ANALISIS CAMPURAN SPEKTRAL SECARA LINIER (LSMA)
CITRA TERRA MODIS UNTUK KAJIAN ESTIMASI LIMPASAN PERMUKAAN (Studi Kasus Sub DAS Riam Kanan dan Sekitarnya)
Tesis
Untuk memenuhi sebagian persyaratan Mencapai derajat Sarjana S-2
Program Studi Penginderaan Jauh
diajukan oleh
ABDUR RAHMAN
08/276128/PGE/00753
Kepada
PROGRAM PASCASARJANA
FAKULTAS GEOGRAFI
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2010
ANALISIS LINEAR SPEKTRAL CAMPURAN (LSMA)
CITRA TERRA MODIS UNTUK KAJIAN ESTIMASI LIMPASAN PERMUKAAN (Studi Kasus Sub DAS Riam Kanan dan Sekitarnya)
INTISARI
Dalam penentuan koefisien aliran, diperlukan model yang tepat yang dapat
memperkirakan nilai koefisien aliran suatu DAS. Telah terjadi penurunan daya dukung Sub DAS Riam Kanan sebagai daerah tangkapan air yang disebabkan oleh kritisnya tutupan lahan. Penelitian ini bertujuan untuk menguji tingkat akurasi metode Linear Spectral Mixture Analysis (LSMA) dalam menyadap informasi tutupan lahan (vegetasi, permukaan kedap air, tanah terbuka dan air) pada level sub-piksel serta bagaimana parameter tutupan lahan dapat dijadikan parameter masukan untuk menentukan distribusi koefisien aliran di Sub DAS Riam Kanan dan Sekitarnya berdasarkan data Citra Terra MODIS.
Metode LSMA merupakan pendekatan analisis sub-piksel yang dapat memberikan informasi fraksi dalam satu piksel, sehingga merupakan solusi potensial untuk mengkelaskan satu piksel. Metode klasifikasi Maximum Likelihood digunakan untuk pembanding dari metode LSMA. Citra Satelit Landsat7 ETM+ digunakan untuk, uji akurasi. Koreksi Atmosferik, Minimum Noise Fraction, (MNF), dan Pixel Purity Index (PPI) diterapkan untuk meningkatan hasil akurasi.
Hasil penelitian menunjukkan komponen tutupan lahan pada setiap piksel endmember citra fraksi metode LSMA menghasilkan nilai RMS Error rata-rata sebesar 0,1227, uji akurasi dengan menggunakan citra Landsat7 ETM+ sebesar 87 %, menunjukkan setiap komponen tutupan lahan telah terpisahkan dengan baik dengan standar deviasi kesalahan yang kecil dalam mendeteksi setiap endmember tutupan lahan pada tingkat sub-piksel. Tutupan lahan yang dapat disadap oleh citra Terra MODIS diklasifikasikan menjadi kelas vegetasi seluas 60.679,89 ha (62 %), Tanah terbuka 28.382,37 ha (29,32 %), dan air seluas 7.733,51 ha (7,99 %). Melalui tumpangsusun data raster tutupan lahan diperoleh pola distribusi nilai koefisien aliran Sub DAS Riam Kanan didominasi oleh kelas rendah sebesar 30,59%, kelas normal sebesar 41,25 %, kelas tinggi sebesar 9,95 % dan kelas ekstrim sebesar 18,22 %. Hasil perhitungan uji statistik menunjukkan bahwa C estimasi tidak berbeda nyata dengan hasil C aktual pada taraf kepercayaan 95% dengan tingkat akurasi rata-rata sedang sebesar 78,14 %.
Kata Kunci: koefisien aliran, Maximum Noise Fraction, Pixel Purity Index, Analisis Linier Spektral Campuran, tutupan lahan
LINEAR SPECTRAL MIXTURE ANALYSIS TERRA MODIS IMAGERY FOR STUDY RUNOFF ESTIMATE
(Case Study in Sub Watershed of Riam Kanan)
ABSTRACT
Simple approach to estimate watershed runoff coefficient value is needed model to forecast problem of demage and watershed and hydrology data problem. Have happened degradation of energy support in Riam Kanan Sub Watershed which critical of landcover impact.
Simple approach to estimate watershed coefficient value of runoff is needed correct model with Terra MODIS imagery to overcome problem of demage and watershed and hydrology data problem. One of the approach that is exploiting satellite imagery with applied technique of remote sensing.This research aims are to test accuration level Linear Spectral Mixture Analysis (LSMA) in tapping landcover information at sub-pixel level and also how landcover can be mad as parameter input to determine runoff coefficient distribution in Sub Watershed of Riam Kanan based on Terra MODIS Imagery.
LSMA is approach with sub-pixel analysis which can give information the fraction one pixel, so that is a potential solution to classify one pixel. Maximum Likelihood Classifier applied as comparable from LSMA. Landsat7 ETM+ imagery use accuracy assessment as a higher spatial resolution image. Atmospheric Correction, Minimum Noise Fraction (MNF), and Pixel Purity Index (PPI) to applied in this research to increase the accuration.
The Research found that each land cover component in each pixel shown by fraction image from LSMA method results with RMS Error average is 0,1227, the accuracy test using Landsat7 ETM+ image aqual to 87 %, indicates that LSMA have a high accuration to detect the endmember of landcover at level sub-pixel. Landcover able to be tapped by Terra MODIS Imagery classified to become class of Vegetation equal to 60.6789,89 hectare (62 percent), bare soil equal to 28.382,37 hectare (29,32 percent), and water body equal to 7.733,51 hectare (7,99 percent). The results of overlay raster data from landcover parameter was obtained by distribution pattern of runoff coefficient dominated by low class aqual to 30,59 percent, normal class aqual to 41,25 percent, high class aqual to 9,95 percent and extreme class aqual to 18,22 percent distributed at up stream and middle of Riam Kanan Sub Watershed. Result of
statistical test indicated that result of C estimation do not different with result of C actual at significant 95% with good enough, mean accuration equal to 78,14 %.
Keywords : runoff coefficient, Minimum Noise Fraction (MNF), Pixel Purity Index (PPI), Linear Spectral Mixture Analysis, landcover
KATA PENGANTAR
Alhamdulillah Penulis panjatkan rasa syukur kehadirat Allah SWT atas berkah, rahmat dan Hidayah-Nya, sehingga penulis dapat menyelesaikan tesis ini dengan judul “ ANALISIS CAMPURAN SPEKTRAL SECARA LINIER
(LSMA) CITRA TERRA MODIS UNTUK KAJIAN ESTIMASI LIMPASAN PERMUKAAN (Studi Kasus Sub DAS Riam Kanan dan Sekitarnya)“. Tesis ini
disusun untuk memenuhi salah satu syarat memperoleh derajat Sarjana S2 pada Program Studi Penginderaan Jauh Fakultas Geografi Universitas Gadjah Mada.
Dalam penyusunan tesis ini, baik dari awal hingga akhir penulisan banyak sekali memperoleh bantuan dari berbagai pihak, baik berupa bimbingan, petunjuk, saran dan dorongan, bantuan materiil, fasilitas serta motivasi. Penulis mengucapkan
banyak terima kasih kepada Bapak Drs. Projo Danoedoro, M.Sc, Ph.D, dan Bapak
Dr. M. Pramono Hadi, M.Sc., selaku dosen pembimbing yang telah banyak
memberikan sumbangan pemikiran guna penyelesaian tesis ini. Penulis juga banyak mengucapkan terima kasih, baik kepada lembaga/instansi maupun perorangan yang telah memberikan bantuan materiil ataupun non materiil secara langsung atau tidak langsung yaitu kepada :
1. Rektor Universitas Gadjah Mada dan Staf, yang telah memberikan kelancaran dalam studi maupun fasilitas yang telah disediakan selama masa pendidikan S2. 2. Prof. Dr. Suratman, M.Sc., selaku Dekan Fakultas Geografi Universitas Gadjah
Mada.
3. Prof. Dr. H. Sudarmadji, M., Eng Sc., selaku Ketua Program Pasca Sarjana Fakultas Geografi Universitas Gadjah Mada.
4. Prof. Dr. H. Hartono, DEA,DESS, selaku Pengelola Jurusan Penginderaan Jauh Fakultas Geografi Universitas Gadjah Mada.
5. Sigit Heru Murti, B.S., S.Si, M.Si, selaku Dosen Penguji, terima kasih atas bimbingan dan arahannya.
6. Drs. Sudaryatno, M.Si., selaku Dosen Penguji, terima kasih atas bimbingan dan arahannya.
7. Muhammad Kamal, S.Si, MGIS, terima kasih atas saran dan sumbangan pemikirannya yang sangat membantu sehingga penulis dapat menyelesaikan tesis ini.
8. Muhammad Farda, S.Si, MCs, terima kasih atas sharing ilmu dan arahannya yang sangat membantu dalam penyelesaian tesis ini.
9. Seluruh Staf pengajar dan karyawan Program Pascasarjana Geografi yang membantu dan mendukung penulisan selama masa studi di Universitas Gadjah Mada.
10. BPDAS Wilayah Barito Propinsi Kalimantan Selatan, khusus untuk Mas Supriatno atas bantuan data sekundernya.
11. BPKH Wilayah V Propinsi Kalimantan Selatan, atas bantuan data sekunder.
12. PT. PLN Waduk Ir. P.M. Riam Kanan Wilayah Kalsel-Teng, Bapak H. Yazidi, Bapak Kardoyo, Bapak Kamsin, Mas Reza dan Mbak Vera, atas bantuan datanya.
