STUDI KOMPARASI BEBERAPA TEKNIK ANALISIS CITRA...

Pengolahan Data dan Pengenalan Pola

Seminar Nasional Penginderaan Jauh 2014 243

STUDI KOMPARASI BEBERAPA TEKNIK ANALISIS CITRA LANDSAT

MULTIWAKTU UNTUK PEMETAAN LAHAN SAWAH (STUDI KASUS

TANGGAMUS-LAMPUNG)

I Made Parsa Pusat Pemanfaatan Penginderaan Jauh, LAPAN

e-mail: [email protected]

Abstract

This study was conducted to compare the accuracy of several technique analysis of multitemporal Landsat imagery for mapping paddy field in Tanggamus, Lampung as case study. The method that compared in this study were methods of vegetation index statistical analysis and probability methods based of land cover change multitemporal Landsat imagery for paddy field mapping. The results of this study indicated that the method of statistical analysis of vegetation index produced a mapping accuracy of 87.4% while the probability method based on land cover changes produced 91.2% mapping accuracy. Based on these results it can be concluded that the probability method based on land cover change is more accurate than methods of statistical analysis of vegetation index for the paddy field mapping, however both of these methods still require further validation before being used for operational.

Key Words: Paddy field mapping, vegetation index, probability, multitemporal images

Abstrak

Studi ini dilaksanakan untuk membandingkan ketelitian beberapa teknik analisis citra Landsat multiwaktu untuk pemetaan lahan sawah dengan studi kasus daerah Tanggamus, Lampung.Metode yang dibandingkan dalam studi adalah metode analisis statistik indek vegetasi dan metode probabilitas berdasarkan perubahan penutup lahan dari citra Landsat multiwaktu untuk memetakan lahan sawah. Hasil studi ini menunjukkan bahwa metode analisis statistik indek vegetasi menghasilkan ketelitian pemetaan 87,4% sedangkan metode probabilitasberdasarkan perubahan penutup lahan menghasilkan ketelitian pemetaan 91,2%. Berdasarkan hasil tersebut dapat disimpulkan bahwa metode probabilitas berdasarkan perubahan penutup lahan lebih akurat dibandingkan metode analisis statistik indek vegetasi dalam memetakan lahan sawah, walaupun demikian kedua metode ini masih memerlukan validasi lebih lanjut sebelum digunakan untuk operasional.

Kata kunci: pemetaan lahan sawah, indek vegetasi, probabilitas, citra multitemporal

1. Pendahuluan

Beras merupakan salah satu makanan pokok utama di dunia dan diperkirakan hanya sekitar 15 %

lahan sawah dunia mempunyai tanah yang subur (IRRI, 1993). Di Indonesia, padi merupakan salah satu

tanaman pertanian yang paling penting karena beras adalah makanan utama masyarakat Indonesia.

Ketahanan pangan telah lama menjadi tujuan politik yang penting di Indonesia. Tujuan ini paling sering

dikaitkan dengan swasembada beras. Pada pertengahan 1980-an Indonesia sempat mencapai 100 %

swasembada beras. Namun, pertumbuhan produksi padi melambat pada 1990-an, yang menyebabkan

peningkatan impor dan turunnya rasio swasembada. Selama dua tahun terakhir rasio swasembada beras

tetap sekitar 95 %, namun turun di bawah 90 % selama kekeringan El Niño 1998 (Bappenas, 2002).

Penginderaan jauh satelit telah diterapkan secara luas dan telah diakui sebagai alat yang ampuh dan

efektif dalam mendeteksi penggunaan lahan dan perubahan penutupan lahan (Harris danVentura, 1995).

Penginderaan jauh satelit menyediakan biaya - efektif multi-spektral dan data multitemporal (Paine,

1981). Citra satelit telah digunakan untuk memantau jenis tutupan lahan terbatas menurut klasifikasi

spektral. Selain itu, telah digunakan untuk memperkirakan karakteristik biofisik dari permukaan tanah



melalui hubungan linear dengan reflektansi spektral atau indek vegetasi (Steininger, 1996; Nuarsa et al,

2005).

