2
1. PENDAHULUAN
Kota Salatiga merupakan salah satu kota di Jawa Tengah yang berada pada kaki Gunung Merbabu. Hawa sejuk dan dingin menjadi salah satu khas Kota Salatiga dan sudah digunakan sebagai daerah peristirahatan sejak jaman Belanda. Data Statistik Sektoral Kota Salatiga tahun 2020 menyebutkan Kota Salatiga memiliki luas wilayah ± 54,98 km² yang terdiri dari 4 kecamatan, 23 kelurahan dengan jumlah penduduk 196.082 jiwa. Salatiga merupakan kota yang menghubungkan antara kota Semarang dan Surakarta dengan ketinggian 450-800meter dari permukaan laut. Kota Salatiga merupakan kota yang dikelilingi oleh beberapa gunung seperti gunung Merbabu, Telomoyo dan Gajah Mungkur [1]. Kota Salatiga juga mendapat predikat kota paling toleran pada tahun 2020 oleh Setara Institute. Banyaknya keuntungan yang dimiliki Kota Salatiga tersebut, membuat banyak pendatang memutuskan untuk berdomisili di Kota Salatiga.
Berdasarkan data yang dipublikasikan oleh Data Badan Pusat Statistik (BPS) Kota Salatiga, jumlah penduduk kota Salatiga dari tahun 2010 hingga tahun 2020 terjadi peningkatan jumlah penduduk yang cukup pesat. Pada tahun 2010 jumlah penduduk kota Salatiga berjumlah 170.800 jiwa dan pada tahun 2020 jumlah penduduk kota Salatiga berjumlah 196.600 jiwa [2]. Berbanding terbalik dengan laju pertumbuhan penduduk kota Salatiga, menurut data BPS Kota Salatiga luas lahan sawah, luas lahan kering dan jumlah pohon di Kota Salatiga jumlahnya semakin menurun dari tahun ke tahun [2]. Peningkatan jumlah penduduk yang pesat, laju penambahan kepadatan bangunan pun juga bertambah sehingga area hijau di Kota Salatiga juga berkurang jumlahnya karena area hijau sudah berubah fungsi seiring dengan laju pertumbuhan penduduk. Permukaan yang dulunya merupakan tempat tumbuh pepohonan, lahan kering, area persawahan dan area hijau lainya sudah berubah fungsi menjadi bangunan perumahan, pertokoan, jalan dan infrastruktur. Perubahan fungsi permukaan tersebut, yang awalnya merupakan tempat resapan air dan lembab menjadi tempat yang kering sehingga sangat berpotensi meningkatkan suhu permukaan Kota Salatiga. Peningkatan suhu permukaan yang disebabkan oleh tutupan lahan sangat mempengaruhi iklim, kualitas udara, kesehatan manusia dan penggunaan energi sehingga studi mengenai perubahan suhu permukaan sangat penting [3]. Kepentingan lain yang menyebabkan perlunya studi mengenai perubahan suhu permukaan karena cuaca dunia dan pola iklim dapat dipengaruhi oleh peningkatan suhu permukaan tanah [3]. Selain itu, peningkatan suhu permukaan juga dapat menyebabkan banjir dan kenaikan muka air laut.
Studi mengenai perubahan suhu permukaan telah dilakukan sebelumnya menggunakan citra satelit yang dieksplorasi menggunakan metode-metode indeks vegetasi. Beberapa penelitian sebelumnya melakukan analisis perubahan suhu permukaan menggunakan Normalized Difference Vegetation Index (NDVI) untuk mengetahui tingkat kehijauan suatu wilayah sebagai kaitan dengan perubahan suhu permukaan karena vegetasi merupakan indikator dari dinamika suhu permukaan [3]. Penelitian menggunakan metode NDVI untuk menganalisis perubahan suhu permukaan telah dilakukan oleh Ningrum [3], Nugroho [4] dan Kosasih [5]. Penelitian oleh Ningrum [3] menunjukkan bahwa variasi indeks vegetasi yang cenderung turun akan menaikkan suhu permukaan tanah selaras dengan hasil penelitian oleh Nugroho [4] dan Kosasih [5]. Metode lain yang berkaitan dengan perubahan suhu permukaan adalah Normalized Difference Built-up Index (NDBI) karena dapat mengeksplorasi perubahan lahan terbangun. Belum banyak penelitian yang menggunakan metode NDBI untuk menganalisis perubahan suhu permukaan. Penelitian sebelumnya yang menggunakan metode NDBI dilakukan oleh Handayani [6] yang menunjukkan bahwa terjadinya peningkatan tutupan lahan terbangun akan meningkatkan suhu permukaan tanah. Parameter lain terkait dengan perubahan suhu permukaan adalah Albedo yang mengeksplorasi kekuatan pantulan permukaan benda berupa perbandingan radiasi surya yang dipantulkan dan radiasi yang datang [7]. Penelitian sebelumnya dilakukan oleh Ningrum [3] menunjukkan bahwa radiasi pantul di daerah urban memiliki nilai Albedo yang lebih tinggi daripada daerah vegetasi. Metode selanjutnya adalah Land Surface Temperature (LST) untuk mengeksplorasi nilai suhu permukaan tanah menggunakan citra satelit. Metode LST telah digunakan oleh Ningrum [3], Handayani [6], Nugroho [4] dan Kosasih [5] untuk melakukan pemetaan distribusi suhu permukaan tanah di wilayah penelitian. Penelitian menggunakan metode LST dilakukan dengan algoritma mono-window Brightness Temperature. Penelitian sebelumnya yang melakukan uji korelasi antara metode LST dengan metode NDVI, NDBI dan Albedo menunjukkan adanya hubungan korelasi yang tinggi. Pada penelitian ini juga akan dilakukan pemetaan suhu permukaan tanah menggunakan metode LST yang selanjutnya akan dilakukan uji korelasi menggunakan korelasi pearson dengan metode NDVI, NDBI dan Albedo.
