FORM ISIAN SURVEY WILAYAH PESISIR BARAT Hari/Tanggal Kamis, 01-10-2015 Kondisi
2. METODE 1. Bahan
Bahan utama yang digunakan dalam penelitian adalah data citra multispektral LSA yang diakuisisi oleh Pusat Teknologi Penerbangan LAPAN pada tanggal 18-19 September 2014 yang mencakup area perkotaan Indramayu, Jawa Barat, kemudian kumpulan data tersebut dimosaik dan dikoreksi ortho oleh Tim Pusat Pemanfaatan Penginderaan Jauh LAPAN, dan data hasilnya adalah sebagaimana terlihat pada Gambar 2-1. Dimana citra multispektral LSA ini diakuisisi mempergunakan kamera TetraCam ADC 3 band yakni Band Merah, Hijau dan Inframerah dekat, dan diterbangkan pada ketinggian terbang 2000m sehingga diperoleh resolusi spasial 58m.
Gambar 2-1 Hasil mosaik data LSA yang dipergunakan sebagai data utama penelitian.
2.2. Metode
Metode pengolahan data LSA yang dilakukan dalam penelitian ini dilakukan dengan tahapan seperti terlihat pada gambar 2-2, yakni pemotongan (cropping) datahasil mosaik, klasifikasi penggunaan lahan berbasis objek dengan segmentasi, dan analisis kualitas kehijauan pada ruang terbuka hijau (RTH).
86
Gambar 2-2 Tahapan Pengolahan Data Foto LSA untuk Analisis Kualitas Kehijauan
RTH Perkotaan
a) Cropping data LSA
Cropping data LSA dilakukan untuk wilayah kota Indramayu dan hasilnya seperti pada Gambar 2-3 berikut,
Gambar 2-3Hasil Cropping Data Citra Multispektral LSA pada daerah
penelitian Kota Indramayu.
b) Segmentasi citra
Segmentasi atau pemisahan citra dilakukan untuk memperoleh hasil pemisahan terbaik terhadap obyek-obyek yang ada pada citra.Penelitian yang dilakukan Nurwita dan Dony (2015) dilakukan pada citra yang merekam area perdesaan, dimana salah satu penutup lahannya meliputi persawahan dan diperoleh parameter skala tertentu untuk hasil segmentasi terbaik.Pada penelitian ini dipergunakan algoritma yang sama yakni multiresolution segmentation yang menggabungkan piksel dengan kriteria yang sama, dengan parameter skala yang dipakai yaitu 100.Algoritma yang dipakai dalam proses ini yaitu K-Means(Widodo et al., 2011),yang menggabungkan piksel dengan kriteria sama dan dilakukan pengaturan parameter skala untuk memperoleh hasil segmentasi paling baik. Selanjutnya proses refinement menggunakan algoritma spectral difference
segmentation untuk menggabungkan obyek dengan nilai spektral sama. Nilai
perbedaan spektral maksimum ditentukan dengan nilai keabuan, jika nilainya di bawah nilai maksimum ini maka obyek bertetangga akan digabungkan (Anonim, 2011).
c) Klasifikasi
Klasifikasi spasial berbasis obyek dilakukan untuk membedakan area dengan tutupan lahan vegetasi RTH dengan non vegetasi di wilayah perkotaan pada data
87 citra hasil cropping dengan menggunakan metode yang sama dengan penelitian sebelumnya (Nurwita dan Dony, 2015). Dimana training data untuk klasifikasi diperoleh berdasarkan interpretasi visual citra asli pada data hasil segmentasi (Gambar 2-4).
Gambar 2-4Training data untuk Klasifikasi
d) Analisis kualitas kehijauan RTH
Analisis kualitas kehijauan RTH dilakukan dengan cara overlay data hasil klasifikasi pada kelas lahan RTH dengan data indek kehijauan vegetasi dari NDVI, dimana NDVI diperoleh bedasarkan data band merah dan band inframerah data multispektral LSA. Selanjutnya untuk memudahkan analisis dilakukan clustering terhadap data indek kehijauan pada area RTH menjadi 5 kelas, yakni kelas indek kehijauan tinggi, sedang, rendah, lahan terbuka non vegetasi dan kelas lainnya. 3. HASIL DAN PEMBAHASAN
Segmentasi dilakukan pada data foto LSA dengan algoritma mutiresolution
segmentation. Waktu yang dibutuhkan untuk melakukan proses ini yaitu 1 menit.
Setelah dilakukan proses segmentasi kemudian dilakukan optimalisasi hasil segmentasi dengan algoritma spectral difference segmentation untuk menggabungkan obyek sejenis yang masih terpisahkan. Sesudah optimalisasi, segmen yang dihasilkan sebanyak 1.050 obyek dan obyek sejenis yang tadinya terpisah sudah tergabung.Citra hasil proses segmentasi ini seperti pada Gambar 3-1.