13. Syamani, S.Hut, M.Sc, Nurlina, S.Si, M.Sc & Ichsan Ridwan, S.Si, M.Kom, Mas Adi (S1-KPJ UGM), yang telah banyak membantu dalam penyelesaian tesis ini. 14. Seluruh Staf pengajar dan karyawan Fakultas Geografi yang membantu dan
mendukung penulisan selama masa studi di Universitas Gadjah Mada.
15. Rektor Universitas Lambung Mangkurat dan Bapak Ir.H.A.Riswandi Bandung, MS, selaku Dekan Fakultas Perikanan dan Ilmu Kelautan Unlam yang telah memberikan izin dan kesempatan kepada penulis untuk melanjutkan studi S2 di Universitas Gadjah Mada.
16. Bapak Ir. Suhaili Asmawi, MS, Bapak Ir. H. Mijani Rahman, M.Si, Bapak Ir. Eka Iriadenta, M.Si, Bapak Ir. H. Mauluddin Agus, Bapak Hamdani, S.Pi, M.Si serta rekan-rekan di Program Studi MSP yang telah memberikan bantuan baik materiil dan fasilitas untuk penyelesaian tesis ini.
17. Keluargaku tercinta rasa cinta yang tulus dan terima kasih yang mendalam penulis sampaikan kepada Istri Diana Agustina dan buah hatiku Wafiq Haafizhoh atas do’a, dorongan, pengertian dan pengorbanan serta motivasi untuk penyelesaian studi.
18. Sahabat-sahabatku di Asrama IPMABA-Yogyakarta ; Om Husaini, M. Yadi, M. Jamil, M.Atma Prawira, M.Shoma, B., M.Fezzi, M., Gt. Firmansyah, M. Satya, Gt. M. Reddy, Sandy, M. Wahyu, R, M. Daddy, F., Mbenk, Dandy, Rina, atas kebersamaan selama ini, 3 sekawan Geodesi-UGM (Komeng, Ancah, Upik) serta Iqbal&Toyib (eks Anak Asrama IPMABA), dan 3 anak bawang (Indah, Dewi & Lina).
19. Sahabat-sahabat mahasiswa S2 Penginderaan Jauh Angkatan 2009 ; Fariz, Yusuf, Imam, Mukhtar, Sawal, Jumaris, Iis, Ridwan, Mardiyanto, Laode, George, Bustan, Puji, terima kasih atas kebersamaan selama masa studi.
20. Semua pihak yang telah membantu dalam penyelesaian tesis ini.
Hasil penelitian ini masih jauh dari sempurna, oleh karena itu kritik dan saran ke arah perbaikan sangat penulis harapkan. Saran dan kritik dari pembaca dapat disampaikan melalui e-mail: [email protected]. Semoga penelitian ini dapat menjadi sumbangan pengetahuan dan bermanfaat bagi pihak-pihak yang berkepentingan.
Yogyakarta, Agustus 2010
Penulis,
Abdur Rahman
DAFTAR ISI
Halaman HALAMAN PENGESAHAN ... ii PERNYATAAN ... iii INTISARI ... iv ABSTRACT ... v KATA PENGANTAR ... viDAFTAR ISI... viii
DAFTAR TABEL ... xii
DAFTAR GAMBAR ... xv
DAFTAR LAMPIRAN ... xix
BAB I. PENDAHULUAN ... 1 1.1. Latar Belakang ... 1 1.2. Perumusan Masalah ... 4 1.3. Tujuan Penelitian ... 5 1.4. Manfaat Penelitian ... 5 1.5. Keaslian Penelitian ... 6
BAB II. TINJAUAN PUSTAKA ... 11
2.1. Sistim Penginderaan Jauh Multispektral ... 11
2.1.1. Pengertian Penginderaan Jauh Multispektral 11
2.1.2. Pantulan Spektral Obyek ... 11
2.1.3. Citra Terra MODIS ... 12
2.1.4. Citra Landsat ETM+ dan Aplikasinya ... 13
2.2. Klasifikasi Multispektral Tutupan Lahan ... 15
2.2.1. Klasifikasi Kasar (Hard Classification)... 16
2.2.2. Klasifikasi Lunak (Soft Classification) ... 16
2.2.3. Analisis Citra Multispektral dengan Metode Linear Spectral Mixture Analysis (LSMA).... 17
2.2.4. Pixel Purity Index (PPI) ... 20
2.2.5. Transformasi Minimum Noise Fraction (MNF) ... 21
2.2.6. Maximum Likelihood ... 22
2.3. Sistim Informasi Geografis ... 23
2.3.1. Digital Elevation Model (DEM) ... 23
2.3.2. Analisis Geostatistik ... 24
2.3.3. Kriging ... 25
2.3.4. Semi-Variogram ... 26
2.4. Hidrologi Daerah Aliran Sungai ... 27
2.4.1. Peran Vegetasi dalam Hidrologi Daerah Aliran Sungai ... 29
2.4.2. Infiltrasi Tanah... 30
2.4.3. Kemiringan Lereng ... 30
2.4.4. Analisis Timbunan Air Permukaan ... 30
2.4.5. Koefisien Limpasan (Runoff Coefficient)... 31
2.5. Kerangka Pemikiran ... 32
2.6. Batasan Operasional ... 36
BAB III. METODE PENELITIAN ... 38
3.1. Pemilihan Lokasi Penelitian ... 40
3.2. Bahan dan Alat Penelitian ... 40
3.2.1. Bahan Penelitian ... 40
3.2.2. Alat Penelitian ... 40
3.3. Variabel Penelitian ... 41
3.4. Populasi dan Sampel ... 42
3.5. Tahapan Penelitian ... 42
3.5.1. Tahap Persiapan ... 43
3.5.2. Tahap Pelaksanaan ... 43
3.5.2.1. Pengolahan Citra Modis ... 45
3.5.2.2. Pemotongan (Cropping) Lokasi Penelitian ... 46
3.5.2.3. Minimum Noise Fraction (MNF) ... 47
3.5.2.4. Penentuan Indeks Kemurnian Piksel (Pixel Index Purity) Citra Terra MODIS ... 47
3.5.2.5. Penentuan Endmember Citra Terra MODIS .. 49
3.5.2.6. Linear Spectral Mixture Analysis (LSMA) Citra Terra MODIS ... 49
3.5.2.7. Klasifikasi Multipektral Maximum Likelihood ... 50
3.6. Kerja Lapangan ... 50
3.7. Uji Ketelitian ... 50
3.8. Interpretasi Karakteristik Fisik DAS... 53
3.8.1. Interpretasi Bentuklahan Secara Visual... 53
3.8.2. Derivasi Kemiringan Lereng dari DEM ... 54
3.8.3. Interpretasi Tutupan Lahan Secara Digital... 54
3.8.4. Interpretasi Infiltrasi Tanah Secara Visual Kualitatif... 54
3.8.5. Interpretasi Simpanan Permukaan Pola Aliran /Kerapatan Aliran... 55
3.9. Tahap Analisis Hasil... 56
3.9.1. Digitasi ... 56
3.9.2. Pemetaan Batas DAS, Pola Aliran dan Kerapatan Aliran ... 57
3.9.3. Tumpang Susun (Overlay)... 57
3.9.4. Estimasi Koefisien Limpasan Permukaan (C)... 57
3.9.5. Perhitungan Nilai C Berdasarkan Model Hujan Aliran ... 60
3.9.6. Analisis Data Hidrologi ... 61
3.9.7. Evaluasi Hasil Estimasi Koefisien Limpasan Permukaan... 62
3.9.8. Pemetaan Distribusi Spasial Limpasan... 65
3.10. Tahap Akhir ... 65
BAB IV. HASIL DAN PEMBAHASAN ... 66
4.1. Kondisi Geografis Daerah Penelitian ... 66
4.1.1. Letak Luas dan Batas ... 66
4.1.2. Iklim ... 67
4.1.3. Topografi ... 69
4.1.4. Geologi ... 70
4.1.5. Jenis Tanah ... 70
4.1.6. Keadaan Hidrologi dan Jenis Pengairan ... 71
4.2. Penentuan Sampel (ROI-Region of Interest) ... 72
4.3. Koreksi Geometrik ... 73
4.4. Koreksi Bow Tie ... 76
4.5. Koreksi Radiometrik ... 77
4.6. Minimum Fraction Noise... 78
4.7. Indeks Kemurnian Piksel (Pixel Purity Index)... 80
4.8. nD-Visualizer... 82
4.9. Endmember... 83
4.10. Analisis Linier Spektral Campuran (LSMA) ... 84
4.11. Klasifikasi Maximum Likelihood... 94
4.12. Uji Akurasi Metode LSMA... 95
4.13. Hasil Klasifikasi Tutupan Lahan... 101
4.14. Hasil Interpretasi Kemiringan Lereng ... 109
4.15. Hasil Interpretasi Infiltrasi Tanah... 111
4.16. Simpanan Permukaan ... 117
4.17. Perhitungan Koefisien Runoff ... 118
4.18. Analisis Data Hidrologi ... 121
4.18.1. Volume Hujan ... 121
4.18.2. Volume Aliran ... 122
4.18.3. Nilai Koefisien Aliran ... 123
4.19. Ketepatan Nilai Estimasi Koefisien Aliran ... 125
4.19.1. Perbandingan Terhadap Nilai Koefisien Aliran Piksel Homogen... 125
4.19.2. Perbandingan Terhadap Nilai Koefisien Aliran DAS Menggunakan Tabel ... 127
4.19.3. Perbandingan Terhadap Nilai Koefisien Aliran DAS Dari Data Hidrologi ... 128