Mempertimbangkan latar belakang di atas dan berdasarkan studi pustaka yang telah dilakukan pada penelitian terdahulu, penelitian ini akan melakukan eksplorasi nilai tutupan vegetasi (NDVI), tutupan non vegetasi seperti bangunan dan infrastruktur (NDBI), kekuatan pantulan permukaan benda (Albedo) dan suhu permukaan tanah (LST). Hasil eksplorasi selanjutnya akan dilakukan uji korelasi menggunakan korelasi Pearson untuk melihat hubungan keeratan antar metode. Penelitian ini menggunakan citra satelit Landsat 8 Operational Land Imager (OLI) tahun 2014 dan tahun 2021 pada bulan Mei. Perbedaan penelitian ini dengan penelitian sebelumnya adalah akan dilakukan klasifikasi lahan dengan kenaikan suhu permukaan tinggi. Metode Random Forest akan digunakan untuk proses klasifikasi menggunakan Rstudio. Hasil dari klasifikasi menggunakan Random Forest
3
selanjutnya dilakukan uji performa metode dengan mencari nilai akurasi dan nilai kappa. Uji performa metode dilakukan antara hasil klasifikasi metode Random Forest dengan hasil klasifikasi manual yang telah dicari korelasinya. Selanjutnya dilakukan uji usability untuk mengetahui kegunaan dari penelitian akan dilakukan dengan menyebarkan kuesioner kepada stakeholder terkait dalam penyusunan tata guna lahan Kota Salatiga yaitu Dinas Pekerjaan Umum dan Penataan Ruang (DPUPR) Kota Salatiga. Penelitian ini diharapkan dapat berguna sebagai sumber informasi kepadatan bangunan dan tutupan vegetasi yang berpengaruh pada perubahan suhu permukaan kota Salatiga. Selanjutnya penelitian ini dapat digunakan sebagai acuan dalam mengambil tindakan yang sesuai dengan perencanaan tata kota guna mengurangi panas permukaan kota Salatiga.
2. METODOLOGI PENELITIAN
Penelitian ini menggunakan data citra satelit Kota Salatiga yang terdiri dari 23 kelurahan pada tahun 2014 dan tahun 2021 pada bulan Mei. Bulan Mei dipilih karena tutupan awan pada bulan Mei sangat sedikit sehingga data dapat diolah secara maksimal. Data yang dipakai adalah citra satelit Landsat 8 OLI (Operational Land Imager), path/row 120/065, resolusi 30x30m data tersebut diperoleh dari United States Geological Survey (USGS) dengan alamat web https://earthexplorer.usgs.gov/.
2.1. Tahapan Penelitian
Gambar 1. Pseudocode dari proses korelasi, klasifikasi dan prediksi
input : data = (value_of_vi), train_data = data training, test_data = data testing, pred = prediction value, F = features, B = number of tree, f = very small subset of F
Correlation Pearson (data)
Classification Random_Forest (train_data, test_data) function Random_Forest(train_data, F)
for i = 1 to B do bootsrap_sampling in train_data end for
end function
function Randomized_Tree_Learn(train_data , F) return The learned tree
end function
function majority_vote(train_data , test_data)
for i = 1 to f do majority_vote in Randomized_Tree_Learn end function
calculation of accuracy (pred, test_data) calculation of kappa (pred, test_data) calculation of usability (data)
end for
4
Gambar 2. Kerangka Kerja Penelitian
Kerangka kerja penelitian ini ditunjukkan pada Gambar 2 dengan tahapan pelaksanaan sebagai berikut:
1. Pengambilan Data, tahap Pertama adalah pengambilan data citra satelit yang diperoleh dari United States Geological Survey (USGS) dengan alamat web https://earthexplorer.usgs.gov/. Data yang dipakai adalah citra satelit Landsat 8 OLI (Operational Land Imager), path/row 120/065, resolusi 30x30m pada tahun 2014 dan tahun 2021.
2. Pemrosesan Data, tahap kedua adalah pemrosesan data citra satelit Landsat 8 OLI yang terdiri dari 11 band yang memiliki nama dan panjang gelombang berbeda. Panjang gelombang tiap band berada pada 0.43-12.51. Pemrosesan data dilakukan dengan melakukan kombinasi band menggunakan software Qgis 2.8.1 untuk mendapatkan nilai NDVI, NDBI, LST dan Albedo sesuai dengan rumus yang ada.
3. Uji korelasi, tahap ketiga dilakukan pengujian korelasi menggunakan korelasi Pearson pada hasil pengolahan citra satelit. Hasil pengolahan citra yang dilakukan uji korelasi adalah NDVI, NDBI, Albedo dan LST. Tujuan proses korelasi ini untuk mengetahui hubungan indeks vegetasi, indeks lahan terbangun, kekuatan pantulan benda dan suhu permukaan lahan di kota Salatiga.
