BAB V. KESIMPULAN DAN SARAN
5.3. Permasalahan-Permasalahan Dalam penelitian
1. Daerah penelitian yang tercakup pada penelitian ini sangat sempit untuk citra resolusi rendah (Citra Terra MODIS) yang digunakan, pengambilan area yang lebih luas terbentur pada banyaknya sampel infiltrasi yang akan diambil.
2. Munculnya stripping pada hasil analisis LSMA Citra Terra-MODIS, akan mempengaruhi interpretasi limpasan permukaan. Masalah ini merupakan masalah mendasar yang tidak dapat terpecahkan dalam penelitian ini.
3. Banyaknya liputan awan Citra Terra MODIS masih merupakan kendala untuk daerah-daerah penelitian yang berada pada garis ekuator seperti di Kalimantan.
RINGKASAN
PENDAHULUAN
Tutupan lahan merupakan faktor yang sangat dinamis. Banyak metode yang telah digunakan untuk mengindentifikasikan perubahan tutupan lahan terkendala akibat proses dinamisasi faktor tutupan lahan yang tidak diikuti dengan ketersediaan data dan informasi yang uptodate. Kalaupun ada tingkat kedetailannya kadang belum mampu mengakomodir berbagai kepentingan, akibat ketidak seragaman sistim klasifikasi tutupan lahan yang diacu (Danoedoro, 2004). Disisi lain, tingginya tingkat kerusakan DAS yang ditandai makin meningkatnya frekuensi banjir, serta cepatnya proses alih fungsi lahan merupakan kajian yang mendesak dalam analisis DAS. Untuk mengatasi kelangkaan informasi tersebut, maka pemanfaatan citra satelit dengan terapan teknik penginderaan jauh , merupakan pilihan yang tepat.
Dalam konteks tutupan lahan, berbagai penelitian menunjukan bahwa citra satelit MODIS saat ini merupakan jenis citra yang paling diminati, khususnya di Indonesia. Selain spesifikasi teknis, harga yang jauh lebih murah dibandingkan citra jenis lain, mudah perolehannya, indeks perekaman yang jelas pada setiap wilayah, menjadikannya menjadi daya tarik tersendiri.
Koefisien limpasan permukaan merupakan faktor penting yang harus diperhitungkan dalam penentuan volume limpasan. Selain faktor lain berupa relief, infiltrasi tanah, timbunan air permukaan, besar kecilnya koefisien permukaan suatu DAS dipengaruhi oleh buruknya tutupan lahan pada DAS tersebut. Salah satu pendekatan untuk mengetahui perubahan tutupan lahan (landcover) untuk data citra digital multispektral dapat dilakukan melalui pendekatan pengenalan respon nilai spektral. Pendekatan ini mengasumsikan bahwa obyek yang terdapat di permukaan bumi dapat dibedakan antara yang satu dengan yang lain melalui respon nilai spektralnya. Metode klasifikasi multispektral yang digunakan dalam mengklasifikasikan nilai spektral biasanya merujuk kepada metode-metode
konvensional seperti maximum likelihood, minimum distance, maupun menggunakan metode parallelepiped.
Pada metode-metode klasifikasi multispektral di atas, satu piksel citra diasumsikan hanya mengandung satu jenis obyek saja (pure pixel). Namun pada kenyataannya satu piksel pada citra multisaluran seperti piksel yang dimiliki oleh citra MODIS dengan resolusi spasial 500 x 500 meter, dapat memiliki lebih dari satu obyek. Adanya piksel campuran (mixel) ini dapat mengganggu ketelitian dalam proses klasifikasi selanjutnya.
Kemajuan ilmu pengetahuan dan teknologi akhir-akhir ini mengantarkan peningkatan berbagai aplikasi dan pemanfaatan ilmu penginderaan jauh dalam berbagai aspek kajian termasuk kajian hidrologi. Salah satu pemanfaatannya teknologi tersebut adalah dapat mengatasi permasalahan piksel campuran yang dihasilkan oleh rendahnya resolusi spasial oleh sistim sensor satelit, misalnya satelit MODIS. Diantara metode klasifikasi yang digunakan untuk mengatasi permasalahan piksel campuran (mixel) yaitu dengan menggunakan Linear Spectral Mixture Analysis (LSMA) dan Fuzzy Classification.