4.20. Uji Statistik ... 129
4.21. Distribusi Koefisien Aliran DAS ... 130
4.22. Distribusi Koefisien C-Total Sub DAS ... 133
4.23. Kendala-Kendala Penelitian ... 137
BAB V. KESIMPULAN DAN SARAN ... 139
5.1. Kesimpulan ... 139
5.2. Saran... 140
5.3. Permasalahan-Permasalahan Dalam penelitian ... 140
RINGKASAN ... 141
DAFTAR PUSTAKA ... 164
LAMPIRAN-LAMPIRAN ... 170
DAFTAR TABEL
Nomor Tabel Halaman
Tabel 1.1. Perbandingan Penelitian Terdahulu dengan Penelitian yang
Dilakukan Peneliti... 8
Tabel 2.1. Kisaran Spektrum Panjang Gelombang, Resolusi Spasial dan Penerapan Citra Terra-Modis Resolusi 500 m ... 13
Tabel 2.2. Kisaran Spektrum Panjang Gelombang, Resolusi Spasial, dan Penerapan Citra Landsat ETM+ ... 15
Tabel 2.3. Metode Klasifikasi Interpolasi Spasial ... 24
Tabel 3.1. Bahan Penelitian ... 40
Tabel 3.2. Alat Yang Digunakan Dalam Penelitian... 40
Tabel 3.3. Jenis Variabel, Perolehan Data dan Analisis ... 41
Tabel 3.4. Matriks Uji Ketelitian Hasil Interpretasi ... 51
Tabel 3.5. Penyesuaian Klasifikasi Penggunaan Lahan Terhadap Klasifikasi Vegetasi Penutup dalam metode Cook dengan Modifikasi ... 58
Tabel 3.6. Klasifikasi Kemiringan Lereng menurut Metode Cook ... 59
Tabel 3.7. Klasifikasi Infiltrasi Metode Cook dengan Modifikasi ... 59
Tabel 3.8. Penyesuaian Klasifikasi Kerapatan Aliran Terhadap Simpanan Permukaan dengan Metode Cook ... 59
Tabel 3.9. Klasifikasi Infiltrasi Menurut Richard dan Cossens ... 60
Tabel 3.10. Nilai Koefisien Aliran (C) untuk Persamaan Rasional (U.S. Forest Service dalam Asdak 2004) ... 63
Tabel 3.11. Nilai Koefisien Aliran (C) untuk Daerah Urban... 64
Tabel 3.12. Klasifikasi Limpasan Permukaan Metode Cook... 65
Tabel 4.1. Data Jumlah Bulan Basah, Bulan Lembab dan Bulan kering selama 10 tahun ... 68
Tabel 4.2. Klasifikasi Type Iklim Menurut Schmidt dan Fergusson ... 69 Tabel 4.3. Kemiringan Lereng menurut Klasifikasi Departemen Kehutanan
(1993)... 70 Tabel 4.4. Panjang Anak Sungai yang Bermuara ke Sub DAS Riam Kanan.... 72 Tabel 4.5. Informasi Data Header dari Nilai Reflectance Scale dan
Reflectance Offsets Citra Terra MODIS 500 Tahun 2009 ... 77 Tabel 4.6. Nilai Reflektansi Minimum dan Maksimum Setap Saluran Hasil
Kalibrasi Nilai Digital ke Nilai Reflektansi... 78 Tabel 4.7. Nilai Minimum dan Maksimum Fraksi Setiap Endmember Hasil
Klasifikasi LSMA Citra Terra-MODIS Tahun 2009... 86 Tabel 4.8. Sampel Nilai Fraksi Setiap Endmember Hasil Klasifikasi LSMA
untuk Citra Terra-MODIS Tahun 2009 ... 87 Tabel 4.9. Matriks Uji Hasil Akurasi Maximum Likelihood Citra
Terra-MODIS Tahun 2009 ... 95 Tabel 4.10. Matriks Uji Akurasi Hasil Rule Classifier LSMA Terra-MODIS
Tahun 2009 ... 96 Tabel 4.11. Data Hasil Uji Akurasi RMSE Error Metode LSMA
Terra-MODIS Tahun 2009 dengan Citra Landsat7 ETM+ Tahun 2009 ... 98 Tabel 4.12. Lokasi Sampling Berdasarkan Global Positioning System (GPS)... 102 Tabel 4.13. Interpretasi dan Identifikasi Tutupan Lahan Berdasarkan Warna,
Tekstur, Rata-Rata Nilai Spectral/Reflectance Hasil Analisis dan
Cek Lapangan degan Citra Terra-MODIS RGB432... 103 Tabel 4.14. Penyesuaian klasifikasi penggunaan lahan terhadap klasifikasi
vegetasi penutup dalam metode Cook Dengan Modifikasi ... 104 Tabel 4.15. Luas Masing-Masing Endmember Tutupan Lahan Hasil
Klasifikasi LSMA Citra Terra-MODIS Tahun 2009... 105
Tabel 4.16. Hasil Klasifikasi dan Luas Kemiringan Lereng Sub DAS Riam
Kanan ... 109 Tabel 4.17. Hasil Klasifikasi Infiltrasi Tanah di Sub DAS Riam Kanan ... 113 Tabel 4.18. Perhitungan Model Ordinary Kriging untuk Sampel Infiltrasi
Tanah ... 115 Tabel 4.19. Hasil Klasifikasi Kerapatan Aliran Tanah di Sub DAS Riam
Kanan ... 117 Tabel 4.20. Hasil Klasifikasi Limpasan Permukaan (C) di Sub DAS Riam
Kanan dan Sekitarnya ... 119 Tabel 4.21. Luas Poligon dan Faktor Bobot Stasiun Curah Hujan Sub DAS
Riam Kanan dan Sekitarnya Tahun 2009 ... 121 Tabel 4.22. Nilai Koefisien Aliran Hasil Perhitungan Data Pengukuran ... 125 Tabel 4.23. Perbandingan Nilai C-Estimasi Piksel Homogen dengan C-Tabel . 127 Tabel 4.24. Perbandingan Nilai C-Estimasi Tutupan Lahan dengan C-Tabel.... 127 Tabel 4.25. Perbandingan Nilai C-Terukur dan (C) Estimasi... 128 Tabel 4.26. Hasil Uji Statistik t-student Nilai Koefisien Aliran (C) Estimasi.... 129 Tabel 4.27. Hasil Klasifikasi Koefisien Aliran (C) Metode Cook di Sub DAS
Riam Kanan dan Sekitarnya ... 130 Tabel 4.28. Perbandingan C-Terukur dan C-Estimasi ... 134 Tabel 4.29. Hasil Uji Statistik t-student Nilai Koefisien Aliran (C) Estimasi.... 1345
DAFTAR GAMBAR
Nomor Halaman
Gambar 2.1. Pola Respon Spektral Beberapa Obyek ... 12
Gambar 2.2. Satelit Terra dan Sensor ... 12
Gambar 2.3. Satelit Landsat ETM+ dan Bagian-Bagiannya... 14
Gambar 2.4. Hard Classification dan Soft Classification... 17
Gambar 2.5. Pendekatan LSMA dengan Multiple endmembers
... 20
Gambar 2.6. Indeks PPI ... 21
Gambar 2.7. Grafik Vektor MNF (Nilai Eigen) dan Scatter Plot dari MNF... 22
Gambar 2.8. Grafik Analisis Semivariogram
... 27
Gambar 2.9. Daur Hidrologi ... 28
Gambar 2.10. Fungsi Ekosistem DAS ... 29
Gambar 2.11. Skema Kerangka Alur Pemikiran ... 35
Gambar 3.1. Peta Lokasi Penelitian di Sub DAS Riam Kanan dan Sekitarnya dengan DEM Sebagai Latar Belakang ... 39
Gambar 3.2. Diagram Alir Penelitian ... 44
Gambar 3.3. Diagram Alir MNF... 47
Gambar 3.4. Diagram Alir Proses PPI ... 48
Gambar 3.5. Diagram Alir Metode LSMA... 49
Gambar 3.6. Skema Perhitungan Koefisien Aliran Metode Cook ... 57
Gambar 3.7. Polygon Thiessen ... 62
Gambar 4.1. Masking Citra Terra-MODIS Berdasarkan Batas DAS yang Telah di Buffer ... 73 Gambar 4.2. Perbandingan Hasil Koreksi Geometrik Citra Terra-MODIS
Komposit 457... 74 Gambar 4.3. Distribusi Lokasi Titik GCP dan Nilai Titik GCP dan RMS
Error ... 75 Gambar 4.4. Perbandingan Citra Terra MODIS Hasil Koreksi Bow Tie Citra
Sebelum Terkoreksi dan Telah Terkoreksi ... 76 Gambar 4.5. (a) Citra dan Histogram Sebelum Dikoreksi Radiometrik dan
(b) Setelah Dikoreksi ... 78 Gambar 4.6. (a) Nilai Vektor Eigen Hasil MNF (b) Scatter Plot Hasil MNF
Citra Terra-MODIS Tahun 2009... 79 Gambar 4.7. Citra Terra-MODIS Tahun 2009 Hasil Proses MNF ... 80 Gambar 4.8. (a) Plot Indeks Kemurnian Piksel dengan Jumlah Iterasi 10000
(b) Citra Terra-MODIS Hasil PPI dengan Iterasi 10000 ... 82 Gambar 4.9. Hasil Analisis nD-Visualizer pada nD-Control Citra
Terra-MODIS RGB421Tahun 2009 Untuk Empat endmember Tutupan Lahan (Vegetasi, Air, Tanah, dan Permukaan Kedap
Air) ... 83 Gambar 4.10. Kurva Pantulan endmember (Vegetasi,Tanah,Permukaan Kedap