4. Klasifikasi Data, tahap ini dilakukan klasifikasi secara manual pada hasil NDVI, NDBI, Albedo dan LST tahun 2014 dan tahun 2019 yang berupa angka. Data pengolahan citra satelit diklasifikasikan menjadi 2 kelas tingkat kenaikan suhu, yaitu kenaikan suhu rendah dan kenaikan suhu tinggi.
Klasifikasi dan prediksi dilakukan menggunakan bahasa pemrograman R dan dilakukan pada tiap kelurahan dengan total sebanyak 23 kelurahan di Kota Salatiga. Klasifikasi juga dilakukan menggunakan Random Forest dengan data training sebanyak 60% dan data testing sebanyak 40% dari total 23 kelurahan.
5. Uji Performa Metode, tahap ini dilakukan untuk mengevaluasi performa hasil klasifikasi dan hasil pengolahan citra satelit yang telah dilakukan. Hasil uji performa akan menghasilkan nilai akurasi (overall accuracy) dan analisis kappa menggunakan metode pengukuran tertentu seperti matriks kesalahan (confusion matrix)[8]. Nilai akurasi dan kappa yang dihasilkan dapat menunjukkan seberapa maksimal metode pengolahan citra satelit yang digunakan.
5
6. Uji Usability, tahap ini dilakukan untuk mengevaluasi kebergunaan hasil penelitian pada stakeholder terkait dalam hal ini adalah DPUPR Kota Salatiga. Tahap uji usability ini dilakukan dengan cara membagikan kuesioner kepada pegawai DPUPR Kota Salatiga. Hasil dari tahap ini akan menunjukkan keefektifan hasil penelitian untuk stakeholder terkait.
2.2. Normalized Difference Vegetation Index (NDVI)
Normalized Difference Vegetation Index atau NDVI adalah sebuah metode yang digunakan untuk mengetahui kondisi tingkat kehijauan tanaman/tutupan vegetasi di suatu wilayah. NDVI sangat sensitif terhadap adanya klorofil tanaman, semakin tinggi nilai NDVI maka semakin banyak pula tutupan vegetasi di suatu wilayah sebaliknya semakin kecil nilai NDVI berarti di wilayah tersebut tutupan vegetasinya sedikit[4][9][10]. NDVI menunjukkan parameter berupa biomass daun hijau untuk melakukan pembagian vegetasi[11]. Pada penelitian ini nilai NDVI didapatkan dari perbedaan penyerapan radiasi maksimum di kanal Red (band 4) serta reflektansi maksimal di kanal Near Infrared (band 5) [12]. Nilai didapatkan dengan persamaan berikut:
𝑁𝐷𝑉𝐼 =(𝑁𝐼𝑅−𝑅𝐸𝐷)
(𝑁𝐼𝑅+𝑅𝐸𝐷)=𝑏𝑎𝑛𝑑5−𝑏𝑎𝑛𝑑4
𝑏𝑎𝑛𝑑5+𝑏𝑎𝑛𝑑 4 (1)
Di mana:
NDVI= Normalized Diffrerence Vegetation Index (Nilai: -1 < NDVI < 1) NIR= Near Infrared (Band 5 Landsat 8 OLI/TIRS)
RED= Red (Band 4 Landsat 8 OLI/TIRS)
Tabel 1. Klasifikasi Nilai NDVI
(Sumber : Peraturan Menteri Kehutanan Republik Indonesia Nomor P.23/Menhut-II/2012, 2012)
Kelas NDVI Keterangan
1 -1 - -0,03 Non vegetasi 2 -0,03 - 0,15 Vegetasi sangat rendah 3 0,15 - 0,25 Vegetasi rendah 4 0,26 - 0,35 Vegetasi sedang 5 0,36 - 1,00 Vegetasi tinggi 2.3. Normalized Difference Built-up Index (NDBI)
NDBI (Normalized Difference Built-up Index) merupakan indeks untuk menunjukkan kerapatan lahan terbangun seperti perkotaan atau lahan yang sudah tertutup bangunan [13]. NDBI dipilih karena algoritma ini sangat sensitif terhadap lahan yang tertutupi bangunan karena tingginya pantulan Shortwave Infrared (SWIR) dibandingkan dengan lahan Near-Infrared (NIR)[6]. NDBI akan menampakkan nilai yang tinggi pada lahan terbangun dibanding dengan objek lainnya sehingga dapat memudahkan pemetaan daerah terbangun. NDBI memanfaatkan band SWIR dan NIR dengan algoritma sebagai berikut [14]:
𝑁𝐷𝐵𝐼 =(𝑆𝑊𝐼𝑅−𝑁𝐼𝑅)
(𝑆𝑊𝐼𝑅+𝑁𝐼𝑅) (2)
Di mana:
NDBI= Normalized Difference Built-up Index
SWIR= Shortwave Infrared (Band 6 Landsat 8 OLI/TIRS) NIR= Near Infrared (Band 5 Landsat 8 OLI/TIRS)
Tabel 2. Klasifikasi Nilai NDBI
Kelas NDBI Keterangan
1 -1 - 0 Non pemukiman
2 0 - 0,1 Pemukiman jarang 3 0,1 - 0,2 Pemukiman rapat 4 0,2 - 0,3 Pemukiman sangat rapat