Salah satu hasil terkait dengan keterlibatan LAPAN dalam program Indonesian National Carbon

Accounting System yang dilaksanakan sejak tahun 2010 adalah citra satelit Landsat standar (tahun 2000

sampai 2012) yang telah melalui proses scene selection, ortho rectification, terrain correction, sun

correction, cloudmasking dan mosaic untuk seluruh wilayah Indonesia. Citra-citra tersebut telah

digunakan sebagai basis untuk pemetaan perubahan tahunan lahan hutan diseluruh Indonesia yang akan

menjadi salah satu data dasar dalam penghitungan karbon. Selain untuk pemetaan lahan hutan, citra

Landsat mempunyai potensi yang cukup baik untuk manajemen sumberdaya lahan pada bidang

perkebunan, pertanian maupun untuk pesisir dan laut pada tingkat skala menengah 1:100.000.

Sementara itu berdasarkan indek peta Badan Informasi Geospasial, bahwa ketersediaan informasi

geospasial/peta rupabumi tersedia seluruh Indonesia pada beberapa skala, Jawa, Nusa Tenggara (1:25.000

dan 1;250.000), Sumatera (1:25.000, 1:50.000, dan 1:250.000), Kalimantan (1:50.000 dan 1;250.000),

Sulawesi (1:50.000 dan 1:250.000), Maluku dan Papua (1:25.000, 1:50.000, 1:100.000 dan 1:250.000)

dan sedangkan peta tematik tersedia dengan pilihan skala 1:2.500.000 hingga 1:25.000

(www.bakosurtanal.go.id. diakses tanggal 11 Februari 2014). Berdasarkan informasi tersebut terlihat

bahwa ketersediaan peta terutama peta tematik skala 1:100.000 masih sangat terbatas.

Berkaitan dengan hal itu, telah dilakukan studi komparasi beberapa teknik analisis citra Landsat

multiwaktu untuk pemetaan lahan sawah (Studi Kasus Tanggamus-Lampung). Kedua teknik/metode

analisis yang dibandingkan dalam kajian ini adalah metode analisis statistik indek vegetasi dan metode

analisis dengan pendekatan teori probabilitas berdasarkan perubahan penutup lahan citra Landsat

multiwaktu untuk memetakan lahan sawah. Tujuan studi adalah untuk membandingkan

kemampuan/ketelitian kedua tehnik pengolahan/analisis citra Landsat multiwaktu untuk memetakan lahan

sawah.

2. Data dan Metode

Data yang digunakan dalam kajian ini meliputi:

a. Citra satelit Landsat multiwaktu tahun 2000 sampai 2009 yang merupakan citra standar produk dari

program INCAS yang ada di LAPAN.

b. Informasi spasial lahan sawah yang diekstrak dari citra satelit Quickbird (60 cm) tahun 2005 (Parsa,

2013).

c. Perangkat lunak yang digunakan meliputi perangkat pengolah data ER Mapper 7.0, ArcView GIS 3.3,

dan perangkat Microsoft Excel.

Metode yang digunakan dalam studi ini,

a. Pengolahan data sampel

i. Kroping dan pengecekan kualitas geometri citra Landsat dengan referensi citra Quickbird dan

kroping sesuai dengan lokasi kajian.



ii. Klasifikasi penutup lahan (air, bera dan vegetasi), dapat dilakukan dengan beberapa cara seperti

transformasi indek vegetasi, penggunaan indek untuk pemisahan air dan daratan ataupun dengan

klasifikasi digital (supervised/unsupervised).

iii. Transformasi dan klasifikasi indek vegetasi menjadi penutup lahan (air, bera dan vegetasi)

menggunakan persamaan Jansen (1998) dalam Faizal (2005) sebagai berikut:

�� =(�� − ��)

(�� + ��)

(2-1)

dimana NDVI : Normalized Difference Vegetation Index

TM4 : Digital Number kanal 4 Landsat TM

TM3 : Digital Number kanal 3 Landsat TM

• Ekstrak nilai maksimum, minimum, rata-rata NDVI di lokasi kajian.

• Pembuatan citra komposit empat kanal yang terdiri atas NDVI maksimum, NDVI

minimum, NDVI rata-data dan selisih NDVI suluruh citra Landsat multiwaktu

• Pengambilan training sampel dan analisis statistik untuk mengetahui sebaran nilai NDVI

multiwaktu di lokasi penelitian maupun di lokasi persawahan.