Air dan Air Citra Terra-MODIS Tahun 2009 ... 84 Gambar 4.11. Citra Fraksi Endmember Air Hasil Klasifikasi Citra
Terra-MODIS Tahun 2009... 88 Gambar 4.12. Citra Fraksi Endmember Tanah Hasil Klasifikasi Citra
Terra-MODIS Tahun 2009... 89 Gambar 4.13. Citra Fraksi Endmember Kedap Air Hasil Klasifikasi Citra
Terra-MODIS Tahun 2009... 90 Gambar 4.14. Citra Fraksi Endmember Vegetasi Hasil Klasifikasi Citra
Terra-MODIS Tahun 2009... 91
Gambar 4.15. Citra Fraksi Endmember RMS Error Hasil Klasifikasi Citra Terra-MODIS Tahun 2009... 92 Gambar 4.16. Abundance Map Hasil Klasifikasi LSMA Citra Terra MODIS
Tahun 2009 ... 93 Gambar 4.17. Citra Terra MODIS Hasil Klasifikasi Maximum Likelihood di
Sub DAS Riam Kanan dan Sektiarnya ... 99 Gambar 4.18. Citra Terra MODIS Hasil Rule Classifier di Sub DAS Riam
Kanan dan Sektiarnya ... 100 Gambar 4.19. Histogram Endmember Tutupan Lahan Hasil Klasifikasi LSMA
Citra Terra MODIS Tahun 2009... 105 Gambar 4.20. Endmember Tutupan Lahan Hasil Klasifikasi LSMA Citra
Terra MODIS Tahun 2009... 107 Gambar 4.21. Tampilan Sebagian Kenampakan Obyek hasil Cek Lapangan
pada Citra Terra MODIS RGB431 serta Kondisi Lapangan Tahun 2009 ... 108 Gambar 4.22. Histogram Kelas Kemiringan Lereng di Sub DAS Riam Kanan
dan Sekitarnya... 110 Gambar 4.23. Peta Kemiringan Lereng Sub DAS Riam Kanan dan Sekitarnya . 110 Gambar 4.24. Ilustrasi Pengukuran Infiltrasi Tanah Dengan Menggunakan
Double Ring Infiltrometer ... 112 Gambar 4.25. Peta Infiltrasi Tanah dan Titik Sampling Sub DAS Riam Kanan
dan Sekitarnya... 112 Gambar 4.26. Boxplot Infiltrasi Tanah di Sub DAS Riam Kanan dan
Sekitarnya... 113 Gambar 4.27. Semivariogram Sampel Infiltrasi Tanah ... 116 Gambar 4.28. Peta Kerapatan Aliran di Sub DAS Riam Kanan dan Sekitarnya. 118 Gambar 4.29. Boxplot Sebaran Koefisien Limpasan (Runoff) di Sub DAS
Riam Kanan dan Sekitarnya... 119
Gambar 4.30. Peta Distribusi Spasial Koefisien C-Raster Hasil Overlay di Sub DAS Riam Kanan dan Sekitarnya... 120 Gambar 4.31. Polygon Thiessen Curah Hujan di Sub DAS Riam Kanan dan
Sekitarnya... 122 Gambar 4.32. Hubungan Debit dan Curah Hujan Hasil Perhitungan di Sub
DAS Riam Kanan dan Sekitarnya Bulan Januari – September Tahun 2009 ... 124 Gambar 4.33. Plot Volume Hujan dan Volume Aliran di Sub DAS Riam
Kanan dan Sekitarnya Bulan Januari – September Tahun 2009 ... 124 Gambar 4.34. Sebaran Lokasi Piksel Homogen Untuk Uji Akurasi ... 126 Gambar 4.35. Peta Distribusi Spasial Kriteria Runoff menurut Cook di Sub
DAS Riam Kanan dan Sekitarnya dengan DEM sebagai Latar Belakang... 132 Gambar 4.36. Grafik Perbandingan antara C-Aktual dan C-Estimasi di Sub
DAS Riam Kanan dan sekitarnya ... 135 Gambar 4.37. Peta Distribusi Spasial Koefisien C di Sub DAS Riam Kanan
dan Sekitarnya dengan DEM sebagai Latar Belakang... 136
DAFTAR LAMPIRAN
Lampiran Halaman
Lampiran 1. Data Nilai Fraksi Setiap Endmember Pada Setiap Oiksel
Hasil Metode LSMA... 170
Lampiran 2. Ilustrasi Interpretasi Citra Terra-MODIS Uji Akurasi LSMA... 174
Lampiran 3. Distribusi Titik Sampel Untuk Uji LSMA... 175
Lampiran 4. Tutupan Lahan di Sub DAS Riam Kanan dan Sekitarnya Hasil Cek Lapangan, 2010 ... 176
Lampiran 5. Satuan Lahan, Jenis Tanah dan Koordinat Infiltrasi di Sub DAS Riam Kanan dan Sekitarnya Hasil Cek Lapangan Tahun 2010 ... 177
Lampiran 6. Perhitungan Koefisien Aliran Aplikasi Tabel Koefisien U.S. Forst Service (1980) dan Schwab, dkk (1981)... 178
Lampiran 7. Uji Akurasi t-Student Hasil C-Estimasi ... 180
Lampiran 8. Perhitungan C-Terukur dari Data Hidrologis... 182
Lampiran 9. Peta Jenis Tanah di Sub DAS Riam Kanan dan Sekitarnya... 184
Lampiran 10. Peta Bentuk Lahan di Sub DAS Riam Kanan dan Sekitarnya... 185
Lampiran 11. Peta Koefisien C Vegetasi Sub DAS Riam Kanan dan Sekitarnya... 186
Lampiran 12. Peta Koefisien C Lereng di Sub DAS Riam Kanan dan Sekitarnya... 187
Lampiran 13. Peta Koefisien C Infiltrasi Tanah Sub DAS Riam Kanan
dan Sekitarnya... 188 Lampiran 14. Peta Koefisien C Kerapatan Aliran (Drainage Density) di
Sub DAS Riam Kanan dan Sekitarnya... 189 Lampiran 15. Peta Distribusi Spasial Koefisien C Raster Hasil Overlay di
Sub DAS Riam Kanan dan ... 190 Lampiran 16. Peta Distribusi Limpasan Permukaan Hasil Klasifikasi
Metode Cook di Sub DAS Riam Kanan dan ... 191 Lampiran 17. Peta Distribusi Spasial Koefisien C di Sub DAS Riam
Kanan dan Sekitarnya dengan DEM sebagai Latar
Belakang... 192 Lampiran 18. Rekapitulasi Data Curah Hujan dan Hari Hujan di Sub
DAS Riam Kanan dan Sekitarnya... 193 Lampiran 19. Contoh Perhitungan C-Terukur dari Data Hidrologis... 195 Lampiran 20. Data Pengukuran DMA Waduk Riam Kanan per
Septermber dari Tahun 2000 - 2009 ... 196 Lampiran 21. Jenis Tutupan Lahan di Sub DAS Riam Kanan dan
Sekitarnya... 198 Lampiran 22. Satuan Bentuk Lahan Untuk Peta Geomorfologi... 200 Lampiran 23. Contoh Perhitungan Infiltrasi Tanah Metode Horton ... 201 Lampiran 24. Perhitungan Koefisien C Masing-Masing Sub DAS dan
C-Total Data Hidrologi Sub DAS Riam Kanan dan Sekitarnya.... 202 Lampiran 25. Perhitungan Koefisien Aliran (C) Masing-Masing Sub DAS
di Sub DAS Riam Kanan dan Sekitarnya Berbasis Raster
dan Vektor ... 203 Lampiran 26. Perbandingan Nilai C-Terukur dan C Estimasi serta
Tingkat Akurasi... 209
BAB I
PENDAHULUAN
1.1. Latar Belakang
Daerah Aliran Sungai (DAS) merupakan suatu sistem ekologi. Sebagai suatu sistim ekologi, dalam suatu DAS terdapat interaksi dan saling ketergantungan (interdependensi) antara jasad hidup dan lingkungannya, sehingga setiap ada masukan (input) ke dalam ekosistem tersebut dapat dievaluasi proses yang berlangsung dengan melihat keluaran dari ekosistem tersebut. Dalam ekosistem DAS komponen masukan terdiri atas curah hujan sedangkan komponen luaran terdiri dari debit aliran, muatan sedimen dan unsur-unsur hara di dalamnya (Asdak, 2004; Gunawan, 2007).
Keberadaan dan kondisi ekosistem Daerah Aliran Sungai (DAS) atau sering disebut cekungan sungai merupakan salah satu isu nasional dalam beberapa tahun terakhir. Hal ini dikarenakan salah satu variabel terjadinya banjir adalah kondisi DAS yang kritis, seperti terjadinya penyimpangan tata guna lahan. Fenomena tersebut merupakan indikasi rusaknya keseimbangan tata air (water balance) akibat berkurangnya kemampuan beberapa proses daur hidrologi (infiltrasi dan daya tampung) sehingga nilai limpasan permukaan pada daerah aliran sungai (DAS) menjadi lebih besar melewati kapasitas tampung sungai. Kondisi ini menyebabkan berkurang dan hilangnya daerah resapan sebagai penyangga terhadap beban banjir yang terlalu besar, akibat tingginya curah hujan yang terjadi (Bakornas, 2004 ; Yusuf dkk, 1985).