2.4. Albedo
Nilai albedo merepresentasikan kekuatan pantulan permukaan benda yang merupakan perbandingan antara radiasi surya yang dipantulkan dengan radiasi yang datang [7]. Nilai tertinggi albedo dimiliki oleh lahan terbangun berupa bangunan jika dibandingkan dengan lahan yang memiliki tutupan vegetasi berdaun lebar. Nilai albedo memiliki rentang antara 0 sampai 1 bervariasi berdasarkan tutupan lahan [3]. Nilai albedo akan berbeda-beda seperti aspal 5-15%, batu bata 20-50% dan beton 10-50% yang artinya aspal akan memantulkan kembali 5-15% dari radiasi matahari ke atmosfer dan selisihnya akan diserap, begitupun dengan beton dan batu bata. Hal ini dapat disimpulkan tutupan permukaan beton dan batu bata akan lebih
6
dingin daripada aspal. Tutupan warna cat juga sangat berpengaruh dengan nilai albedo seperti cat hitam akan bernilai 2-15% sedangkan cat putih bernilai 50-90%. Nilai Albedo diperoleh menggunakan eksplorasi citra Landsat 8 dengan persamaan berikut [15]:
𝐴𝑙𝑏𝑒𝑑𝑜 = ((0.356 ∗ 𝐵1) + (0.13 ∗ 𝐵3) + (0.373 ∗ 𝐵4) + (0.085 ∗ 𝐵5) + (0.072 ∗ 𝐵7) − 0.0018)
1.016 (3)
Di mana:
B1= Visible (Band 1 Landsat 8 OLI/TIRS) B3= Visible (Band 3 Landsat 8 OLI/TIRS) B4= Red (Band 4 Landsat 8 OLI/TIRS)
B5= Near Infrared (Band 5 Landsat 8 OLI/TIRS) B7= Shortwave Infrared (Band 7 Landsat 8 OLI/TIRS) 2.5. Land Surface Temperature (LST)
Land Surface Temperatur (LST) merupakan parameter yang memiliki pengaruh pada penelitian perubahan iklim. LST dapat mengetahui fluks energi gelombang panjang yang kembali ke atmosfer dan sangat tergantung pada keadaan parameter permukaan lainnya seperti albedo, kelembapan permukaan, kondisi dan tingkat penutupan vegetasi [4]. Eksplorasi LST dilakukan dengan memproses citra satelit Landsat 8 yang dikoreksi secara geometris dan selanjutnya dilakukan bebErapa langkah berikut [16]:
1. Menentukan Top of Atmospheric Spectral Radiance (TOA)
Produk Landsat 8 standarnya berupa Digital Numbers (DN) dalam skala yang terukur dan terkalibrasi. Nilai DN merepresentasikan nilai piksel dari tiap band. Digital numbers citra Landsat diubah menjadi radiasi spektral. Penentuan radiasi spektral band termal (band 10) pada Landsat 8 didasarkan persamaan (USGS 2018)[5]. Langkah pertama untuk mencari LST adalah mengkonversikan nilai DN ke TOA dari band 10 ke at-sensor radiasi spektral menggunakan persamaan (4) [17], [18].
𝐿 𝜆= 𝑀𝐿∗ 𝑄𝑐𝑎𝑙+ 𝐴𝐿 (4)
Di mana:
𝐿𝜆= TOA spectral radiance (Watts/( m2 * srad * μm))
𝑀𝐿= Band-specific multiplicative rescaling factor dari metadata citra satelit (RADIANCE_MULT_BAND_10)
𝐴𝐿= Band-specific additive rescaling factor from dari metadata citra satelit RADIANCE_ADD_BAND_10)
𝑄𝑐𝑎𝑙= Quantized and calibrated standard product pixel values (DN) 2. Menentukan Brightness Temperature (BT)
Setelah mengkonversi nilai DN menjadi nilai radiansi spectral (TOA), selanjutnya mengkonversi nilai TOA menjadi suhu kecerahan (BT) menggunakan persamaan (5) [18].
𝐵𝑇 = 𝐾2
(𝑙𝑛(𝐾1
𝐿𝜆)+1)− 273.15 (5)
Di mana,
BT = Top of atmosphere brightness temperature (°C) 𝐿𝜆= TOA spectral radiance (Watts/( m2 * srad * μm)) 𝐾1= 𝐾1 Constant Band 10
𝐾2 = 𝐾2 Constant Band 10
Tabel 3. Metadata Citra Satelit Landsat 8
Variabel Nilai Keterangan
𝐾1 774.8853 Thermal constants, Band 𝐾2 1321.0789 10
3. Menentukan Suhu Permukaan Tanah / Land Surface Temperature (LST)
Tahap selanjutnya untuk menghitung nilai LST adalah melakukang perhitungan NDVI yang selanjutnya digunakan untuk menghitung proportional vegetation (Pv) dan emisivitas (ԑ). Persamaan (6) digunakan untuk menentukan proporsional vegetasi dan persamaan (7) digunakan untuk menentukan emisivitas.