• Penajaman citra dengan memberikan batas nilai minimum, maksimum, rata-rata dan Selisih

Max-Min NDVI menggunakan referensi tertentu sehingga lokasi yang diduga sawah akan

nampak kontras dengan lokasi nonsawah. Setiap kanal menggunakan threshold yang

ditentukan berdasarkan hasil ekstrak nilai NDVI di areal persawahan untuk masing-masing

kanal. Dalam bentuk algoritma dapat ditulis sebagai berikut:

if NDVI_Max >= 0.537 and NDVI_Max <= 0.811 and NDVI_Min >= -0.228 and

NDVI_Min <= 0.168 and NDVI_Mean >= 0.255 and NDVI_Mean <= 0.557 and

NDVI_Max-Min >=0.447 then 1 else null

Nilai-nilai tersebut diperoleh dari training sample(bera, vegetasi dan air) yang diambil

pada data Landsat yang digunakan dalam penelitian ini.

iv. Dari seluruh seri data penutup lahan multiwaktu tersebut dilakukan pengkelasan

ulang/reklasifikasi dalam dua tahap sebagai berikut:

• Tahap satu, dilakukan pemisahan masing-masing kelas vegetasi, kelas air dan kelas bera

dari seluruh seri yang ada sehingga terbentuk informasi lahan bera, vegetasi dan air untuk

seluruh data yang digunakan.

• Tahap kedua, penggabungan tiap penutup lahan untuk seluruh tahun sehingga terbentuk

tiga informasi spasial penutup lahan yaitu bera (2000-2009), vegetasi (2000-2009) dan air

(2000-2009).

v. Analisis perubahan, dilakukan dengan tumpang tindih antara ketiga informasi spasial penutup

lahan (hasil iv) dan perhitungan probabilitas lahan. Tumpang-tindih dilakukan dengan

menempatkan penutup lahan bera pada Layer Red, vegetasi pada Layer Green dan air pada Layer

Blue.



• Jika dari seluruh data multiwaktu yang dianalisis hanya terdeteksi satu jenis penutup lahan,

air saja, bera saja ataupun vegetasi saja (tidak terjadi perubahan penutup lahan) maka

probabilitasnya sebagai lahan sawah hanya 1/3, dikelaskan sebagai bukan lahan sawah.

• Jika dari seluruh data multiwaktu yang dianalisis hanya terdeteksi dua jenis penutup lahan,

air dan bera, air dan vegetasi, bera dan vegetasi (terjadi perubahan dua penutup lahan)

maka probabilitasnya sebagai lahan sawah hanya 2/3, dikelaskan sebagai lahan sawah.

• Jika dari seluruh data multiwaktu yang dianalisis hanya terdeteksi tiga jenis penutup lahan,

air, bera, vegetasi (terjadi perubahan tiga penutup lahan) maka probabilitasnya sebagai

lahan sawah sama dengan 1, dikelaskan sebagai lahan sawah.

b. Analisis ketelitian hasil pemetaan, dilakukan dengan analisis matrik kesalahan menggunakan

referensi informasi spasial lahan sawah dari citra Quickbird. Secara diagram disajikan pada Gambar

2-1.

Gambar 2-1. Diagram alir pelaksanaan studikomparasi beberapa teknik analisis citra Landsat multiwaktu untuk

pemetaan lahan sawah

KOMPOSIT STATISTIK

NDVI MULTIWAKTU

(RED:Rata-rata,

GREEN:Maximum,

BLUE:Minimum)

ANALISIS STATISTIK:

MAXIMUM, MINIMUM,

MEAN, DAN SELISIH

NDVI

CONFUSION

MATRIX

KETELITIAN

PEMETAAN

CITRA LANDSAT MULTIWAKTU

CITRA

QUICKBIRD

INTERPRETASI

LAHAN SAWAH

INFORMASI SPASIAL

LAHAN SAWAH

OVERLEY DAN ANALISIS

PERUBAHAN PENUTUP

LAHAN

INFORMASI SPASIAL PENUTUP

LAHAN (BERA, VEGETASI, AIR)

