TABEL HASIL PENGAMATAN FISIK LONG TRANSECT
5.3. PEMANFAATAN RUANG
Interpretasi data visual secara umum mengacu pada beberapa hal fundamental, melihat citra, membuat pengukuran berdasarkan citra, menampilkan hasil interpretasi, dan mentransfer informasi hasil dari interpretasi pada peta dasar atau database digital. Dalam interpretsi citra, kegiatan menentukan bentuk objek dan sifatnya yang tampak dalam citra beserta deskripsinya, kita mengenal prisip konvergensi bukti. Prinsip ini mengacu pada seragkaian bukti yang didukung oleh beberapa unsur interpretasi yang nantinya akan mengarahkan sang penafsir menuju pada beberapa kesimpulan tentang jenis objek yang dilihatnya dalam sebuah citra. Saat dilakukan beberpa penambahan satu atau lebih unsur interpretsi, maka akan terjadi penyempitan kemungkinan asumsi pengguna tentang kemungkinana jenis objek yang terlihat yang nantinya akan membimbing penafsir pada sebuah kesimpulan yang kemudian dibuktikan kembali pada observasi lapangan. (Lillesand, dkk ,2004).
Uraian di atas adalah konsep-konsep yang digunakan dalam interpretasi citra secara visual dan akan menjadi sebuah dasar yang sangat berguna bila digunakan
untuk menafsirkan citra hasil proses fotografik, atau yang dikenal dengan interpretsi fotografik. Hal ini sebenarnya juga berlaku pada citra nonfoto yang tercetak (hardcopy).
Istilah penggunaan lahan (land use), berbeda dengan istilah penutup lahan (land cover).Penggunaan lahan biasanya meliputi segala jenis kenampakan dan sudah dikaitkan dengan aktivitas manusia dalam memanfaatkan lahan, sedangkan penutup lahan mencakup segala jenis kenampakan yang ada di permukaan bumi yang ada pada lahan tertentu. Penggunaan lahan merupakan aspek penting karena penggunaan lahan mencerminkan tingkat peradaban manusia yang menghuninya. Interpretasi penggunaan lahan dari foto udara/citra ini dimaksudkan untuk memudahkan deliniasi. Untuk dapat mempercepat hasil inventarisasi dengan hasil yang cukup baik, digunakan pemanfaatan data penginderaan jauh, karena dari data penginderaan jauh memungkinkan diperoleh informasi tentang penggunaan lahan secara rinci.selain itu, adanya perrubahan pemanfaatan lahan kota yang cepat dapat pula dimonitor dari data penginderaan jauh.
Identifikasi, pemantauan, dan evaluasi penggunaan lahan perlu selalu dilakukan pada setiap periode tertentu, karena ia dapat menjadi dasar untuk penelitian yang mendalam mengenai perilaku manusia dalam memanfaatkan lahan. Dengan demikian, penggunaan lahan menjadi bagian yang penting dalam usaha melakukan perencanaan dan pertimbangan dalam merumuskan kebijakan keruangan di suatu wilayah. Prinsip kebijakan terhadap lahan perkotaan bertujuan untuk mengoptimalkan penggunaan lahan dan pengadaan lahan untuk menampung berbagai aktivitas perkotaan. Dalam hubungannya dengan optimalisasi penggunaan lahan, kebijakan penggunaan lahan diartikan sebagai serangkaian kegiatan tindakan yang sitematis dan terorganisir dalam penyediaan lahan, serta tepat pada waktunya, untuk peruntukan pemanfaatan dan tujuan lainnya sesuai dengan kepentingan masyarakat.
Menurut Malingreau (1979), penggunaan lahan merupakan campur tangan manusia baik secara permanen atau periodik terhadap lahan dengan tujuan untuk memenuhi kebutuhan, baik kebutuhan kebendaan, spiritual maupun gabungan keduanya. Penggunaan lahan merupakan unsur penting dalam perencanaan wilayah. Bahkan menurut Campbell (1996), disamping sebagai faktor penting dalam
perencanaan, pada dasarnya perencanaan kota adalah perencanaan penggunaan lahan. Kenampakan penggunaan lahan berubah berdasarkan waktu, yakni keadaan kenampakan penggunaan lahan atau posisinya berubah pada kurun waktu tertentu. Perubahan penggunaan lahan dapat terjadi secara sistematik dan non-sistematik. Perubahan sistematik terjadi dengan ditandai oleh fenomena yang berulang, yakni tipe perubahan penggunaan lahan pada lokasi yang sama. Kecenderungan perubahan ini dapat ditunjukkan dengan peta multiwaktu. Fenomena yang ada dapat dipetakan berdasarkan seri waktu, sehingga perubahan penggunaan lahan dapat diketahui. Perubahan non-sistematik terjadi karena kenampakan luasan lahan yang mungkin bertambah, berkurang, ataupun tetap. Perubahan ini pada umumnya tidak linear karena kenampakannya berubah-ubah, baik penutup lahan maupun lokasinya (Murcharke, 1990).