𝑃𝑣 = [(𝑁𝐷𝑉𝐼−𝑁𝐷𝑉𝐼𝑚𝑖𝑛)
(𝑁𝐷𝑉𝐼𝑚𝑎𝑥−𝑁𝐷𝑉𝐼)]2 (6)
E = 0.004 ∗ 𝑃𝑣 + 0.986 (7)
7 Di mana,
Pv = Proportion of Vegetation NDVI = Nilai DN dari citra NDVI
NDVI min = Nilai DN minimum dari citra NDVI NDVI max = Nilai DN maksimum dari citra NDVI E = LSE
LSE merupakan emisivitas rata-rata permukaan bumi yang dihitung dari nilai NDVI. Perhitungan LSE diperlukan dalam menghitung LST karena merupakan faktor proporsionalitas dengan skala radiasi benda hitam (Plank’s law) untuk mengukur radiasi yang memiliki kemampuan mentrasmisikan energi panas yang melintasi permukaan ke atmosfer [19].
Setelah emisivitas rata-rata permukaan bumi diperoleh, nilai suhu permukaan tanah dapat dihitung berdasarkan persamaan (8).
𝐿𝑆𝑇 = 𝐵𝑇
{1+ [ 𝜆 𝐵𝑇𝑐2 ] ln 𝐸} (8)
Di mana,
BT = brightness temperature (°C)
𝜆 = Central Wavelength of emitted radiance 𝑐2= h*c/s = 1.4388*10−2mK = 14388 𝜇𝑚 K E = LSE
2.6. Random Forest
Random Forest adalah salah satu algoritma dalam machine learning yang digunakan untuk mengklasifikasikan data. Algoritma random forest ini menggunakan decision tree atau pohon keputusan untuk melakukan proses seleksi dalam mengklasifikasikan data [20]. Algoritma ini sangat efektif untuk melakukan klasifikasi dengan data yang sangat banyak dan dapat digunakan dalam berbagai bidang salah satu contohnya digunakan untuk pengolahan klasifikasi citra satelit Landsat [21]. Metode Random Forest terdiri dari tiga langkah yang pertama adalah bootstrap sampling untuk membangun pohon keputusan, selanjutnya pohon keputusan akan melakukan prediksi secara acak, selanjutnya metode random forest akan memprediksi dengan mengkombinasikan masing-masing pohon keputusan dengan cara majority vote untuk klasifikasi [22].
Hasil klasifikasi dan prediksi yang didapatkan menggunakan metode Random Forest selanjutnya dilakukan uji performa klasifikasi dengan mencari nilai akurasi menggunakan Cohen’s Kappa [19]. Tahap awal klasifikasi dan prediksi dilakukan secara manual pada hasil pengolahan citra satelit dan selanjutnya diolah menggunakan metode Random Forest. Random Forest merupakan metode ensemble untuk klasifikasi dan regresi penentuan wilayah gambar dan pembuatan variable dari berbagai model untuk menghitung respon berdasarkan hasil dari pohon keputusan [21][23]. Setelah dilakukan klasifikasi dan prediksi menggunakan algoritma random forest maka dilakukan uji performa klasifikasi dengan menggunakan Cohen’s Kappa yang akan menghasilkan nilai akurasi [24].
𝑍𝑗=
∑ =1 𝑧𝑖 (ℎ𝑖𝑗+8)𝛽 𝑛
𝑖
∑ =1 𝑧𝑖 (ℎ𝑖𝑗+8)𝛽 𝑛𝑖
(9) Pengujian usability atau pengujian kebergunaan yang dilakukan pada penelitian ini berguna untuk mengetahui keefektifan hasil penelitian yang akan digunakan stakeholder terkait. Pengujian dilakukan dengan menyebarkan kuesioner kepada responden, dalam penelitian ini adalah pegawai DPUPR Kota Salatiga. Kuesioner yang dibagikan berisi kegunaan hasil perhitungan NDVI, NDBI, Albedo, LST dan daftar kelurahan dengan kenaikan suhu tinggi. Penghitungan hasil kuesioner dilakukan menggunakan rumus berikut [25]:
ℎ𝑎𝑠𝑖𝑙 𝑘𝑢𝑒𝑠𝑖𝑜𝑛𝑒𝑟 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛 𝑥 𝐵𝑜𝑏𝑜𝑡
𝐽𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑟𝑡𝑎𝑛𝑦𝑎𝑎𝑛 𝑥 𝑡𝑜𝑡𝑎𝑙 𝑗𝑢𝑚𝑙𝑎ℎ 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛 (10)
Bobot penilaian berada pada skala 1-5 dengan keterangan sebagai berikut : SS = Sangat Setuju = 5
S = Setuju = 4
CS = Cukup Setuju = 3
TS = Tidak Setuju = 2
STS = Sangat Tidak Setuju = 1
8
3. HASIL DAN PEMBAHASAN
Penelitian ini dilakukan untuk menganalisis perubahan suhu permukaan Kota Salatiga dengan menghitung nilai indeks vegetasi NDVI, NDBI, LST dan Albedo pada tahun 2014 dan tahun 2021. Tahap pertama penelitian dilakukan dengan melakukan pemotongan citra satelit menggunakan peta format shp yang akan menghasilkan citra dengan format tif [26]. Citra dipotong sesuai dengan area penelitian yaitu Kota Salatiga yang terdiri dari 23 kelurahan dan merupakan hasil kombinasi band pada tahun 2014 dan tahun 2021 yang selanjutnya dilakukan eksplorasi. Hasil eksplorasi citra ditampilkan pada Gambar 3, Gambar 4, Gambar 5 dan Gambar 6 yang selanjutnya dilakukan analisis korelasi untuk mengetahui hubungan keeratan antar indeks.