MULTIWAKTU

CITRA

PROBABILITAS

LAHAN SAWAH

1. TRANSFORMASI INDEK VEGETASI

2. TRANSFORMASI INDEK UNTUK

PEMISAHAN AIR DAN DARATAN

3. KLASIFIKASI DIGITAL

PENGGABUNGAN TIAP

PENUTUP LAHAN

MULTIWAKTU

TRAINING SAMPEL DAN

ANALISIS DISTRIBUS INDVI

DISTRIBUSI SPASIAL

LAHAN SAWAH

CONFUSIONM

ATRIK

KETELITIAN

PEMETAAN

3. Hasil dan Pembahasan

Pengolahan data sampel dilakukan untuk wilayah Tanggamus

geometri menunjukkan bahwa sebagian besar citra Landsat multiwaktu mempunyai kualitas geometri

yang cukup baik, sementara yang lainnya perlu dilakukan perbaikan dengan melakukan pergeseran

terhadap citra Quickbird untuk kemudian dilakukan transformasi NDVI seluruh data multiwaktu.

Hasil transformasi nilai NDVI multitemporal pada daerah penelitian menunjukkan bahwa: secara

umum, daerah penelitian mempunyai kisaran nilai NDVI minimum

0.426 sampai 0.960, sedangkan pada areal persawahan kisaran nilai minimum NDVI adalah

sampai 0.168, kisaran nilai maksimum 0.537 sampai 0.811. Berdasarkan hasil analisis ini juga

menunjukkan bahwa nilai minimum dan maksimum NDVI pada areal persawahan lebih

dibandingkan seluruh lokasi penelitian.Hal ini disebabkan karena air (laut, danau, sungai, waduk maupun

tambak) mempunyai nilai NDVI paling rendah, sedangkan fase vegetatif pada areal persawahan

mempunyai nilai NDVI yang lebih rendah dibandingkan de

Komposit warna yang tersusun dari nilai statistik NDVI Landsat multiwaktu (

Maksimum, Blue: Minimum) memberikan kenampakan warna hijau yang sangat kontrak yang diduga

sebagai lahan sawah, seperti ditunjukkan

Gambar 3-1. Komposit NDVI citra Landsat multiwaktu (2000

Berdasarkan komposit tersebut terlihat bahwa areal persawahan nampak sangat berbeda

dibandingkan dengan areal nonpersawahan, hal ini disebabkan karena pengaruh yang nyata dari

perbedaan antara nilai NDVI maksimum dan minimum. Nilai NDVI pada areal persawahan akan

mengikuti perubahan fase (bera, air dan vegetasi), dimana pada fase air nilai NDVI akan sangat

(sampai -0.228), pada fase bera akan rendah, pada fase vegetatif berkisar rendah sampai tinggi (0.3


Pengolahan data sampel dilakukan untuk wilayah Tanggamus Lampung, diawali dengan pengecekan



emudian dilakukan transformasi NDVI seluruh data multiwaktu.


umum, daerah penelitian mempunyai kisaran nilai NDVI minimum -0.288 sampai 0.305 dan maksimum

mpai 0.960, sedangkan pada areal persawahan kisaran nilai minimum NDVI adalah


menunjukkan bahwa nilai minimum dan maksimum NDVI pada areal persawahan lebih



mempunyai nilai NDVI yang lebih rendah dibandingkan dengan tutupan lahan hutan.

Komposit warna yang tersusun dari nilai statistik NDVI Landsat multiwaktu (Red: Rata

: Minimum) memberikan kenampakan warna hijau yang sangat kontrak yang diduga

sebagai lahan sawah, seperti ditunjukkan pada Gambar 3-1.

1. Komposit NDVI citra Landsat multiwaktu (2000-2009) wilayah Tanggamus, Lampung (

Mean; Green: Max; Blue: Min)


areal nonpersawahan, hal ini disebabkan karena pengaruh yang nyata dari


mengikuti perubahan fase (bera, air dan vegetasi), dimana pada fase air nilai NDVI akan sangat

0.228), pada fase bera akan rendah, pada fase vegetatif berkisar rendah sampai tinggi (0.3


Lampung, diawali dengan pengecekan



emudian dilakukan transformasi NDVI seluruh data multiwaktu.