1.3. Tujuan Penelitian
Tujuan yang ingin dicapai dalam penelitian ini adalah sebagai berikut :
4. Melihat sejauh mana efisiensi dan tingkat akurasi citra fraksi endmember citra Terra MODIS dalam menganalisis tutupan lahan di wilayah sub DAS Riam Kanan Propinsi Kalimantan Selatan?
5. Sejauh mana tingkat akurasi dari algoritma klasifikasi Linear Spectral Mixture Analysis (LSMA) dalam menyadap informasi tutupan lahan dari citra MODIS, dibandingkan dengan citra dengan resolusi yang lebih tinggi dalam hal ini Citra Landsat 7 ETM+.
6. Memetakan distribusi koefisien aliran di Sub DAS Riam Kanan Propinsi Kalimantan Selatan melalui Interpretasi Citra Satelit dan Sistem Informasi Geografis.
TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN Penginderaan Jauh
Penginderaan Jauh adalah ilmu dan seni untuk memperoleh informasi tentang suatu obyek, daerah atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa kontak langsung dengan obyek, daerah atau fenomena yang dikaji (Lillesand, et al., 2004).
Hidrologi Daerah Aliran Sungai
DAS merupakan daerah dimana semua airnya mengalir ke dalam suatu sungai yang dimaksud. Daerah ini umumnya dibatasi oleh batas topografi, yang berarti ditetapkan berdasarkan aliran permukaan. Batas ini tidak ditetapkan berdasarkan air bawah tanah karena permukaan air tanah selalu berubah sesuai dengan musim dan tingkat kegiatan pemakaian (Sriharto, 1993). Aliran permukaan menurut Linsley (1982) akan dialirkan oleh suatu sistem sungai yang saling berhubungan sedemikian rupa, sehingga aliran-aliran yang berasal dari kawasan tersebut keluar melalui suatu aliran tunggal
Peran Vegetasi dalam Hidrologi Daerah Aliran Sungai
Peran vegetasi dalam fungsi hidrologi DAS sangat penting karena berkaitan dengan aliran permukaan DAS tersebut. Apabila vegetasi diubah dalam batas tertentu, dapat mempengaruhi respon aliran air dalam DAS terhadap curah hujan tertentu (Asdak, 2002). Keberadaan vegetasi memberikan kesempatan yang lebih banyak bagi air hujan yang jatuh untuk menguap dan terinfiltrasi, sehingga mengurangi kesempatan air untuk membentuk aliran permukaan.
Infiltrasi Tanah
Infiltrasi adalah aliran air ke dalam tanah melalui permukaan tanah. Dalam infiltrasi dikenal dua istilah yaitu kapasitas infiltrasi dan laju infiltrasi (dinyatakan dalam mm/ham). Kapasitas infiltrasi adalah laju infiltrasi maksimum untuk suatu
jenis tanah tertentu, sedang laju infiltrasi adalah kecepatan infiltrasi yang nilainya tergantung pada kondisi tanah dan intensitas hujan (Triatmodjo, 2009).
Kemiringan Lereng
Semakin besar kemiringan lereng suatu DAS, semakin cepat laju air larian, dengan demikian akan mempercepat respon DAS tersebut oleh adanya curah hujan. Bentuk topografi seperti kerimingan lereng, keadaan parit, bentuk-bentuk cekungan permukaan tanah lainnya akan mempengaruhi laju dan volume air larian. DAS dengan sebagian bentang lahan datar atau pada daerah cekungan-cekungan tanah tanpa saluran pembuangan (outlet) akan menghasilkan air larian yang lebih besar dibandingkan daerah DAS dengan kemiringan lereng yang lebih besar serta pola pengairan yang lebih baik.
Analisis Timbunan Air Permukaan
Analisis timbunan air permukaan dapat didekati dengan pengukuran kerapatan aliran. Linsley (1949) dalam Asdak (2002) mengemukakan bahwa suatu daerah cepat kering atau mengalami penggenangan dapat dilihat dari penilaian kerapatan alirannya. Kerapatan kurang dari 1 mil/km2 menunjukan bahwa daerah tersebut selalu mengalami penggenangan, sedangkan lebih dari 5 mil/km2 daerah tersebut cepat kering. Hal ini dikarenakan daerah yang mempunyai alur-alur sungai rapat (kerapatan alirannya tinggi) berarti tidak memberikan kesempatan aliran permukaan ditahan oleh lereng-lereng sebelum mencapai sungai.