a) b)
Gambar 3. a) NDVI Kota Salatiga tahun 2014, b) NDVI Kota Salatiga tahun 2021
Gambar 3 merupakan hasil penghitungan NDVI Kota Salatiga tahun 2014 dan tahun 2021 diolah menggunakan raster calculator pada software Q-gis menggunakan band 4 dan band 5 citra Landsat 8. Band 4 dan band 5 pada Landsat 8 digunakan untuk menghitung NDVI karena klorofil memantulkan banyak Near Infrared (NIR) yang ada pada band 4 dan menyerap lebih banyak cahya merah yang terdapat pada band 5. Hasil penghitungan NDVI dibagi menjadi 5 kategori yaitu non vegetasi, vegetasi sangat rendah, vegetasi rendah, vegetasi sedang dan vegetasi tinggi. Hasil eksplorasi nilai NDVI memperlihatkan nilai rata-rata NDVI pada tahun 2014 adalah 0.3048 dan pada tahun 2021 adalah 0.2985 yang berarti bahwa jumlah tutupan vegetasi pada tahun 2014 lebih banyak daripada tahun 2021. Hal ini menunjukkan luasan wilayah bervegetasi tinggi pada Kota Salatiga semakin berkurang dari tahun 2014 ke tahun 2021.
9
a) b)
Gambar 4. a) NDBI Kota Salatiga tahun 2014, b) NDBI Kota Salatiga tahun 2021
Eksplorasi NDBI diolah menggunakan raster calculator pada software Q-gis menggunakan band 5 dan band 6 Landsat 8 yang memantulkan lebih banyak SWIR (band 6) daripada NIR (band 5) pada lahan terbangun. Hasil nilai NDBI dibagi menjadi 4 kategori yaitu non pemukiman, pemukiman jarang, pemukiman rapat dan pemukiman sangat rapat. Hasil eksplorasi metode NDBI menghasilkan nilai rata-rata tahun 2014 sebesar -0.1185 sedangkan tahun 2021 sebesar -0.0974 yang berarti nilai NDBI semakin tinggi. Semakin tingginya nilai NDBI memperlihatkan bahwa jumlah tutupan bangunan di kota Salatiga pada tahun 2021 lebih banyak daripada tahun 2014. Hal tersebut sejalan dengan hasil eksplorasi NDVI Kota Salatiga yang memperlihatkan tutupan vegetasi semakin berkurang, beralih fungsi menjadi lahan terbangun seperti terlihat pada hasil eksplorasi NDBI. Perubahan fungsi lahan juga dipengaruhi oleh peningkattan jumlah penduduk yang dikemukakan olehh BPS Kota Salatiga [2]. Peningkatan jumlah penduduk tentunya sangat berpengaruh pada perubahan tutupan lahan kota Salatiga karena semakin banyak lahan yang dibutuhkan untuk untuk tempat tinggal sehingga kebun atau area pekarangan akan berubah fungsi menjadi perumahan penduduk.
a) b)
Gambar 5. a) LST Kota Salatiga tahun 2014, b) LST Kota Salatiga tahun 2021
Gambar 5 merupakan hasil eksplorasi menggunakan metode Land Surface Temperatur (LST) untuk melihat perubahan suhu permukaan Kota Salatiga dari tahun 2014 ke tahun 2021. Penghitungan LST dilakukan menggunakan plugin yang terdapat pada software Q-gis. Tahap pertama dilakukan penghitungan TOA, selanjutnya dilakukan penghitungan BT dan terakhir dilakukan penghitungan LST. Terlihat bahwa eksplorasi citra
10
satelit tahun 2014 memiliki lebih sedikit kawasan dengan suhu permukaan tinggi dibandingkan dengan eksplorasi citra satelit tahun 2021. Rata-rata suhu permukaan Kota Salatiga tahun 2014 adalah 29.15℃ sedangkan tahun 2021 sebesar 31.4℃. Nilai LST ini sejalan dengan hasil eksplorasi NDVI dan NDBI yang menunjukkan peningkatan suhu permukaan karena menurunnya lahan vegetasi dan meningkatnya lahan terbangun suatu wilayah.
a) b)
Gambar 6. a) Nilai Albedo Kota Salatiga tahun 2014, b) Nilai Albedo Kota Salatiga tahun 2021 Eksplorasi nilai albedo dilakukan menggunakan band 1, band 3, band 4, band 5 dan band 7 Landsat 8 yang selanjutnya diolah menggunakan software Q-gis. Berdasarkan hasil eksplorasi Albedo yang didapatkan, pancaran radiasi tahun 2021 lebih besar daripada tahun 2014. Perubahan nilai Albedo tersebut dipengaruhi adanya perubahan tutupan lahan yang semula merupakan lahan bervegetasi tinggi menjadi lahan terbangun.
Pada penelitian ini nilai NDVI, NDBI dan Albedo akan digunakan sebagai validasi dari nilai suhu permukaan daerah penelitian.