0.288 sampai 0.305 dan maksimum

mpai 0.960, sedangkan pada areal persawahan kisaran nilai minimum NDVI adalah -0.228


menunjukkan bahwa nilai minimum dan maksimum NDVI pada areal persawahan lebih rendah



: Rata-rata, Green:

: Minimum) memberikan kenampakan warna hijau yang sangat kontrak yang diduga

2009) wilayah Tanggamus, Lampung (Red Layer:


areal nonpersawahan, hal ini disebabkan karena pengaruh yang nyata dari


mengikuti perubahan fase (bera, air dan vegetasi), dimana pada fase air nilai NDVI akan sangat rendah

0.228), pada fase bera akan rendah, pada fase vegetatif berkisar rendah sampai tinggi (0.3

sampai 0.811). Hal ini menyebabkan selisih antara NDVI maksimum dan minimumnya manjadi

besar.Pada areal nonsawah perubahan nilai NDVI umumnya tidak t

vegetatifnya dapat lebih besar dari NDVI vegetatif padi. Hal ini disebabkan karena tutupan air (laut,

danau, sungai, waduk maupun tambak) akan selalu negatif sedangkan untuk tutupan hutan/perkebunan

akan mencapai NDVI terendah jika dalam kondisi bera. Hasil identifikasi ini menunjukkan bahwa dari

keempat nilai indek tersebut ternyata nilai

padi dibandingkan tiga indek lainnya. Penggabungan tiga kriteria nilai statistik ND

selanjutnya dapat digunakan untuk memetakan cepat lahan sawah secara kuantitatif/digital sebagaimana

disajikan pada Gambar 3-2.

Gambar 3-2. Peta lahan sawah berdasarkan Statistik NDVI Multiwaktu

Sementara itu dari seluruh seri dat

ulang/reklasifikasi dalam dua tahap sehingga menghasilkan penutup lahan air, bera dan vegetasi 2000

2009 dimana masing-masing dijadikan kelas 255.

komposit dimana bera sebagai Layer Red

Berdasarkan tampilan komposit tersebut dapat dianalisis sebagai berikut:

• Warna putih mengindikasikan bahwa pada lahan tersebut terpantau ketiga fase dari bera,

air, sehingga dengan demikian lahan tersebut mempunyai probabilitas sebagai lahan sawah mencapai

1.

• Warna kuning mengindikasikan hanya terpantau fase yaitu bera dan vegetasi,warna merah muda/pink

mengindikasikan hanya terpantau fase yaitu bera

hanya terpantau fase yaitu vegetasi dan air sehingga dengan demikian lahan

mempunyai probabilitas sebagai lahan sawah hanya 2/3.

• Warna biru mengindikasikan hanya terpantau fase air, warna hijau

fase vegetasi, dan warna merah mengindikasikan hanya terpantau fase bera/terbuka, sehingga dengan



besar.Pada areal nonsawah perubahan nilai NDVI umumnya tidak terlalu besar, walaupun NDVI



ika dalam kondisi bera. Hasil identifikasi ini menunjukkan bahwa dari

keempat nilai indek tersebut ternyata nilai mean paling nyata pengaruhnya untuk pemetaan lahan tanaman

padi dibandingkan tiga indek lainnya. Penggabungan tiga kriteria nilai statistik NDVI multiwaktu tersebut


2. Peta lahan sawah berdasarkan Statistik NDVI Multiwaktu

Sementara itu dari seluruh seri data penutup lahan multiwaktu tersebut dilakukan pengkelasan

ulang/reklasifikasi dalam dua tahap sehingga menghasilkan penutup lahan air, bera dan vegetasi 2000

masing dijadikan kelas 255.Overley ketiga data penutup lahan kedalam tampilan

Layer Red, vegetasi sebagai Layer Green dan air sebagai

Berdasarkan tampilan komposit tersebut dapat dianalisis sebagai berikut:

Warna putih mengindikasikan bahwa pada lahan tersebut terpantau ketiga fase dari bera,


Warna kuning mengindikasikan hanya terpantau fase yaitu bera dan vegetasi,warna merah muda/pink

mengindikasikan hanya terpantau fase yaitu bera dan air, sedangkan warna cyan mengindikasikan

hanya terpantau fase yaitu vegetasi dan air sehingga dengan demikian lahan

mempunyai probabilitas sebagai lahan sawah hanya 2/3.