Penggunaan lahan mencerminkan sejauh mana usaha atau campur tangan manusia dalam memanfaatkan dan mengelola lingkungannya. Data penggunaan/tutupan lahan ini dapat disadap dari foto udara secara relatif mudah, dan perubahannya dapat diketahui dari foto udara multitemporal. Teknik interpretasi foto udara/citra termasuk di dalam sistem penginderaan jauh. Penginderaan jauh merupakan ilmu dan seni untuk memperoleh informasi tentang objek, daerah atau gejala dengan cara menganalisis data yang diperoleh dengan menggunakan alat tanpa kontak langsung dengan objek, daerah, atau gejala yang dikaji (Lillesand dan Kiefer, 1997).
Penggunaan foto udara atau citra sebagai sumber informasi sudah meluas dalam berbagai aplikasi. Hanya saja untuk dapat memanfaatkan citra tersebut diperlukan kemampuan mengamati keseluruhan tanda yang berkaitan dengan objek atau fenomena yang diamati. Tanda-tanda tersebut dinamakan kunci pengenalan atau biasa disebut dengan unsur-unsur interpretasi. Unsur-unsur tersebut meliputi : rona/warna, tekstur, bentuk, ukuran, pola, situs, asosisasi, dan konvergensi bukti.Untuk dapat melakukan interpretasi penggunaan lahan secara sederhana dan agar hasilnya mudah dipahami oleh orang lain (pengguna), diperlukan panduan kerja berupa sistem klasifikasi penggunaan lahan/tutupan lahan.
Klasifikasi penggunaan lahan merupakan pedoman atau acuan dalam proses interpretasi apabila data pemetaan penggunaan lahan menggunakan citra
penginderaan jauh. Tujuan klasifikasi supaya data yang dibuat informasi yang sederhana dan mudah dipahami. Sedangkan para ahli berpendapat Penggunaan lahan yaitu segala macam campur tangan manusia, baik secara menetap maupun berpindah – pindah terhadap suatu kelompok sumberdaya alam dan sumberdaya buatan, yang secara keseluruhan disebut lahan, dengan tujuan untuk mencukupi kebutuhan baik material maupun spiritual, ataupun kedua – duanya (Malingreau, 1978).
Pengelompokan objek-objek ke dalam kelas-kelas berdasarkan persamaan dalam sifatnya, atau kaitan antara objek-objek tersebut disebut dengan klasifikasi. Menurut Malingreau (1978), klasifikasi adalah penetapan objek-objek kenampakan atau unit-unit menjadi kumpulan-kumpulan di dalam suatu sistem pengelompokan yang dibedakan berdasarkan sifat-sifat yang khusus berdasarkan kandungan isinya. Klasifikasi penggunaan lahan merupakan pedoman atau acuan dalam proses interpretasi apabila data pemetaan penggunaan lahan menggunakan citra penginderaan jauh. Tujuan klasifikasi supaya data yang dibuat informasi yang sederhana dan mudah dipahami.