Analisis korelasi pearson dilakukan untuk mengetahui hubungan keeratan antar indeks vegetasi, index lahan terbangun dan suhu permukaan tanah. Gambar 6 merupakan hasil analisis korelasi Pearson dari nilai NDVI, NDVI, Albedo dan LST.
NDVI NDBI Albedo LST
Cor: -0.979 Cor: -0.609 Cor: -0.923 NDVI
Cor: 0.599 Cor: 0.957 NDBI
Cor: 0.391 Albedo
LST
Gambar 7. Korelasi Pearson NDVI, NDBI, Albedo dan LST
11
Berdasarkan hasil analisis yang ditunjukkan pada Gambar 7, hubungan keeratan NDVI, NDBI, Albedo dan LST memiliki hubungan korelasi positif maupun hubungan korelasi negatif. Hasil korelasi terbesar ditunjukkan antara NDVI dan NDBI dengan korelasi negatif karena memiliki nilai yang saling berbanding terbalik. Semakin tinggi nilai NDVI atau lahan bervegetasi tinggi maka semakin rendah nilai NDBI atau lahan terbangun. Korelasi antara LST dengan NDVI dan NDBI juga memiliki nilai yang tingi karena semakin luas lahan terbangun dan semakin berkurangnya lahan bervegetasi maka suhu permukaan akan semakin naik. Hubungan korelasi dengan komponen Albedo tidak terlalu signifikan karena Albedo sangat terpengaruh juga dengan faktor-faktor lainnya seperti jenis tutupan lahan dan warna tutupan lahan.
Prediksi dan klasifikasi manual dilakukan untuk mengklasifikasikan kenaikan suhu permukaan menjadi dua kelas yaitu wilayah dengan kenaikan suhu rendah dan kenaikan suhu tinggi. Proses klasifikasi terdapat beberapa tahap yaitu mengkonversi hasil indeks vegetasi NDVI, NDBI, Albedo dan LST dalam bentuk angka menjadi bentuk karakter berdasarkan tabel klasifikasi NDVI dan NDBI sedangkan Albedo dan LST berdasarkan nilai tertinggi dan terendah dari hasil eksplorasi pada Q-Gis.
Klasifikasi dan prediksi juga dilakukan dengan menggunakan metode Random Forest dengan menggunakan bahasa pemrograman R. Semakin banyak data yang digunakan pada tahap klasifikasi dan prediksi menggunakan metode Random Forest, maka semakin tinggi nilai akurasinya. Nilai rata-rata NDVI, NDBI, Albedo dan LST tahun 2014 dan tahun 2021 dilakukan prediksi sehingga mendapatkan hasil beberapa kelurahan yang memiliki kenaikan suhu permukaan tinggi yang dapat dilihat pada tabel 4.
Tabel 4. Hasil Prediksi Wilayah dengan Kenaikan Suhu Permukaan Tinggi Kelurahan Kecamatan
Cebongan Argomulyo Mangunsari Sidomukti
Ledok Argomulyo
Kutowinangun Kidul Tingkir Gendongan Tingkir Salatiga Sidorejo Kalicacing Sidomukti
Selanjutnya dilakukan uji performa metode Random Forest menggunakan confusion matrix. Hasil nilai akurasi dan nilai Kappa yang didapatkan yaitu sebesar 90% dan 73%.
Pengujian usability atau pengujian kebergunaan yang dilakukan pada penelitian ini berguna untuk mengetahui keefektifan hasil penelitian pada stakeholder terkait dalam pengambilan kebijakan tata ruang Kota Salatiga. Pengujian dilakukan dengan menyebarkan kuesioner kepada pegawai DPUPR Kota Salatiga dengan responden sebanyak 7 orang yang terdiri dari Kepala Bidang, Kepala Subbagian Umum dan Kepegawaian, Staf Analis Perencanaan, Pengadministrasi Umum, dan 3 staff. Kuesioner yang dibagikan terdiri dari 6 pertanyaan dengan penilaian skala dan 1 pertanyaan essay mengenai kebijakan tata ruang Kota Salatiga. Hasil perhitungan rekapitulasi kuesioner dapat dilihat pada tabel 5.
Tabel 5. Hasil Rekapitulasi Kuesioner
No Komponen Penelitian Pilihan Bobot
SS S CS TS STS 1 Dari hasil penelitian, kerapatan vegetasi Kota
salatiga mengalami penurunan dari tahun 2014 ke tahun 2021. Apakah hal ini mempengaruhi dalam pengambilan kebijakan tata guna lahan?
2 1 3 1 0 3.57
2 Dari hasil penelitian, lahan terbangun/perkotaan pada Kota Salatiga mengalami kenaikan. Apakah
hal ini mempengaruhi dalam pengambilan kebijakan tata guna lahan?
2 3 2 0 0 4.00
3 Nilai pantulan permukaan benda berupa bangunan mengalami kenaikan dari tahun 2014
ke tahun 2021. Apakah hal ini mempengaruhi dalam pengambilan kebijakan tata guna lahan?
1 3 2 1 0 3.57
4 Dari hasil penelitian, suhu permukaan Kota Salatiga mengalami kenaikan dari tahun 2014 ke
tahun 2021. Apakah hal ini mempengaruhi dalam pengambilan kebijakan tata guna lahan?