Warna biru mengindikasikan hanya terpantau fase air, warna hijau mengindikasikan hanya terpantau




erlalu besar, walaupun NDVI



ika dalam kondisi bera. Hasil identifikasi ini menunjukkan bahwa dari

paling nyata pengaruhnya untuk pemetaan lahan tanaman

VI multiwaktu tersebut


a penutup lahan multiwaktu tersebut dilakukan pengkelasan

ulang/reklasifikasi dalam dua tahap sehingga menghasilkan penutup lahan air, bera dan vegetasi 2000-

ketiga data penutup lahan kedalam tampilan

dan air sebagai LayerBlue.

Warna putih mengindikasikan bahwa pada lahan tersebut terpantau ketiga fase dari bera, vegetasi dan


Warna kuning mengindikasikan hanya terpantau fase yaitu bera dan vegetasi,warna merah muda/pink

dan air, sedangkan warna cyan mengindikasikan

hanya terpantau fase yaitu vegetasi dan air sehingga dengan demikian lahan-lahan tersebut

mengindikasikan hanya terpantau


demikian lahan-lahan tersebut mempunyai probabilitas sebagai lahan sawah hanya 1/3.Secara spasial

hasil analisis disajikan pada Gambar 3

Gambar 3-

Selanjutnya hasil klasifikasi tersebut kemudian dilakukan reklasifikasi berdasarkan probabilitasnya

menjadi tiga kelas yaitu kelas sawah probabilitas 1/3, sawah probabilitas 2/3 dan

sebagaimana disajikan pada Gambar 3

Gambar 3

Pada tahap terakhir, dilakukan pengujian ketelitian pemetaan terhadap kedua hasil pemetaan

menggunakan referensi informasi spasial lahan s

dengan confusion matrix (matrik kesalahan). Hasil pengujian metode analisis statistik indek vegetasi


lahan tersebut mempunyai probabilitas sebagai lahan sawah hanya 1/3.Secara spasial

a Gambar 3-3.

-3. Tampilan komposit penutup lahan 2000-2009


menjadi tiga kelas yaitu kelas sawah probabilitas 1/3, sawah probabilitas 2/3 dan sawah probabilitas 1

sebagaimana disajikan pada Gambar 3-4.

Gambar 3-4. Informasi spasial probabilitas lahan sawah


menggunakan referensi informasi spasial lahan sawah berbasis citra resolusi tinggi QB yang dilakukan

(matrik kesalahan). Hasil pengujian metode analisis statistik indek vegetasi


lahan tersebut mempunyai probabilitas sebagai lahan sawah hanya 1/3.Secara spasial


sawah probabilitas 1


awah berbasis citra resolusi tinggi QB yang dilakukan

(matrik kesalahan). Hasil pengujian metode analisis statistik indek vegetasi

ditunjukkan pada Tabel 3-1, dan Gambar 3

pada Tabel 3-2, Tabel 3-3, dan Gambar 3

Tabel 3-1. Matriks ketelitian pemetaan lahan sawah dengan analisis statistik NDVI

MATRIKS

Lahan

sawah

Lahan sawah 5,159

Lahan nonsawah 4,643

Tabel 3-1 diatas menunjukkan bahwa ketelitian pemetaan (

indek vegetasi mencapai 87,4%.

Gambar 3-5.Hasil pengujian pemetaan lahan sawah metode analisis statistik indek vegetasi

Tabel 3-2. Matriks kesalahan probabilitas pemetaan lahan sawah

MATRIKS Probabilitas 1

Sawah

Nonsawah


1, dan Gambar 3-5 sedangkan hasil pengujian metode probabilitas disajikan

3, dan Gambar 3-6.