Obyekp adafoto/ citra lain
Warna: hijau – cyan Ukuran: 100 x 110 m2 Tekstur: halus Pola: - Bayangan: - KESIMPULAN JENIS OBYEK:
Lahan kosong yang dipersiapkan untuk pengembangan perumahan
Penyempitan kemungkinan jenis obyek
KEMUGKINAN JENIS OBYEK: Sawah kering Tegalan Lapangan s. bola Lahankosongtak dimanfaatkan KEMUNGKINN JENIS OBYEK Tegalan Lahankosongtak dimanfaatkan Situs: dekatjalan Asosiasi: adakelompokobjekmenyer upaiperumahan (dari proses interpretasisebelumnya)
Kajian perubahan penggunaan lahan merupakan salah satu kajian yang sangat penting bagi wilayah yang memiliki kecepatan perubahan yang tinggi. Hal ini tidak hanya berlaku di wilayah perkotaan yang umumnya mengakuisisi lahan pertanian sebagai upaya pemenuhan kebutuhan lahan untuk permukiman dan industri/jasa. Wilayah lain seperti wilayah antarmuka hutan dan lahan pertanian seringkali menjadi krusial dalam aspek berkurangnya tutupan lahan hutan. Ekstraksi informasi penggunaan lahan dari data penginderaan jauh adalah satu proses yang sangat menentukan dalam analisis perubahan penggunaan lahan. Penginderaan jauh merupakan sistem yang sangat prospektif digunakan dalam pemantauan bumi. Namun demikian, informasi yang diturunkan dari penginderaan jauh merupakan informasi sesaat sehingga informasi yang dapat diperoleh merupakan informasi penutupan lahan. Pada wilayah tropik dimana perubahan terjadi sangat cepat, penutupan lahan menjadi terlalu dinamis untuk mengkaji struktur wilayah. Kajian wilayah pada umumnya membutuhkan informasi penggunaan, bukan penutupan, lahan sebagai informasi dasar. Hal ini tentu saja tidak dapat diterapkan dengan mudah bila ekstraksi informasinya diperoleh dari data penginderaan jauh. Pemahaman terhadap wilayah yang ditunjang dengan hasil survei atau pengamatan lapangan dapat dimanfaatkan untuk mengkonversi data penutupan lahan menjadi data penggunaan lahan. Berbagai riset menyatakan bahwa aksesibilitas merupakan salah satu faktor penting yang mempengaruhi perkembangan dan dinamika suatu wilayah. Jika perubahan penggunaan lahan dipandang sebagai representasi dari perkembangan dan dinamika wilayah, maka kondisi akses merupakan salah satu faktor penting yang seharusnya dipertimbangkan untuk memahami dinamika perubahan penggunaan lahan. Dengan alasan tersebut analisis terhadap pengaruh pembangunan satu jaringan jalan yang menjadi pewakil aksesibilitas terhadap dinamika perubahan penggunaan lahan dirasakan sebagai salah satu kajian yang penting untuk dilakukan.
Kegiatan lapangan untuk melakukan uji akurasi merupakan salah satu upaya untuk melatih kita agar dapat mengetahui keadaan langsung di lapangan untuk membuktikan keakuratan data yang diperoleh dengan keadaan langsung dilapangan. Sebelum melakukan kegiatan lapangan, ada 1 hal yang penting sebagai patokan utama kita agar tidak menghabiskan waktu dan biaya dalam pengerjaan lapangan yaitu penggunaan dan interpretasi citra. Dengan citra kita dapat melihat wilayah
dalam skala yang kita inginkan, sehingga tidak perlu untuk menguji semua titik sampel yang ada. Citra untuk pengerjaan lapangan yang telah di interpretasi berdasarkan kelas penutup lahan maupun penggunaan lahan maka akan menjadi patokan dalam proses pengujian akurasi citra. Dari hasil interpretasi citra dapat kita lihat terdapat kebun, sawah, hutan, semak, tubuh air, pemukiman,dan lahan kosong. Dari kenampakan-kenampakan tersebut akan diuji keakuratan kkenampakan yang terdapat pada citra dengan kenampakan yang ada di lapangan dengan menggunakan tabel cek akurasi kenampakan dimana diperoleh data yang agak banyak kenampakannya berubah misalnya sawah dicitra menjadi pemukiman di lapangan,hal ini dapat dikatakan bahwa lahan yang mulanya sawah telah beralih fungsi. Hal ini dikarenakan oleh faktor-faktor yang mempengaruhi sehingga perubahan tersebut mempengaruhi hasil interpretasi oleh karena itu pengujian lapangan secara langsung sangat perlu dilakukan untuk mengetahui keakuratan data itu sendiri. Pesatnya pembangunan yang berlangsung sehingga dalam tahun-tahun terakhir ini kenampakan pada citra yang sudah lama dicetak sangat berbeda dengan kenampakan yang ada dilapangan sekarang. Adanya perbedaan interpretasi antara kenampakan yang diperoleh dari kegiatan survey lapangan atau uji lapangan secara langsung menimbulkan kesalahan dalam klasifikasi. Kesalahan klasifikasi ini biasanya terjadi oleh karena adanya kekeliruan penetapan informasi dari kelas spketral itu sendiri. Banyak sekali manfaat dari kegiatan lapangan ini selain mengetahui kenampakan asli dilapangan serta menguji keakuratan sebuah data atau citra ,kegiatan lapangan juga bertujuan untuk menambah local knowledge interpreter secara lebih luas tidak hanya memperhatikan sebuah citra dilaboratorium saja melainkan dapat melihat secara langsung ,membuktikan kebenaran dari data tersebut, dan dapat mengetahui perkembangan-perkembangan yang terjadi dilapangan secara langsung dalam kurun waktu yang berbeda. Selain mengji kebenaran antara kenampakan dicitra dan kenampakan dilapangan saatnya melakukan cek akurasi dengan menggunakan rumus yang telah ada seperti overall accuracy, user accuracy, error commission, producer’s accuracy, serta menggunakan rumus Kappa coefficient. Berikut contoh dari cek akurasi menggunakan tabel akurasi dan rumus Kappa.