Koefisien Limpasan (Runoff Coeficient)
Koefisien aliran adalah cara mudah yang digunakan untuk menggambarkan rasio dari rata-rata aliran dengan rata-rata hujan (Hudson, 1995), sedangkan Sosrodarsono (1976) mengemukakan dua pengertian dari koefisien aliran. Pertama koefisien aliran mempunyai arti yaitu koefisien aliran puncak yang menunjukkan perbandingan antara besarnya puncak aliran dengan intensitas hujan rata-rata selama
waktu tiba banjir dan luas pengaliran. Pengertian kedua mengartikan koefisien aliran adalah perbandingan antara jumlah aliran langsung dengan jumlah curah hujan.
Sistim Informasi Geografis
Sistim Informasi Geografis (SIG) adalah himpunan alat (tools) yang digunakan untuk pengumpulan, penyimpanan, pengaktifan sesuai kehendak, pentransformasian, serta penyajian data spasial dari suatu fenomena nyata di permukaan bumi untuk maksud-maksud tertentu, data yang dimaksud adalah data spasial atau keruangan maupun atribut yang bersifat keterangan (Burrough, 1986).
Linear Spectral Mixture Analysis (LSMA)
Linear Spectral Mixture Analysis menyediakan suatu strategi kuantitatif dalam mempelajari citra multispektral. Metode ini telah digunakan untuk melakukan deteksi subpiksel serta klasifikasi dari piksel campuran pada citra hasil penginderaan jauh (Aklein, 1988).
Pada Linear Spectral Mixture Analysis, nilai spektral pada piksel dimodelkan sebagai kombinasi linear dari pantulan setiap endmember, yang besarnya sesuai dengan persentasi tutupan dari setiap endmember di lapangan. Endmember merupakan komponen fisik dasar yang secara fundamental dianggap tidak bercampur dengan komponen yang lainnya dalam sebuah piksel. Asumsi mengenai model linear diperlukan agar setiap komponen dapat dengan mudah diatur dan dipisahkan dari sebuah piksel. Model pemisahan spektral linier hasil pengukuran nilai kecerahan dari piksel tunggal dalam saluran tunggal dimodelkan sebagai berikut (Aklein, 1998) :
... (1) Dimana :
Rmeas,b = nilai kecerahan hasil pengamatan dalam setiap saluran
Rem,b = nilai pantulan spektral dari endmember dalam setiap saluran Fem,b = nilai fraksi dari endmember pada setiap piksel dalam setiap saluran εb = error atau kesalahan antara nilai kecerahan yang dimodelkan dan
nilai kecerahan yang diukur dalam setiap saluran
( )
∑
= + = n em b b em b em b meas R F R 1 , , , εBila terdapat m saluran dengan n endmember, maka dalam bentuk matriks persamaan diatas menjadi :
... (2)
Sebagai batasan, jumlah dari semua fraksi endmember sama dengan satu (Aklein, 1998): ... (3) 1 ... 13 2 1 + i + + + in = i f f f f dan 0 ≤ fin ≤ 1 ... (4) RMS (Root Mean Square) error dihitung untuk setiap piksel berdasarkan pada perbedaan antara nilai kecerahan yang dimodelkan dan nilai kecerahan yang diukur dari setiap piksel dalam saluran yang dinyatakan dengan (Aklein, 1998) :
………(5)
……….. (6)
Dimana :
εi = error pada piksel ke-i m = jumlah saluran n = jumlah endmember
Rij = nilai kecerahan pada piksel ke-i saluran ke-j Rjk = nilai piksel murni pada saluran ke-j endmember k fk = fraksi piksel ke-i, endmember k
i = indeks piksel (1,2,3,..., jumlah baris x jumlah kolom) ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ + ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ im i i in i i mn m m n n i i i f f f x r r r r r r r r r R R R ε ε ε ... ... ... ... ... ... ... ... ... ... 2 1 1 1 12 1 2 22 21 1 12 11 4 2 1
∑
= = n j j F 1 1( )
1/2 1 2 mod 1 ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =∑
= m j el ij i R R m ε 2 / 1 1 2 1 * 1 ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − =∑ ∑
= = m j n k ik jk ij i R r f m εj = indeks saluran (1,2,3,..., m) k = indeks endmember (1,2,3,...) Pixel Purity Index (PPI)
Pixel Purity Index (PPI) digunakan untuk menentukan nilai ekstrem spektral murni dari piksel. Hal ini berkaitan erat dengan respon nilai spektral dari setiap material yang memberikan kombinasi linier untuk menghasilkan semua nilai spektral pada citra. PPI dimodelkan dengan menggunakan proyeksi n-Dimensi dari Scatter Plot ke ruang 2-D yang kemudian ditandai dengan piksel yang ekstrem pada setiap hasil proyeksi. Piksel ekstrem yang dihasilkan dari setiap proyeksi akan direkam dan jumlah total dari waktu setiap piksel yang ditandai ekstrem akan dicatat.