DAS Riam Kanan merupakan daerah aliran sungai yang secara administratif terletak di Kabupaten Banjar Propinsi Kalimantan Selatan. Sebagai daerah resapan air (catchment area) DAS Riam Kanan merupakan kawasan lindung yang di dalamnya terdapat permukiman sebanyak 12 desa yang termasuk ke dalam kecamatan Aranio. Di lain sisi kawasan DAS Riam Kanan memiliki nilai strategis, karena terdapat Waduk Riam Kanan yang berfungsi sebagai sarana pengendali banjir dan kekeringan, pembangkit tenaga listrik dan pemasok kebutuhan air, untuk keperluan domestik dan industri, keperluan irigasi untuk pengairan sawah dan pengembangan perikanan, serta sebagai sumber pembangkit tenaga listrik (PLTA).
DAS Riam Kanan dan sekitarnya telah mengalami penurunan daya dukung sebagai daerah tangkapan air. Tingkat kerusakan yang telah terjadi yaitu sebesar 40.057,106 ha termasuk dalam kriteria sangat kritis, 23.451,046 ha kritis, 9.311,299 agak kritis dan 33.453,086 tidak kritis (BPKH V, 2008).
Penelitian yang akan dilakukan meliputi luas wilayah ± 966,44 km2 yaitu
meliputi Sub DAS Riam Kanan dan sekitarnya. Tutupan lahan di dareah penelitian terdiri dari hutan homogen dengan luasan 37.697,492 ha terdiri dari hutan kerapatan rendah (3.022,563 ha), hutan kerapatan sedang (24.098,637 ha), hutan kerapatan tinggi (2.366,513 ha), ladang (725 ha), semak belukar (6.109,792 ha), alang-alang (1.283,820 ha) danau (90,860 ha) dan pemukiman (301,56 ha) (Suhardi, 2005). Penelitian ini sangat penting dilaksanakan karena kondisi hidrologis Sub DAS Riam Kanan semakin menurun. Permasalahan tersebut dapat dillihat dengan sering terjadinya bencana banjir, berkurangnya kemampuan waduk sebagai pembangkit tenaga listrik akibat kapasitas tampung yang mulai berkurang karena dekomposisi sedimen, keresahan masyarakat akan bahaya banjir dan jebolnya waduk, yang secara keseluruhan menjadi perbincangan menarik baik dari kalangan akademisi, praktisi maupun pemerintahan (Kompas, 2007 ; LAPAN, 2006).
Tutupan lahan merupakan faktor yang sangat dinamis. Banyak metode yang telah digunakan untuk mengidentifikasikan perubahan tutupan lahan terkendala akibat proses perubahan faktor tutupan lahan yang tidak diikuti dengan ketersediaan data dan informasi yang up todate. Kalaupun ada tingkat kedetailannya kadang belum mampu mengakomodir berbagai kepentingan, akibat ketidakseragaman sistim klasifikasi tutupan lahan yang diacu (Danoedoro, 2004). Di sisi 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.
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 multipsektral 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 pemanfaatan teknologi tersebut adalah dapat mengatasi permasalahan piksel campuran yang dihasilkan oleh rendahnya resolusi spasial oleh sistim sensor satelit, misalnya satelit MODIS. Di antara metode klasifikasi yang digunakan untuk mengatasi permasalahan piksel campuran (mixel) yaitu dengan menggunakan Linear Spectral Mixture Analysis (LSMA).
LSMA menyediakan suatu strategi kuantitatif dalam mempelajari citra multispektral. Metode ini telah digunakan untuk melakukan deteksi sub-piksel serta klasifikasi dari piksel campuran pada citra hasil penginderaan jauh (Aklein, 1998 ; De Asis et al., 2007 ; Nurlina, 2008).
Spectal Mixture Analysis (SMA) telah terbukti dapat digunakan untuk mengekstrak parameter vegetasi dengan sangat baik ( De Asis, 2007; Vohland, 2007; Munoz, 2005; Nurlina, 2008). Selain itu SMA juga telah digunakan untuk klasifikasi penutupan dan penggunaan lahan oleh Lu (2000).
Berdasarkan permasalahan di atas penulis tertarik untuk mengkaji Daerah Aliran Sungai (DAS) Riam Kanan sebagai daerah penelitian untuk mengetahui kondisi hidrologi terutama distribusi spasial limpasan permukaan dengan memanfaatkan data-data dan informasi nilai spektral yang dapat disadap melalui citra penginderaan jauh. Hasil penelitian diharapkan menjadi masukan dan bahan pertimbangan dalam penentuan prioritas konservasi sumberdaya air dan keberlanjutan DAS dan Waduk Riam Kanan sebagai salah satu aset sumberdaya air. Bertolak dari argumentasi yang telah dikemukakan di atas, penelitian ini mengambil judul “Analisis Campuran Spektral Secara Linier (LSMA) Citra Terra-Modis Untuk Kajian Estimasi Limpasan Permukaan (Studi Kasus Sub DAS Riam Kanan dan Sekitarnya)“.
1.2. Perumusan Masalah
Berdasarkan uraian di atas, maka dapat dirumuskan 2 masalah penting yang difokuskan dalam penelitian ini, yaitu:
1. Dalam konteks tutupan lahan diperlukan teknik interpretasi sistim klasifikasi tutupan lahan yang tepat dalam menyediakan informasi untuk keperluan analisis DAS. DAS di Kalimantan banyak yang berukuran besar sehingga penerapan sistim klasifikasi baik dengan menggunakan citra resolusi tinggi maupun menengah tidak mudah dilakukan. Oleh sebab itu untuk keperluan ini perlu diuji coba penggunaan Citra Terra MODIS.
2. Penggunaan citra resolusi rendah seperti citra Terra MODIS membawa konsekuensi munculnya piksel campuran (mixed pixel) dalam jumlah besar dalam sistim klasifikasi. Oleh karena itu diperlukan metode klasifikasi yang dapat mengatasi permasalahan mixel tersebut salah satunya yaitu dengan menggunakan Linear Spectral Mixture Analysis (LSMA).
3. Meningkatnya koefisien aliran permukaan dan volume limpasan sebagai salah satu faktor terjadinya banjir dipengaruhi oleh tutupan lahan, sehingga tutupan lahan merupakan indikator untuk mengukur tingkat kerusakan DAS. Oleh sebab itu diperlukan model yang tepat dan berbasis citra resolusi rendah untuk mengekstraksi tutupan lahan untuk analisis koefisien aliran permukaan.
Berdasarkan permasalahan tersebut maka dapat dirumuskan 3 pertanyaan penelitian ini, yaitu:
1. Sejauh mana efisiensi dan akurasi penggunaan citra resolusi rendah seperti Citra Terra MODIS untuk menganalisis citra fraksi endmember tutupan lahan pada wilayah DAS yang luas seperti di Kalimantan ?
2. Apakah metode klasifikasi Linear Spectral Mixture Analysis (LSMA) mempunyai akurasi yang tinggi untuk mengatasi munculnya mixel dalam menyadap informasi tutupan lahan dari citra MODIS ?
3. Bagaimana kondisi tutupan lahan dapat dijadikan sebagai salah satu parameter untuk mengestimasi distribusi limpasan permukaan berdasarkan citra Terra MODIS di Sub DAS Riam Kanan Propinsi Kalimantan Selatan ?
1.3. Tujuan Penelitian
Tujuan yang ingin dicapai dalam penelitian ini adalah sebagai berikut:
1. 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?
2. 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+.
3. Memetakan distribusi koefisien aliran di Sub DAS Riam Kanan Propinsi Kalimantan Selatan melalui Interpretasi Citra Satelit dan Sistem Informasi Geografis.
1.4. Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah:
1. Menambah wawasan dalam pengembangan dan pemanfaatan Penginderaan Jauh dan Sistim Informasi Geografis khususnya dalam bidang hidrologi dalam pendugaan koefisien limpasan permukaan (runoff) berbasis nilai piksel.
2. Informasi berupa basis data berupa informasi distribusi spasial koefisien limpasan, keadaan tutupan lahan di DAS Riam Kanan dan sekitarnya sehingga diharapkan dapat berguna bagi pengembangan ilmu pengetahuan dan sebagai bahan pertimbangan bagi pengelolaan dan evaluasi tingkat kerusakan Daerah Aliran Sungai.
1.5. Keaslian Penelitian
Pemilihan obyek kajian dalam penelitian ini didasarkan pada pertimbangan bahwa penerapan teknik pengolahan citra penginderaan jauh untuk menganalisis tutupan lahan pada level sub-piksel di Daerah Aliran Sungai dengan menggunakan metode Linear Spectral Mixture Analysis (LSMA) dari data citra satelit MODIS belum banyak dilakukan. Penelitian-penelitian sebelumnya dengan kajian tutupan lahan masih banyak menggunakan metode klasifikasi konvensional seperti maximum likelihood. Beberapa penelitian dengan menggunakan metode yang sama dengan kajian yang berbeda adalah sebagai berikut.