1 2 2 2 0 3.29
5 Klasifikasi wilayah dengan kenaikan suhu permukaan mendapatkan 7 kelurahan dengan
kenaikan suhu tinggi yaitu Cebongan,
1 3 1 2 0 3.43
12 Mangunsari, Ledok, Kutowinangun Kidul, Gendongan, Salatiga dan Kalicacing. Apakah hal
ini akan mempengaruhi kebijakan tata guna lahan kelurahan tersebut?
6 Apakah penelitian ini membantu dalam pengambilan kebijakan tata guna lahan?
1 4 2 0 0 3.86
Jumlah 3.62
Berdasarkan perhitungan pada tabel 5 nilai kebergunaan penelitian ini untuk pengambilan kebijakan tata guna lahan adalah 3.62 yang berarti penelitian ini masuk dalam kriteria “cukup berguna”. Pada kuesioner yang disebarkan juga disertakan pertanyaan tambahan yaitu “Dalam menyusun kebijakan tata guna lahan, hal apa saja yang menjadi pertimbangan pengambilan kebijakan?”. Hasil dari pertanyaan yang diajukan menghasilkan beberapa faktor yang mempengaruhi pengambilan kebijakan tata kota meliputi ketentuan pola ruang, kondisi eksisting kawasan, regulasi, suhu permukaan lahan, kondisi/ sinergitas antar stakeholder, perubahan lahan, peraturan perundangan, perekonomian, pemerataan fungsi lahan yang baik untuk menjaga sumber daya alam agar tidak rusak dan tercemar.
Grafik tingkat kebergunaan penelitian ini untuk pengambilan kebijakan tata guna lahan pada DPUPR Kota Salatiga dapat dilihat pada Gambar 8.
Gambar 8. Grafik Tingkat Kebergunaan
Menurut panduan internasional tentang perencanaan kota dan wilayah, dalam membuat kebijakan tata kota dan wilayah harus mempertimbangkan tiga aspek utama yaitu pembangunan sosial, pertumbuhan ekonomi yang berlanjut dan lingkungan hidup [27]. Hasil dari penelitian ini mencakup perubahan lahan vegetasi, lahan terbangun, pantulan permukaan benda dan perubahan suhu permukaan yang berkaitan dengan lingkungan hidup.
Pada pengambilan kebijakan tata kota dan wilayah, penurunan lahan vegetasi (NDVI) menjadi pertimbangan untuk mengidentifikasi, merevitalisasi, melindungi dan menghasilkan ruang hijau publik berkualitas tinggi yang diharapkan dapat menghindari terbentuknya kawasan panas (heat islands) pada kota, melindungi keanekaragaman hayati, lahan basah untuk resapan dan penampungan air hujan. Peningkatan lahan terbangun (NDBI) menjadi pertimbangan untuk mendorong pembangunan dan penambahan bangunan hijau, mengidentifikasi dan menilai lingkungan terbangun yang mengalami kerusakan guna dilakukan revitalisasi, mengambil manfaat dari asset yang ada dan memperkuat identitas sosial. Peningkatan pantulan permukaan benda (Albedo) menjadi pertimbangan dalam merancang jalan raya, bangunan hijau yang selanjutnya diharapkan dapat mempergiat berjalan kaki dan penanaman pohon untuk keteduhan dan penyerapan karbon dioksida. Peningkatan suhu permukaan (LST) menjadi pertimbangan dalam kerangka mitigasi dan adaptasi dalam menanggapi perubahan iklim.
4. KESIMPULAN
Berdasarkan hasil eksplorasi dan pembahasan yang telah dilakukan dapat ditarik beberapa kesimpulan pada penelitian ini. Hasil eksplorasi tahun 2014 ke tahun 2021 menunjukkan bahwa nilai NDVI mengalami penurunan luas wilayah tutupan vegetasi, nilai NDBI menunjukkan peningkatan luas wilayah terbangun, nilai LST menunjukkan terjadinya peningkatan suhu permukaan dan nilai Albedo menunjukaan adanya peningkatan sebaran pancaran radiasi pada Kota Salatiga. Hasil klasifikasi dan prediksi yang dilakukan menggunakan metode Random Forest memiliki hasil cukup akurat dengan nilai akurasi sebesar 90% dan nilai Kappa sebesar 73%.
Klasifikasi wilayah dengan kenaikan suhu permukaan tinggi terdapat pada 7 kelurahan yaitu Cebongan, Mangunsari, Ledok, Kutowinangun Kidul, Gendongan, Salatiga dan Kalicacing. Uji usability pada penelitian ini melibatkan 7 pegawai DPUPR Kota Salatiga yang berisi 7 pertanyaan yang menghasilkan nilai kebergunaan
13
sebesar 3,62 dengan kriteria “cukup berguna”. Hasil ini menunjukkan bahwa penelitian ini telah sesuai dengan tujuannya yaitu agar dapat digunakan sebagai salah satu acuan dalam pengambilan kebijakan tata Kota Salatiga.
Penelitian ini merupakan salah satu acuan karena terdapat banyak pertimbangan dalam mengambil kebijakan tata kota antara lain ketentuan pola ruang, kondisi eksisting kawasan, regulasi, kondisi/ sinergitas antar stakeholder, peraturan perundangan, perekonomian, pemerataan fungsi lahan.