Transformasi Minimum Noise Fraction (MNF)
Transformasi Minimum Noise Fraction (MNF) merupakan algoritma yang terdiri dari dua operasi reduksi data yang dilakukan secara berurutan (Green et al., 1988). Tahap pertama merupakan dasar untuk estimasi noise pada data yang direpresentasikan menggunakan matriks korelasi. Transformasi ini menskalakan dan mengkorelasikan kembali noise yang ada pada data dengan varians.
Maximum Likelihood
Algoritma Maximum Likelihood merupakan algoritma yang secara statitstik paling mapan, karena memberikan hasil akurasi yang tinggi dalam pemetaan tutupan lahan. Pada algoritma ini, pixel dikelaskan sebagai objek tertentu tidak karena jarak equalidiannya, melainkan oleh bentuk, ukuran dan orientasi sampel pada feature space yang berupa elipsoida. Pengambilan keputusan yang memperhatikan Maximum Likelihood dilakukan berdasarkan persamaan berikut (Danoedoro, 1996) :
...
( ) [ ( ) [ ( ) (
c)(
c)]]
(7) T c c c Cov X M Cov X M a D=ln − 0,5ln − 0,5 − −1 −Analisis Geostatistik
Bentuk Permukaan bumi mempunyai perbedaan pola spasial, contohnya nilai kecerahan (Brightness Value) dari sebuah citra diumpamakan terbentuk dari catatan tentang kekayaan ruang ini. Karakteristik spasial akan mengambil bentuk atau pola tertentu. Seorang analis seringkali mencoba mengetahui perbedaan pola spasial tersebut dengan cara menggambarkan dalam bentuk pola-pola spasial. Untuk mengukur perbedaan tersebut diperlukan sebuah piksel atau piksel tetangga untuk mengukur keterkaitan hubungan spasial pada sebuah data citra satelit.
Kriging
Kriging merupakan metode gridding yang bersifat fleksibel dan geostatical yang sangat bermanfaat di berbagai bidang dan menyediakan tampilan visual dengan daya tarik yang kuat bagi data yang tersebar secara tidak teratur. Metode ini berusaha untuk mengekspresikan trends yang terkandung di dalam data hasil pengukuran sehingga titik-titik tinggi yang terdapat disepanjang punggung bukit dapat dihubungkan berbeda dengan titik tinggi yang terisolasi oleh garis kontur (bull’s eye). Terdapat beberapa metode kriging yaitu ; 1) Model Variogram , 2) Model Drift dan 3) model Nugget effect (Prahasta, 2008).