1. Matriks ketelitian pemetaan lahan sawah dengan analisis statistik NDVI

Luas (ha) Total

Ketelitian (%)

Lahan

sawah

Lahan

nonsawah

Lahan

sawah

Lahan

nonsawah

5,159 575 5,733 90.0 10.0

4,643 26,059 30,702 15.1 84.9

Overall Accuracy

1 diatas menunjukkan bahwa ketelitian pemetaan (overall accuracy) metode analisis statistik

5.Hasil pengujian pemetaan lahan sawah metode analisis statistik indek vegetasi

2. Matriks kesalahan probabilitas pemetaan lahan sawah

LUAS LAHAN (ha)

Probabilitas 1 Probabilitas 2/3 Probabilitas 1/3

3,347 2,103 289

399 3,478 26,806


5 sedangkan hasil pengujian metode probabilitas disajikan

1. Matriks ketelitian pemetaan lahan sawah dengan analisis statistik NDVI

Total

87.4

) metode analisis statistik

5.Hasil pengujian pemetaan lahan sawah metode analisis statistik indek vegetasi

Total

5,739

30,682

36,421

Tabel 3-3. Matriks ketelitian pemetaan lahan sawah dengan metode probabilitas

MATRIKS Probabilitas 1

Sawah

Nonsawah

Berdasarkan Tabel 3-2, terlihat bahwa ternyata 58,3% lahan sawah di area sampel terklasifikasi

sebagai lahan yang mempunyai probabilitas 1, 36,6% terklasifikasi sebagai lahan yang mempunyai

probabilitas 2/3 dan 5% sisanya terklasifikasi sebagai lahan yang

itu 87,4% lahan nonsawah terklasifikasi sebagai lahan probabilitas 1/3, 11,3% terklasifikasi sebagai lahan

probabilitas 2/3 dan 1,3% sisanya terklasifikasi sebagai lahan probabilitas 1. Oleh karena itu reklasifikasi

kelas probabilitas 1 dan kelas probabilitas 2/3 menjadi kelas lahan sawah dan kelas probabilitas 1/3

menjadi kelas lahan nonsawah akan menyebabkan ketelitian pemetaan sawah menjadi 95% sedangkan

ketelitian pemetaan nonsawah menjadi 87%. Sehingga dengan demik

(overall accuracy)menjadi 91,2%.

Gambar 3-6. Hasil pengujian pemetaan lahan sawahmetode probabilitas

4. Kesimpulan dan Saran

4.1 Kesimpulan

Berdasarkan hasil kajian sebagaimana diuraikan diatas

� Analisis statistik indek vegetasi maupun analisis probabilitas berdasarkan perubahan liputan lahan

citra Landsat multiwaktu dapat digunakan untuk memetakan lahan sawah dengan cukup akurat

� Ketelitian pemetaan (overall accuracy

Landsat multiwaktu mencapai 87,4%


3. Matriks ketelitian pemetaan lahan sawah dengan metode probabilitas

KETELITIAN PEMETAAN (%)

Probabilitas 1 Probabilitas 2/3 Probabilitas 1/3

58.3 36.6 5.0

1.3 11.3 87.4

2, terlihat bahwa ternyata 58,3% lahan sawah di area sampel terklasifikasi


probabilitas 2/3 dan 5% sisanya terklasifikasi sebagai lahan yang mempunyai probabilitas 1/3. Sementara



las probabilitas 1 dan kelas probabilitas 2/3 menjadi kelas lahan sawah dan kelas probabilitas 1/3


ketelitian pemetaan nonsawah menjadi 87%. Sehingga dengan demikian akurasi pemetaan keseluruhan

6. Hasil pengujian pemetaan lahan sawahmetode probabilitas

Berdasarkan hasil kajian sebagaimana diuraikan diatas, maka dapat disimpulkan bahwa:

Analisis statistik indek vegetasi maupun analisis probabilitas berdasarkan perubahan liputan lahan


overall accuracy) lahan sawah berdasarkan analisis indek vegetasi citra

Landsat multiwaktu mencapai 87,4%


3. Matriks ketelitian pemetaan lahan sawah dengan metode probabilitas

Total

95.0

2, terlihat bahwa ternyata 58,3% lahan sawah di area sampel terklasifikasi


mempunyai probabilitas 1/3. Sementara



las probabilitas 1 dan kelas probabilitas 2/3 menjadi kelas lahan sawah dan kelas probabilitas 1/3


ian akurasi pemetaan keseluruhan

bahwa:

Analisis statistik indek vegetasi maupun analisis probabilitas berdasarkan perubahan liputan lahan


n analisis indek vegetasi citra



� Ketelitian pemetaan (overall accuracy) lahan sawah dengan pendekatan teori probabilitas

berdasarkan perubahan liputan lahan Landsat multiwaktu mencapai 91,2%.