Penelitian tentang pemantauan perubahan tutupan vegetasi di DAS Citarum telah dilakukan oleh Wikantika (2005). Penelitian tersebut menggunakan metode Analisis Spektral Campuran (Spectral Mixture Analysis) yang kemudian dibandingkan dengan penelitian sebelumnya pada daerah yang sama dengan menggunakan metode Change Vector Analysis (CVA). Hasil penelitian berupa citra fraksi endmember vegetasi beserta proporsi spasialnya dari tahun 1991, 1992, dan tahun 2000, dimana selama periode tahun 1992 sampai 2000 terdeteksi terjadi perubahan areal vegetasi seluas ± 1245 hektar.
Penelitian tentang perubahan tutupan lahan di DAS Gesing juga dilakukan oleh Pratisto (2008). Penelitian tersebut menggunakan citra Landsat dan ASTER untuk mendeteksi perubahan lahan dan volume limpasan serta Banjir di DAS Gesing Provinsi Jawa Tengah. Metode yang digunakan dengan interpretasi visual terhadap karakteristik lahan dan metode NDVI dengan pendekatan nilai piksel dengan mengacu klasifikasi menurut State of California Department of Transportation (SCDT). Volume limpasan menggunakan pendekatan metode Rasional dan Simulasi Peak Discharge dengan menggunakan PC Raster Aguilla, dan pendekatan Bahaya banjir dengan menggunakan
kuisioner. Penelitian ini berhasil memetakan distribusi perubahan vegetasi, simulasi volume limpasan dan agihan banjir di DAS Gesing.
Rudorf (2007) melakukan penelitian dengan menggunakan citra temporal dari EO-I Hyperion mengekstrak komponen-komponen konsentrasi inorganik material suspensi dan fitoplankton. Penelitian ini menerapkan beberapa tahap pemrosesan meliputi ; Minimum Noise Fraction (MNF), Pixel Purity Index (PPI) dan Spectral Mixture Analysis (SMA). Penelitian berhasil memetakan distribusi komponen-komponen tersebut di perairan melalui citra multitemporal.
Selanjutnya Nurlina (2008), melakukan penelitian dengan menggunakan citra Landsat Multitemporal dan Citra Ikonos untuk mendeteksi perubahan tutupan lahan di daerah perkotaan di Kota Banjarbaru. Minimum Noise Fraction (MNF), Pixel Purity Index (PPI) dan Linear Spectral Mixture Analysis (LSMA) diterapkan dalam model perhitungan. Penelitian ini berhasil memetakan perubahan vegetasi, permukaan kedap air, tanah terbuka dan air termasuk tingkat akurasinya dari data masukan citra fraksi endmember.
Penelitian dengan menggunakan Linear Mixture Model untuk aplikasi perubahan penggunaan lahan juga dilakukan oleh Oliveira (2003) dengan menggunakan citra MODIS dengan resolusi 500 m di wilayah daratan Portugis. Penelitian ini menerapkan beberapa tahap pemrosesan meliputi ; Minimum Noise Fraction (MNF), Pixel Purity Index (PPI) dan Linear Mixture Model (LMM). Dalam penelitian tersebut berhasil dipetakan 9 kelas penutup lahan dengan perubahan sebesar 25 – 50 % per tahun.
Penelitian sejenis telah banyak dilakukan oleh beberapa peneliti sebelumnya, baik menggunakan foto udara maupun citra satelit. Perbedaan penelitian yang akan dilakukan dengan penelitian sebelumnya terutama terletak pada citra yang digunakan, metode penelitian dan lokasi penelitian. Perbedaan dan persamaan antara penelitian yang akan dilakukan dengan penelitian sebelumnya diuraikan pada Tabel 1.1.
Nama Peneliti Tahun Judul/Lokasi Tujuan Ketelitian Tingkat Metode Digunakan Citra yang Hasil
Wikantika K., Yorda Prita U., Ahmad Riqqi
2005 Deteksi Perubahan Vegetasi dengan
Metode Spektral
Mixture Analysis
(SMA) dari Citra MODIS TM dan ETM, DAS Gesing
Mendeteksi perubahan
vegetasi DetailDetil Semi Interpreasi Visual Metode SMA Metode CVA
Multitemporal LANDSAT TM/ETM
Citra fraksi dari
endmember
vegetasi beserta proporsi spasialnya secara temporal tanpa uji akurasi
Small,C 2000 Estimation of Urban
Vegetation Abundance by Spectral Mixture Analysis, Newyork.
Estimasi vegetasi di
daerah perkotaan Semi Detail Spectral Mixture Analysis, NDVI, Tassel Cap Greeness
Menggunakan 3 jenis endmember, (High Albedo, Low
Albedo, dan
vetasi)
LANDSAT TM dan Foto udara resolusi 2 meter
Spectral Mixture Analysis
memberikan hasil yang baik dalam mengestimasi fraksi vegetasi sebesar 0,1 dibanding dengan NDVI (0,2) Rudorff C.D.M., Novo, E.M.L., Galva L.S., 2007 Spectral Mixture Analysis of EO-I Hyperion Imagery Focused on the Spatial-Temporal Variability of The Amazon Floodplain Multicomponental Waters, Amazone River Mendeteksi perubahan komponen air di dataran banjir Sungai Amazon
Semi Detil Spetral Mixture
Analysis
Citra Temporal
EO-1 Hyperion Citra endmember air bersih, fitoplankton, DOM dan SIM Oliveira P, Goncalves P, Caoetano M. 2003 Landcover Time
Profiles From Linear Mixture Models Applied to LANDSAT Images, Potuguese Continental Teritory Mendeteksi perubahan lahan di daratan Portugis
Semi Detil Linear Mixture
Model, NDVI
Citra Temporal Terra-MODIS
Citra endmember Vegetasi, Badan Air, Urban dan industri, irigasi dan hutan yang terbakar
Nama Peneliti Tahun Judul/Lokasi Tujuan Tingkat
Ketelitian Metode
Citra yang
Digunakan Hasil
Totok Gunawan 1991 Penerapan Teknik
Penginderaan Jauh Untuk Menduga Volume limpasan Menggunakan Karakteristik Lingkungan DAS Bengawan Solo Hulu Jawa Tengah
Estimasi koefisien
limpasan permukaan Detil Interpreasi Metode Cook Visual Metode Rasional Analisis Hidrograf Foto Udara HP 1:10.000 tahun 1983, FU Inframerah 1:50.000 tahun 1981
-Peta bentuk lahan, Kemiringan lereng Peta penggunaan lahan, peta koefi- sien limpasan per- mukaan
- Data koefisien lim- pasan
- Data Volume limpasan
Sudaryatno 2000 Penerapan Teknik
Penginderaan Jauh dan Sistim Informasi Geografis untuk Estimasi Volume limpasan di Daerah Aliran Sungai (DAS) Garang Semarang Jawa Tengah
Estimasi koefisien
limpasan permukaan Semi detil Interpretasi visual Metode Cook Metode Rasional Metode DEM Analisis hidrograf Citra LANDSAT TM 1:50.000 tahun 1996, FU Pankromatik HP 1:25.000 tahun 1993 peta topografi 1:50.000
-Peta bentuk lahan, Kemiringan lereng Peta penggunaan lahan, peta koefi- sien limpasan per- mukaan
- Data koefisien lim- pasan
Pratisto 2008 The Impact of
Landcover Change on Discharge Response and Flood Hazard
Semi detil Interpretasi digital, Metode Soil Curve
Number (SCN), Metode DEM Citra LANDSAT TM Multitemporal tahun 1995, 1999, 2000 -Peta perubahan Penggunaan lahan -Data koefisien dan Volume runoff -Modelling pening- katan volume runoff berdasarkan perubahan penggu- naan lahan
Nama Peneliti
Tahun Judul/Lokasi Tujuan Tingkat
Ketelitian
Metode Citra yang
Digunakan
Hasil
Nurfaika 2008 Pemanfaatan Citra
LANDSAT ETM+ dan SIG untuk Pendugaan limpasan permukaan di DAS Jene’Berang Hulu, Kab.Gowa, Sulawesi Selatan Mengkaji Kemampuan Citra LANDSAT ETM+ untuk mengekstrak informasi parameter lahan penentu koefisien limpasan permukaan, pendugaan dan pemetaan agihan limpasan permurkaan
Semi Detail Interpretasi visual dan digital Metode Cook Analisis Hidrograf Citra LANDSAT ETM+ tahun 2002
-Peta bentuk lahan, Kemiringan lereng Penggunaan lahan, Kerapatan aliran, - Peta koefisien Limpasan permu- kaan - Peta Distribusi Spasial Limpasan Permukaan John Ernst
Lande 2009 Pengaruh Maximum Klasifikasi
Likelihood dan Maximum
Mahalanobis
Distance dalam
Analisis Hidrograf (Studi Kasus pada DAS Garang, Jawa tengah) - Melihat tingkat akurasi dari 2 algoritma multispektral, yaitu Maximum Likelihood dan Mahalanobis Distance dalam ekstraksi informasi tutupan lahan
Semi Detail - Analisis
tutupan lahan dengan algoritma Maximum Likelihood dan Mahalanobis Distance -Analisis hidrograf -SCS Curve Number Citra LANDSAT ETM+ tahun 2000, peta tekstur tanah,
-Citra tutupan lahan hasil klasifikasi -Hidrograf hasil analisis
Nurlina 2008 Linear Spectral
Mixture Analysis untuk Kajian Perubahan Tutupan Lahan di Daerah Perkotaan Menggunakan Data Satelit LANDSAT Multi-temporal Deteksi Perubahan Tutupan Lahan di daerah Perkotaan
Detail Linear Spectral
Mixture Analysis dan Klasifikasi Maximum Likelihood Data LANDSAT Multitemporal dan IKONOS
Citra fraksi endmember vegetasi, permukaan kedap air, tanah terbuka, dan air termasuk tingkat akurasinya serta perubahan tutupan lahan
Abdur
Rahman 2010 Analisis Campuran Spektral Secara Linier (LSMA)
Citra Terra-Modis untuk Kajian Estimasi Limpasan Permukaan (Studi Kasus Sub Das Riam Kanan dan Sekitarnya)
Menguji kemampuan citra Terra-MODIS untuk estimasi koefisien aliran berbasis nilai piksel
Semi detil Interpretasi visual dan digital Metode Linear Spectral Mixture Analysis, Metode DEM Analisis Hidrograf Metode Regresi Citra MODIS,Landsat ETM+, Peta Topografi 1:50.000, Peta Tanah 1:25.000, Peta Geologi 1:250.000 -Citra fraksi endmemberVegetasi,Tanah,Air
dan kedap Air, peta agihan koefisien limpasan, bobot baru variabel vegetasi
BAB II
TINJAUAN PUSTAKA
2.1. Sistim Penginderaan Jauh Multispektral 2.1.1. Pengertian Penginderaan Jauh Multispektral
Sistem penginderaan jauh didesain memiliki sifat multi aplikasi yaitu multi spektral, multi spasial dan multi temporal. Sifat multi spektral dari sistem penginderaan jauh dikarenakan sensor kamera satelit menggunakan saluran penginderaan dua atau lebih pada saat yang bersamaan. Semakin banyak kanal atau saluran yang digunakan maka informasi yang didapat semakin banyak dan lengkap. Sifat multi spasial berarti sistem penginderaan jauh memiliki ketajaman (ketelitian) spasial sebanyak dua atau lebih, sering juga disebutkan ketelitian spasial ini sebagai resolusi spasial. Jika resolusi spasial semakin tinggi maka semakin tinggi ketelitian citra yang berarti mempunyai skala yang semakin besar pula. Sedangkan sifat multi temporal berarti kemampuan sensor penginderaan jauh untuk melakukan pengulangan penyapuan suatu daerah tertentu pada waktu yang telah ditetapkan. Kembalinya satelit untuk menyapu suatu kawasan dapat pada periode satu jam, satu hari (Mirabito et al., 2004).