Semi-Variogram
Semi-Variogram atau lebih sering disebut Variogram, merupakan ukuran perilaku data secara spasial. Variogram dipakai untuk menentukan jarak dimana nilai-nilai data pengamatan menjadi saling tidak tergantung atau tidak ada korelasinya korelasinya. Variogram adalah perangkat dasar Geostatistik untuk visualisasi, pemodelan, dan eksploitasi autokorelasi spasial dari variabel teregionalisasi. Secara umum persamaan semivariogram dirumuskan sebagai berikut :
……….(8)
∑[ ]
= − + = ( ) 1 2 ) ( ) ( ) ( 2 1 ) ( h N i i i h Z x x Z h N h γUji Akurasi Hasil Klasifikasi
Uji akurasi dengan metode LSMA dalam penelitian ini menggunakan pendekatan selisih antara hasil fraksi masing-masing endmember tiap piksel MODIS dengan hasil fraksi dari setiap endmember yang diperoleh dari pengamatan dengan citra resolusi lebih tinggi yaitu citra Landsat7 ETM+ . Model evaluasi akurasi dihitung dengan persamaan :
fdifference = f LSU – fLandsat ... (9)
Selanjutnya Root Mean Square Error (RMSE) pada persamaan berikut digunakan untuk evaluasi akurasi dari model yang digunakan :
S fLandsat fLSU fRMSE 2 ) ( − = ……….(10)
Dimana S adalah jumlah saluran yang digunakan pada proses LSU, fLSU adalah fraksi hasil LSU pada tiap piksel y dari citra Terra MODIS, fLandsat adalah persen setiap komponen tutupan lahan dari citra Landsat7 ETM+
Kerangka Pemikiran
Landasan teori dari penelitian ini adalah mempertimbangkan hubungan kenampakan bentang lahan (landscape features) dengan proses-proses hidrologi (hydrologic processes) melalui interpretasi citra satelit Terra-MODIS. Untuk mengkaji banyaknya pengaruh parameter yang mempengaruhi kondisi hidrologi skala DAS diperlukan model yang tepat yang lebih ditekankan kepada analisis empiris, terutama untuk menganalisis limpasan permukaan sebagai penyebab terjadinya banjir.
Penggunaan SIG saat ini banyak digunakan untuk bidang-bidang terapan seperti terapan dalam bidang hidrologi. Dalam kajian Daerah Aliran Sungai misalnya untuk studi kerawanan banjir, besarnya estimasi limpasan permukaan dapat dengan
mudah diperoleh dengan menggunakan SIG dengan cara menurunkan peta satuan lahan dan mengintegrasikan tabel-tabel skor pada setiap satuan pemetaan hasil dari penggabungan berbagai peta (peta tutupan lahan, peta kerapatan aliran, peta lereng dan peta infiltrasi tanah). Selanjutnya informasi spasial baru berupa peta turunan estimasi limpasan permukaan diperoleh dengan mengkalkulasi (overlay) keempat veriabel pembentuk limpasan permukaan.
Salah satu faktor penyebab terjadinya banjir adalah faktor perubahan tutupan lahan. Dalam konteks tutupan lahan diperlukan teknik interpretasi sistim klasifikasi tutupan lahan yang tepat dalam menyediakan informasi untuk keperluan analisis DAS. Penerapan sistim klasifikasi citra resolusi rendah untuk menganalisis tutupan lahan pada DAS dengan wilayah yang luas akan memberikan potensi masuknya mixed pixel jauh lebih besar daripada citra dengan resolusi spasial yang lebih tinggi. Penggunaan citra resolusi rendah seperti Citra Satelit MODIS dicoba pada daerah tutupan lahan seperti di Kalimantan dengan asumsi potensi masuknya mixel akan menjadi lebih banyak. Oleh karena itu diperlukan metode klasifikasi yang dapat mengatasi permasalahan mixel tersebut salah satunya yaitu dengan menggunakan Linear Spectral Mixture Analysis (LSMA).
Untuk mengetahui faktor-faktor yang berpengaruh terhadap limpasan permukaan suatu DAS dapat dianalisis melalui proses-proses yang terjadi dalam daur hidrologi dan pendekatan-pendekatan empiris. Empat faktor yang berpengaruh terhadap koefisien limpasan yaitu ; variabel infiltrasi, variabel vegetasi, variabel lereng dan variabel kerapatan alur drainase. Infiltrasi tanah dipengaruhi oleh permeabilitas dan kemampuan tanah dalam menampung air, yang selanjutnya akan berperan penting dalam menentukan besar kecilnya koefisien limpasan permukaan. Faktor vegetasi dapat memperlambat jalannya air larian dan memperbesar jumlah air yang tertahan di atas permukaan tanah (surface detention). Faktor lereng akan mempengaruhi perilaku hidrograf dalam hal timing, semakin besar kemiringan lereng suatu DAS, semakin cepat laju limpasan permukaan. Besar kecilnya kerapatan aliran (drainage density) suatu DAS akan memberikan pengaruh linier terhadap kecepatan
aliran, sebab semakin tinggi kerapatan aliran semakin besar pula kecepatan air larian untuk curah hujan yang sama.