Contoh tabel uji akurasi : Classified Reference Data
Data Awan Bayangan badan air vegetasi jarang vegetasi rapat pemukiman tanah kosong Row Total users acc (%) Awan 46 0 0 0 0 0 0 46 100 Bayangan 0 40 0 0 0 0 0 40 100 badan air 0 0 6 0 0 0 0 6 100 vegetasi j 0 0 0 11 0 0 0 11 100 vegetasi r 0 0 0 0 10 0 0 10 100 pemukiman 0 0 0 0 0 8 0 8 100 tanah kosong 0 0 0 0 0 0 8 8 100 Column Total 46 40 6 11 10 8 8 129 N Producers acc 100 100 100 100 100 100 100 ∑Xii = 129 ∑Xi+.X+i = 4101 Overall acc (%) = 100 Kappa acc = 100
Evaluasi akurasi terhadap besarnya kesalahan klasifikasi area contoh untuk menentukan besarnya persentase ketelitian pemetaan. Evaluasi ketelitian pemetaan meliputi jumlah piksel area contoh yang diklasifikasikan dengan benar atau salah, pemberian nama kelas secara benar, persentase banyaknya piksel dalam masing-masing kelas serta persentase kesalahan total. Akurasi ketelitian pemetaan diuji dengan membuat matriks contingency yang lebih sering disebut dengan matriks kesalahan (confusion matrix) (Hermawan, 2008).
Akurasi yang bisa dihitung berdasarkan tabel di atas antara lain User’s accuracy, Producer’s Accuracy dan Overall accuracy. Nilai akurasi yang paling banyak digunakan adalah akurasi Kappa, karena nilai ini memperhitungkan semua elemen (kolom) dari matrix. Nilai overall accuracy yang merupakan perbandingan jumlah total area (piksel) yang diklasifikasikan dengan benar terhadap total area (piksel) observasi, menunjukkan tingkat kebenaran citra hasil klasifikasi. Producer’s accuracy dan user’s
accuracy menunjukkan tingkat akurasi dari sisi pengamatan yang berbeda. Producer’s accuracy adalah probabilitas/peluang rata-rata (%) suatu piksel akan diklasifikasikan dengan benar dan secara rata-rata menunjukkan seberapa baik setiap kelas di lapangan telah diklasifikasi. Sedangkan User’s accuracy adalah probabilitas/peluang rata-rata (%) suatu piksel dari citra yang telah terklasifikasi, secara aktual mewakili kelas kelas tersebut di lapangan (Hermawan 2008).
Dari hasil perhitungan dengan rumus diatas diperoleh hasil User’s accuracy sebesar 100, Producer’s Accuracy sebesar 100 %, Overall acc (%) yaitu 100 % Kappa acc yaitu 100 %. Hal ini menunjukkan bahwa piksel-piksel dalam area contoh telah terkelaskan dengan baik, dimana tingkat akurasinya mencapai 100 %. Pada producer’s accuracy, keseluruhan kelas mempunyai nilai producer’s accuracy sebesar 100 %. Ini menunjukkan bahwa pada kelas-kelas tutupan dan penggunaan lahan tersebut tidak terjadi kesalahan klasifikasi dengan tidak mengambil piksel dari kelas lain. Berdasarkan nilai Kappa Accuracy pada 100 %, sehingga klasifikasi yang kurang akurat sehingga analisis yang didasarkan pada perbandingan piksel per piksel menghasilkan juga akurat. Pada user’s accuracy, keseluruhan kelas mempunyai nilai producer’s accuracy sebesar 100 %. Hal ini menandakan bahwa piksel dari kelas tutupan dan penggunaan lahan tersebut tidak ada yang masuk ke kelas lain. Dengan nilai akurasi mencapai 100 % maka piksel-piksel yang digunakan sudah cukup mewakili karakterisik masing-masing kelas.
5.4. REVISI PETA RBI