2.1.2. Pantulan Spetral Obyek
Setiap benda pada dasarnya mempunyai struktur partikel yang berbeda, baik mikro maupun makro. Perbedaan struktur ini mempengaruhi pola respons spektralnya. Oleh karena itu, pengenalan dan perbedaan respon spektral dapat dijadikan landasan bagi pembedaan obyek. Cara memberikan respons terhadap gelombang elektromagnetik yang mengenainya berbeda-beda, baik dari satu jenis ke jenis lain maupun dari spektrum satu ke spektrum lain. Terdapat pola respon spektral obyek yang merupakan hasil dari berbagai penelitian di lapangan dan di Laboratorium. Pola inilah yang menjadikan dasar pemilihan band untuk kajian obyek tertentu. Gambar 2.1. menjelaskan uraian ini.
Gambar 2.1. Pola Respon Spektral beberapa Obyek (Jensen, 2004)
2.1.3. Citra Terra
Terra merupakan satelit pengamat bumi yang dilucurkan pada tanggal 18 Desember 1999 (dengan periode misi selama 6 tahun), sebagai plaform pertama program pengamatan bumi skala besar yang dipromosikan oleh NASA. Kemudian program satelit ini diberi nama baru sebagai EOS-AM1 dengan diluncurkannya satelit Terra dan Aqua pada tanggal 4 Mei 2002 dengan spesifikasi 5 sensor yang tidak jauh berbeda dengan yang pertama. Program tersebut hasil kerjasama Internasional antara NASA (Ceres, Modis, dan Misr), Jepang (Aster) dan Kanada (Moppit). Satelit Terra diluncurkan dengan orbit polar, sun-synchronous pada ketinggian 700 – 737 km (705 di ekuator), sudut inklinasi 98,2o, recurrence cycle 16 hari di ekuator, periode 98,88 menit.
Sumber : http://modis.gsfc.nasa.gov/about/specifications.php Gambar 2.2. Satelit Terra dan Sensor
Sensor MODIS (Moderate-Resolution Imaging Spectroradiometer) menghasilkan resolusi radiometrik 16-bit perpiksel ini menghasilkan citra dijital dalam beberapa band ; Biru (Band 3), merah (Band 1), Hijau (Band 4), near-infrared (Band 2,5 dan 16 – 19), SWIR (Band 6 dan 7), Visible (Band 8 – 15), MWIR (Band 20 – 26) dan TIR (Band 27 – 36). Sementara resolusi spasial bervariasi antara 250 m (band 1 dan 2), 500 m (band 3 – 7) dan 1000 m (band 8 – 36) (Prahasta, 2008).
Pada Tabel 2.1, menunjukkan kisaran panjang gelombang, resolusi spasial dan penerapan Citra Terra-Modis yang digunakan dalam penelitian.
Tabel 2.1. Kisaran Spektrum Panjang Gelombang, Resolusi Spasial, dan Penerapan Citra Terra-Modis, Resolusi Spasial 500 m
Band Keterangan Gelombang (Panjang µm) Resolusi Spasial Penerapan 1 Merah (Red) 0.62 – 0.67 250 m
2 Infra Merah Dekat (NIR) 0.84 – 0.87 250 m 3 Biru (Blue) 0.46 – 0.48 500 m 4 Hijau (Green) 0.55 – 0.57 500 m 5 Infra Merah Tengah 1
(MIR1) 1.230 – 1.250 500 m
6 Infra Merah Tengah 2 (MIR2)
1.628 – 1.652 500 m 7 Infra Merah Tengah
(MIR) 2.105 – 2.155 500 m
Tanah, Awan, Aerosol
Sumber : http://modis.gsfc.nasa.gov/about/specifications.php 2.1.4. Citra Landsat ETM+ dan Aplikasinya
Satelit Landsat (Land Satellite), milik Amerika Serikat, pertama kali diluncurkan pada tahun 1972, dengan nama ERTS-1 (Earth Resources Technology Satellite-1). Keberhasilan pada misi pertamanya, kemudian dilanjutkan dengan peluncuran seri kedua, tetapi dengan nama Landsat, sehingga ERTS-1 pun berubah nama menjdi Landsat-1. Demkian juga untuk seri berikutnya dengan nama Landsat.
Seri ini telah sampai pada Landsat-7 hingga saat ini. Selama dalam kurun waktu tersebut, telah terjadi perubahan sensornya, sehingga ke tujuh satelit tersebut dapat dikelompokkan menjadi dua generasi ; generasi pertama (Landsat 1 – 3) dan generasi kedua (Landsat 4-7). Landsat 1 – 2 memuat dua macam sensor; RBV
(Return Beam Vidicon, terdiri atas 3 band RBV1, RBV2 dan RBV3 dengan resolusi spasial 79 meter) dan MSS (Multispectral Scanner, resolusi spasial pada 79 meter terdiri atas 4 band yaitu MSS4, MSS5, MSS6 dan MSS7 yang dimulai dari nomor urut 4 mengacu pada tiga band pertama RBV). Landsat 3 masih memuat kedua macam sensor tersebut, namun dengan penyusutan jumlah band pada RBV menjadi satu band tunggal yang beresolusi spasial 40 meter.
Gambar 2.3. Satelit Landsat ETM+ dan bagian-bagiannya
Landsat 4-5 memuat 2 macam sensor pula, dengan mempertahankan MSS nya, tetapi mengganti RBV dengan TM (Thematic Mapper), karena alasan kapabilitas. Dengan demikian urutan penomeran MSS menjadi MSS1, MSS2, MSS3 dan MSS4. Sensor TM yang mempunyai tujuh band dinomeri urut dari 1 hingga 7, dengan catatan spektrum yang digunakan pada TM 6 adalah band infra merah thermal dengan resolusi 120 m, yang menyelip antara dua band inframerah tengah (TM5 dan TM7 yang beresolusi 30 m). Karena adanya kegagalan pada peluncuran Landsat 6, maka pada tahun 1999 diluncurkan Landsat 7 dengan sensor ETM+ (Enhanced Thematic Mapper Plus). ETM+ sebenarnya meneruskan keberhasilan TM pada Landsat 4 dan 5, dengan tambahan satu band pankromatik (0,52 – 0,90 µm) dengan
resolusi 15 m. Juga terdapat perbedaan lain yaitu resolusi spasial untuk band inframerah thermal adalah 60 m, disamping kalibrasi koreksi radiometrik 5 %. Tabel 2.2., jenis sensor, spesifikasi teknik dan panjang gelombang yang digunakan pada Landsat MSS, TM dan ETM+.
Tabel 2.2.. Kisaran Spektrum Panjang Gelombang, Resolusi Spasial, dan Penerapan Citra Landsat ETM+
Band Panjang Gelombang (Micrometer) Resolusi Spasial Penerapan
1 0.45 – 0.515 30 m Band biru penetrasi tinggi terhadap air, cocok untuk studi sumberdaya air dan dapat untuk mensuport analisis tanah, vegetasi dan landuse. 2 0.525– 0.605 30 m Band hijau, puncak reflektansi berada pada daerah
ini, maka keutamaan saluran ini adalah untuk studi diskriminasi jenis-jenis vegetasi.