Keempat variabel penentu koefisien aliran masing-masing diklasfikasikan dengan menggunakan pendekatan klasifikasi. Klasifikasi kemiringan lereng dan vegetasi tutupan lahan digunakan pendekatan sistim klasifikasi yang dikeluarkan oleh State of California Department of Transportation (SCDT), klasifikasi infiltrasi tanah menggunakan klasifikasi Richard dan Cossens yang disesuaikan dengan sistim klasifikasi metode SCDT. Sedangkan klasifikasi timbunan air permukaan digunakan dengan menggunakan metode klasifikasi kerapatan aliran yang diadaptasi dari Linsley (1959) dan Meijerink (1970), Gunawan (1991 dan SCDT (2000).
Dengan menggunakan bantuan Sistim Informasi Geografis (SIG), parameter-parameter fisik medan yang diekstraksi dari citra penginderaan jauh citra Terra-MODIS (tutupan lahan), kerapatan aliran, peta-peta penunjang seperti ; peta kemiringan lereng, dan peta tanah (data tanah), dikuantitatifkan dengan teknik pengharkatan tertimbang selanjutnya dilakukan operasi tumpang susun (overlay) untuk mendapatkan nilai koefisien limpasan permukaan.
Untuk membuktikan kebenaran dari estimasi koefisien limpasan permukaan hasil klasifikasi multispektral diuji dengan dengan menggunakan citra fraksi resolusi yang lebih tinggi dalam hal ini citra fraksi Landsat7 ETM+. Pengujian C estimasi dengan C aktual dilakukan dengan menggunakan tiga pembanding yaitu dengan menggunakan perhitungan data hidrologis, piksel homogen dan C-proporsi dari tabel.
Hasil akurasi dikatakan akurat bila C hasil estimasi tidak berbeda dengan C-pembanding dengan menggunakan hipotesis dari uji beda t berpasangan.
Hasil penelitian ini berupa citra fraksi endmember vegetasi, permukaan kedap air, tanah, tubuh air, tutupan lahan hasil klasifikasi metode Linear Spectral Mixture Analysis (LSMA), serta informasi distribusi spasial koefisien limpasan permukaan. Hasil penelitian diharapkan dapat dijadikan pijakan sebagai bahan pertimbangan dalam kegiatan pengelolaan konservasi tanah dan air khususnya sumberdaya air di sekitar DAS Riam Kanan termasuk didalamnya keberadaan waduk Riam kanan sebagai kawasan resapan air (Catchment Area) selanjutnya dengan ketersediaan dana
upaya-upaya untuk mitigasi bencana seperti banjir, dan longsor dapat diantisipasi secara dini.
METODE PENELITIAN
Penelitian ini dilakukan dengan pendekatan analisis citra digital Citra Terra-Modis untuk mendeteksi tutupan vegetasi pada tingkat sub-piksel dengan menggunakan metode Linear Spectral Mixture Analysis sebagai salah satu parameter input untuk menentukan koefisien aliran permukaan. Sistim Informasi Geografis (SIG) digunakan untuk pengolahan dan analisis data berupa tumpang susun (overlay) dan pengharkatan (scoring). Tumpang susun (Overlay) dilakukan untuk pembuatan peta satuan lahan, scoring digunakan untuk mengkuantitatifkan parameter penentu koefisien limpasan permukaan, serta pemetaan untuk memperoleh informasi distribusi spasial limpasan permukaan.
Koreksi Geometrik
Koreksi geometrik citra dilakukan pada distorsi geometrik non sistimatis. Koreksi geometrik yang dilakukan yaitu georeference MODIS 1B yang meliputi proses scalling, rotating, translating, dan skewing citra sesuai dengan ukuran sebenarnya. Pada proses koreksi ini dibutuhkan transformasi polinomial yang membutuhkan beberapa titik ikat medan untuk mentranformasikan koordinat citra pada posisi sebenarnya.
