisis Perubahan Suhu Permukaan Lahan
Perubahan suhu permukaan lahan dilakukan dengan metode Land Surface Temperature
yaitu melalui gelombang thermal. Algoritma yang digunakan adalah Monowindow Brightness
Temperature yang dimiliki oleh band Landsat seperti perhitungan yang dilakukan oleh Sejati et
al., (2019). Terdapat tiga tahapan dalam mendapatkan dinamika perubahan suhu permukaan
lahan, antara lain:
2) Perhitungan TOA Radiance untuk Suhu Permukaan Lahan dalam Temperatur Kelvin
Nilai TOA Radiance merupakan data acuan untuk mendapatkan hasil LST dengan
perhitungan yang ditentukan. Perhitungan LST memanfaatkan sensor TIRS menghasilkan suhu
permukaan lahan dalam satuan Kelvin. Berikut perhitungan LST dalam satuan Kelvin:
𝑲𝟐
𝑻 =
𝑳𝒏 ((𝑲𝟏⁄𝑳ℷ) + 𝟏)
Kerterangan:
T = Suhu Permukaan Lahan (dalam Kelvin)
Lℷ = TOA Spectral Radiance
K1 = Konstanta Thermal K1
K2 = Konstanta Thermal K2
46
suhu ke dalam satuan celcius. Perhitungan konversi suhu celcius terdapat dalam rumus di bawah
ini
𝑳𝑺𝑻℃ = 𝑻 − 𝟐𝟕𝟑, 𝟏𝟓
Keterangan:
LST℃ = Suhu Permukaan Lahan dalam ℃elcius
T = Suhu Permukaan Lahan dalam °Kelvin
Analisis regresi yang digunakan adalah analisis linier berganda untuk mengetahui
hubungan antara variabel kerapatan vegetasi (NDVI), variabel kerapatan lahan terbangun
(NDBI), dan tutupan lahan terhadap variabel suhu permukaan pada tahun 2000, 2010, dan 2021,
beserta perubahannya. Pada akhir tahap analisis, dilakukan perhitungan terhadap rata-rata suhu
permukaan masing-masing jenis tutupan lahan. Hal itu dilakukan untuk mengetahui rata-rata
47
suhu permukaan tiap jenis tutupan lahan sehingga dapat diketahui karakteristik suhu. Selain itu,
hal tersebut berguna untuk membuktikan hubungan tutupan lahan terhadap suhu permukaan.
Model regresi linear berganda dijelaskan dengan persamaan berikut.
𝒀 = 𝜷𝟎 + 𝜷𝟏 𝑿 𝟏 + 𝜷𝟐 𝑿 𝟐 ÷ 𝜷𝟑 𝑿 𝟑
Keterangan:
Y = Variabel terikat (LST)
β0 = Koefisien intercept regresi
β1 - β3 = Koefisien slope regresi
X1 – X3 = Variabel bebas (tutupan lahan, NDVI, NDBI)
48