3 0.63 – 0.690 30 m Band merah, cocok untuk diskriminasi vegetasi, kontras tinggi antara vegetasi dengan obyek lain. 4 0.75 – 0.90 30 m Inframerah dekat, cocok untuk indentifikasi
tanaman, kontras antara vegetasi, tanah dan air. 5 1.55 – 1.75 30 m Inframerah gelombang pendek, baik untuk studi
kandungan air tanah, kelembaban tanah, dan fenomena thermal.
6 10.40 – 12.5 60 m Infra merah thermal, untuk studi hidrothermal 7 2.09 – 2.35 30 m Inframerah gelombang pendek, sangat baik
untukidentifikasi formasi batuan dan lahan terbuka Pan 0.52 – 0.90 15 m Pemetaan tutupan lahan
Sumber : Pusdata LAPAN (2007)
2.2. Klasifikasi Multispektral Tutupan Lahan
Klasifikasi multispektral merupakan suatu algoritma yang dirancang untuk menurunkan informasi tematik dengan cara mengelompokkan fenomena berdasarkan kriteria nilai spektral atau nilai kecerahan pada beberapa saluran sekaligus, dengan asumsi dasar bahwa tiap obyek dapat dibedakan antara yang satu dengan yang lain berdasarkan nilai spektralnya (Danoedoro, 1996).
Dalam analisis citra multispektral untuk tutupan lahan secara langsung hanya dapat diterapkan untuk pemetaan tutupan lahan (landcover) dan bukan penggunaan lahan. Aspek penggunaan lahan secara deduktif dapat diturunkan dari informasi penutup lahannya. Dalam konteks tutupan lahan teknik interpretasi atau klasifikasi
tutupan lahan dibedakan menjadi 2 kelompok besar yaitu Hard Classification dan Soft Classification (Campbell, 2002).
2.2.1. Klasifikasi Kasar (Hard Classification)
Hard Classification atau klasifikasi kasar yaitu sistim klasifikasi yang "memaksa" satu pixel untuk ditunjuk sebagai satu kelas tutupan lahan. Kenapa dikatakan "memaksa", sebab secara teoritis, satu pixel pada citra satelit kemungkinan berisi sejumlah objek (tidak hanya 1 objek). Pada citra yang memiliki resolusi spasial rendah (coarse resolution), misalnya Citra Terra MODIS yang memiliki ukuran pixel 500mx500m, dalam luasan spasial citra seperti itu, sangat mungkin satu pixel Citra Terra MODIS berisi banyak objek, misalnya vegetasi, air, tanah, bangunan, sekaligus dalam 1 pixel. Meskipun terdapat banyak obyek dalam 1 pixel, dalam konsep Hard Classification, satu pixel harus "dipaksakan" untuk dijadikan satu kelas tutupan lahan. Biasanya kelas yang akan muncul adalah obyek yang paling dominan (paling banyak) di dalam pixel yang bersangkutan. Sebab obyek yang paling dominan akan mendominasi rona/warna (nilai pixel).
Hard Classification atau teknik klasifikasi kasar dikelompokkan lagi menjadi 2, yaitu interpretasi visual dan interpretasi digital. Interpretasi visual umumnya kita kenal sebagai delineasi atau digitasi, dan ini merupakan teknik yang paling umum kita gunakan. Teknik interpretasi digital atau interpretasi otomatis dilakukan menggunakan algoritma statistik, seperti Maximum Likelihood, Minimum Distance, Parallelipiped, Neural Network, k-Nearest Neighbour, dan sebagainya.
2.2.2. Klasifikasi Lunak (Soft Classification)
Soft Classification nama lainnya adalah Sub Pixel Analysis atau Endmember Extraction, biasa juga disebut Linear Spectral Mixture Analysis (LSMA) atau Spectral Mixture Unmixing, adalah teknik klasifikasi (interpretasi) citra dengan menguraikan (memecah) masing-masing pixel yang ada pada citra. Sehingga satu pixel pada citra bisa "ditunjuk" menjadi beberapa kelas tutupan lahan. Dasarnya adalah, bahwa satu pixel pada citra umumnya terdiri atas beberapa obyek, pixel yang terdiri atas beberapa obyek ini disebut Mixed Pixel (Mixel). Teorinya, nilai pixel
objek campuran (mixed pixel) merupakan kombinasi tertimbang dari nilai spektral obyek-obyek yang ada dalam pixel tersebut.
Soft classification tidak hanya diperuntukkan untuk tutupan lahan, bisa juga digunakan untuk aplikasi yang lebih rumit seperti identifikasi kandungan mineral tanah, identifikasi jenis batuan, identifikasi spesies tanaman, dan sebagainya. Dalam aplikasinya, soft classification sangat sulit, sehingga sangat jarang digunakan dan menjadi tidak populer bagi praktisi penginderaan jauh.
Gambar 2.4. Hard Classification dan Soft Classification (Ramirez, 2008)
2.2.3. Analisis Citra Multispektral dengan metode 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. Konfigurasi ini dapat mereduksi banyaknya nilai pantulan dari campuran setiap endmember yang terdeteksi pada skala panjang gelombang radiasi elektromagnetik (Aklein, 1998 ; De Asis et al., 2007 ; Nurlina, 2008).
Setiap obyek di permukaan bumi yang terekam oleh satelit penginderaan jauh memantulkan atau memancarkan gelombang elektromagnetik yang juga disebut dengan nilai kecerahan (brightness value). Obyek-obyek tersebut dibentuk dalam piksel-piksel pada citra satelit yang merupakan bagian terkecil dari suatu citra. Untuk satelit Terra-MODIS yang memiliki resolusi spasial 500 x 500 meter dan meliputi wilayah yang heterogen, tentunya setiap pikselnya terdiri dari satu obyek saja, sehingga terdapat kemungkinan bahwa dalam satu piksel citra terdapat campuran dari beberapa obyek (spectral mixing). Dengan menggunakan metode LSMA, maka obyek-obyek yang terdapat dalam satu piksel dapat diidentifikasi dan dapat ditentukan proporsi spasialnya. Pada model ini, obyek yang akan diidentifikasi serta dihitung proporsi spasialnya diistilahkan dengan endmember.
Sasaran dari LSMA adalah menghitung secara fraksional tutupan dari mayoritas unit tutupan lahan yang diteliti (endmember) di dalam piksel-piksel citra. Masukan (input) dari model LSMA adalah nilai reflektansi citra yang digunakan serta endmember (nilai piksel murni dari endmember). Pada Gambar 2.5. dapat dilihat model LSMA pada suatu piksel dengan beberapa endmember. Hasil dari proses ini (output) adalah nilai fraksi citra untuk setiap endmember bersama-sama dengan suatu citra yang berisikan kesalahan kecocokan (error of fit) (Vohland, et al., 2007; Nurlina, 2008).
LSMA dengan 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
Bila 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
(
)
∑
= + = n em b b em b em b meas R F R 1 , , , ε ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ + ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ 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 εRij = 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) j = indeks saluran (1,2,3,..., m)
k = indeks endmember (1,2,3,...)
Gambar 2.5. Pendekatan LSMA dengan Multiple endmembers (Vohland et al., 2007)
2.2.4. 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. Pada Gambar 2.6. digambarkan total nilai piksel ekstrem dengan jumlah iterasinya. Hasilnya adalah citra PPI dengan nilai digital dari setiap piksel yang cerah pada citra menunjukan lokasi pantulan dari endmember. Citra inilah yang kemudian digunakan untuk menyeleksi beberapa piksel untuk dianalisa lebih lanjut, dengan begitu dapat mengurangi nilai piksel yang akan diuji.
Gambar 2.6. Indeks PPI (El-Nahry dan Altinbas, 2006)
2.2.5. 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. Pada tahap ini informasi mengenai korelasi noise antar saluran belum diperhitungkan. Tahap kedua menentukan korelasi yang sesungguhnya dengan mengatur komponen yang berisi informasi jumlah dari varians pada seluruh saluran.
Transformasi MNF merupakan versi modifikasi dari Principle Component Analysis (PCA). Perbedaannya adalah jika pada PCA nilai eigen yang tinggi mengindikasikan varians data yang dominan pada saluran yang ditransformasikan, pada MNF, nilai eigen yang mendekati 1 diasumsikan sebagai noise. Transformasi ini digunakan untuk mengidentifikasi sekaligus mengisolasi noise yang ada pada citra. Pada Gambar 2.7. dapat dilihat grafik nilai eigen serta transformasi antara dua komponen yang dipilih. Dimensi pada data hasil transformasi dapat mengindikasikan jumlah endmember yang dapat digunakan.
\
Gambar 2.7. (a) Grafik Vektor MNF (Nilai Eigen) (b) Scatter Plot dari MNF
2.2.6. 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 metode Maximum Likelihood dilakukan berdasarkan persamaan berikut (Danoedoro, 1996) :
... (7)
dimana :
D = jarak yang diberi bobot c = suatu kelas tertentu
X = vektor piksel yang diklasifikasi Mc = vektor rerata sampel kelas c
ac = persentase probabilitas sembarang piksel untuk dapat menjadi
anggota kelas c, dimana nilai default (yang ditawarkan komputer) adalah 1,0 berasal dari pengetahuan/informasi apriori Covc = matriks kovariansi piksel-piksel pada sampel kelas c,
⏐Covc⏐ = determinan Covc (aljabar matriks)
Covc-1 = inversi Covc (aljabar matriks)
ln = fungsi algoritma natural
T = fungsi transposisi (aljabar matriks)