4.2 Saran

Berkaitan dengan beberapa kesimpulan yang telah disampaikan diatas, perlu dilakukan validasi lebih

lanjut kedua model/metode pada daerah yang lebih luas dan bervariasi untuk mengetahui tingkat

kehandalannya.

5. Daftar Rujukan

Bappenas, 2002. Does Indonesia Face a Food Security Time Bomb.Indonesian Food Policy Program.

http//:www.macrofoodpolicy.com. Accessed November, 15th 2009.

Badan Informasi Geospasial, 2014. Produk. (www.bakosurtanal.go.id, diakses tanggal 11 Februari 2014).

Furby Suzanne, 2002. Land Cover Change: Specification for Remote Sensing Analysis, National Carbon

Accounting System Technical Report No. 9. ISSN: 1442 6838.

Guna Dharma, Probabilitas, Pengantar Statistik, (www.elearning.guna-dharma.ac.id/docmodul/ diakses

22 Juli 2013.

Harris, P. M. and Ventura, S. J., 1995. The Integration of Geographic Data With Remotely Sensed

Imagery to Improve Classification in an Urban Area. Photogrammetric Engineering and Remote

Sensing, 61, pp. 993–998.

IRRI, 1993, 1993–1995 IRRI Rice Almanac. Manila7 International Rice Research Institute.

Jupri Al., 2010.Teori Peluang, Jurusan Pendidikan Matematika FPMIPA Universitas Pendidikan

Indonesia, (http://www.file.upi.edu/Direktori/FPMIPA/, diskses 22 Juli 2013.

Marina C.G. Frederik; Retno A. Ambarini; Fanny Meliani;Yoke F.A. Oktofan, 2009. Pemantauan

Pertumbuhan Tanaman Padi dengan SPOT Vegetation. Pusat Teknologi Inventarisasi Sumberdaya

Alam (PTISDA), BPPT.

Nuarsa I Wayan; Kanno, S.; Sugimori, Y; and Nishio, F., 2005. Spectral Characterization of Rice Field

Using Multi-Temporal Landsat ETM+ Data. International Journal of Remote Sensing and Earth

Sciences. 2, pp. 65-71.

Paine, D.P., 1981, Aerial Photography and Image Interpretation for Resource Management. John Wiley

and Sons, New York. 412 pp.

Panuju D R., Febria Heidina; Bambang H. Trisasongko; Boedi Tjahjono;A. Kasno; Aufa H.A. Syafril,

2009. Variasi Nilai Indek vegetasi Modis Pada Siklus Pertumbuhan Padi.Jumal llmiah Geomatika

Volume 15 Nomor 2, Desember 2009.

Parsa I Made;Surlan; Jansen Sitorus; Dipo Yudhatama; Soko Budoyo; Djoko Santo., 2012.

Pengembangan Model Standar Pemanfaatan Data Penginderaan Jauh (Landsat/SPOT) untuk

Pemetaan Lahan Sawah. Pusat Pemanfaatan Penginderaan Jauh, Jakarta: LAPAN.

Steininger, M. K., 1996, Tropical Secondary Forest Regrowth in TheAmazon: Age, Area and Change

Estimation With Thematic Mapper Data. International Journal of Remote Sensing, 17, pp. 9–27.

Suherman Maman, 2012. Statistik dan Teori Peluang, Institut Teknologi Bandung,

(http://www.mulin10.files.wordpress.com/,diakses tanggal 22 Juli 2013).

Suryadi Christine, 2003.Probabilitas dan Statistika Dasar, Teori Peluang, Departemen Teknik

Informatika.(http://www.kur2003.if.itb.ac.id, diakses tanggal 22 Juli 2013).

STUDI KOMPARASI BEBERAPA TEKNIK ANALISIS CITRA...

Documents

Transcript of STUDI KOMPARASI BEBERAPA TEKNIK ANALISIS CITRA...