88
Gambar 3-1 Hasil Segmentasi Data LSA
Hasil klasifikasi berbasis objek untuk mendapatkan 2 kelas penutup penggunaan lahan seperti pada Gambar 3-2, dimana kelas vegetasi yang berwarna hijau dan non vegetasi (bangunan, jalan, tubuh air, infrastruktur lainnya) yaitu warna magenta.Dimana untuk analisis kualitas vegetasi RTH kelas non vegetasi dihilangkan.Area yang termasuk dalam kelas vegetasi kemudian ditransformasi ke nilai NDVI untuk mengetahui pola spasial indeks kehijauan pada RTH di daerah penelitian.Hasil transformasi dibuat dengan gradasi warna hijau seperti terlihat pada Gambar 3-3, yang menunjukkan NDVI yang semakin tinggi dengan warna semakin terang pada gambar.Nilai NDVI wilayah yang ada pada kajian ini bervariasi mulai nilai terendah -0,849 hingga nilai tertinggi 1.
89
-0.849 1
Gambar 3-3Nilai NDVI RTH wilayah Kota Indramayu, Jawa Barat
Gambar 3-4 Kelas Vegetasi Berdasarkan Indeks Kehijauan
Hasil klasifikasi kelas vegetasi pada RTH di Kota Indramayu adalah seperti Gambar 3-4.Secara umum area dengan kelas indek kehijauan rendah nampak tersebar pada tumbuh-tumbuhan tinggi atau pohon dan persawahan yang sedang menghijau atau fase vegetatif maksimum, sedang kelas dengan kualitas kehijauan sedang terjadi pada area rumput seperti di lapangan dan GOR.Sedang kelas vegetasi dengan indek ke rendah terdapat seperti di persawahan yang baru tanam.
Gambar 3-5 Cuplikan wilayah sekitar GOR untuk data asli LSA, NDVI, dan Kelas
Indeks Kehijauan Vegetasi
Pada cuplikan wilayah pada Gambar 3-5 dapat dilihat bagaimana kualitas indek kehijauan RTH pada area GOR dan sekitarnya, dimana nampak vegetasi dengan kelas indek kehijauan tinggi dilihat pada citra aslit terjadi pada tanaman besar atau tanaman naungan dan semak serta rumput yang hijau di halaman luar GOR, sedang pada lahan terbuka pada lapangan bola terdiri dari rumput tipis dengan kelas indek kehijauan sedang, kelas indek vegetasi rendah nampak pada
90
taman disekitar GOR dan kelas lahan terbuka non vegetasi nampak terdapat pada jalur pacu atletik dan sebagian bungunan.
Metode pengukuran akurasi dilakukan dengan survey langsung ke lapangan untuk mengamati obyek yang ada di lapangan. Uji dilakukan dengan membuat beberapa titik lokasi sampel yang diidentifikasi sebagai vegetasi pada data foto. Area vegetasi yang telah dikelaskan menjadi beberapa kelas kehijauan kemudian dicek ke lapangan terkait kondisinya. Selanjutnya hasil survey lapangan dihitung persentase akurasinya secara sederhana dengan membandingkan hasil interpretasi yang benar dengan interpretasi yang salah. Ada 10 obyek yang diamati dan dicek secara visual pada citra apakah termasuk vegetasi atau non vegetasi dan secara spesifik obyek ini dikategorikan sebagai obyek jalan/ non vegetasi, tanaman naungan 1, tanaman naungan 2, rumput, permukiman, halaman GOR, rumput tebal, jalur atletik beton, tanaman taman, dan lapangan non rumput. Hasil survey, mayoritas hasil interpretasi visual benar, namun ada beberapa yang kurang tepat seperti rumput tebal pada interpretasi visual ternyata di lapangan hanyalah rumput tipis, tanaman taman yang ternyata adalah tanaman naungan. Mengingat hasil cek yang tidak terlalu berbeda pada dua obyek yaitu rumput tebal dan tanaman taman, maka bobot tidak nol melainkan 0,5, sementara bobot benar adalah 1 dan bobot salah adalah 0. Dengan demikian, total nilai adalah 9 dan akurasi yang diperoleh yaitu 90%.
4. KESIMPULAN
Melalui kajian awal ini dapat disimpulkan bahwa data kamera multispektral Lapan Surveillance Aircraft berpotensi untuk pemantauan kondisi ruang terbuka hijau perkotaan.
Metode klasifikasi penutup penggunaan lahan berbasis objek dan analisis berdasarkan indeks vegetasi yang diuji coba pada penelitian ini dapat dipergunakan untuk mendeteksi kualitas kehijauan ruang terbuka hijau.
Disarankan penelitian lebih lanjut untuk melakukan kajian pengaruh radiometrik data terkait perbedaan iluminasi sinar matahari mengingat waktu akuisisi data yang memerlukan waktu yang lama, dan analisis lebih lanjut terkait kerapatan dan jenis tanaman pada lahan terbuka hijau perkotaan menggunakan data multispektral LSA.