Koreksi Bow Tie dilakukan untuk menghilangkan duplikasi data pada baris-baris tertentu, terutama yang jauh dari nadir. Duplikasi data terjadi karena peningkatan Instantaneous Field of View (IFOV) dari 1 x 1 km dari titik terendah. Titik hampir mendekati 2 x 5 km pada sudut penyiaman maksimum 55o.
Koreksi dilakukan dengan menggunakan tools ENVI (Geoference Map) pada software ENVI 4.4. terhadap resolusi spasial 250 m saluran 1 (merah) dan saluran 2 (NIR), resolusi spasial 500 m pada saluran 3 (biru) dan 4 (hijau). Hasil koreksi geometrik dan bow-tie selanjutnya disimpan dalam format ENVI standar.
Konversi DN menjadi nilai reflektansi dengan menggunakan transformasi data setiap saluran yang digunakan menjadi reflektansi dengan menerapkan algoritma linear
spectral mixture analysis (LSMA). Metode yang dilakukan untuk membuat reflektansi terkoreksi dari data digital 16 bit adalah dengan metode koreksi atmosfer yang dalam prosesnya memerlukan informasi jarak matahari-bumi dan posisi sudut matahari (zenith).
Penentuan Indeks Kemurnian Piksel (Pixel Purity Index)
Penentuan nilai piksel murni dari setiap endmember merupakan tahap paling penting dari keseluruhan tahapan LSMA. Piksel murni tersebut adalah piksel yang mengandung nilai kecerahan (BV) dari suatu obyek (endmember) saja. Nilai murni dari setiap endmember diperoleh dari masing-masing saluran pada citra yang digunakan dalam penelitian ini. Untuk mendefenisikan piksel murni dari setiap endmember, dilakukan pemrosesan PPI (Pixel Purity Index) dengan menggunakan software ENVI 4.4. dengan input hasil dari transformasi Minimum Noise Fraction (MNF). Hasil dari PPI ini merupakan nilai piksel murni dari setiap endmember yang akan digunakan sebagai input dalam metode Linear Spectral Mixture Analysis.
Linear Spectral Mixture Analysis
Penerapan Linear Spectral Unmixing Analysis dilakukan dengan menggunakan tools Linear Unmixing yang telah disediakan pada software ENVI 4.4. Input pada tahap ini adalah nilai spektral murni dari setiap endmember yag dihasilkan dari proses PPI. Hasil dari proses ini berupa nilai desimal atau presentase (%) fraksi setiap enmember yang berada pada satu piksel. Proses ini menghasilkan citra fraksi dari setiap enmember dan citra fraksi RMSE yang dihasilkan dari persamaan (2).
Uji Akurasi Hasil Klasifikasi
Uji akurasi hasil klasifikasi/interpretasi diperlukan sebagai justifikasi ilmiah tentang layak tidaknya pendekatan atau metode yang dipakai dan untuk merekomendasikan seberapa besar tingkat kebenaran hasil interpretasi. Uji akurasi dilakukan dengan membandingkan hasil fraksi dari metode LSMA dengan menggunakan citra Terra MODIS tahun 2009 dengan hasil delineasi tutupan lahan
pada citra dengan resolusi yang lebih tinggi yaitu menggunakan citra Landsat7 ETM+ tahun yang sama yaitu tahun 2009. Metode yang digunakan untuk uji akurasi fraksi hasil LSMA adalah dengan menggunakan persamaan pendekatan RMSE pada persamaan (16).
Penentuan Estimasi Koefisien limpasan
Koefisien limpasan permukaan diperoleh dari tumpang susun (overlay) empat variabel pembentuk koefisien limpasan permukaan (C) yaitu : kemiringan lereng (slope), infiltrasi tanah, kerapatan aliran dan tutupan lahan. hasil yang diperoleh kemudian disesuikan dengan Tabel 3.3. (Tabel karakteristik pembentuk koefisien aliran metode Cook dengan modifikasi. Koefisien aliran (C) dihitung dengan menggunakan rumus sebagai berikut :
C 2009 = C land cover + C slope + C infiltrasi + C kerapatan aliran ……..(19)
Evaluasi Hasil Estimasi Koefisien limpasan permukaan
Evaluasi dilakukan untuk mengetahui sejauh mana ketepatan hasil estimasi, dengan melihat perbedaan dan persentase selisih antara nilai hasil estimasi dengan