ANALISIS PERBANDINGAN METODE NORMALIZED VEGETATION INDEX DAN MAXIMUM LIKELIHOOD CLASSIFICATION UNTUK
ANALISIS RUANG TERBUKA HIJAU Studi Kasus di Kota Pekalongan, Jawa Tengah
(Comparative Analysis of the Normalized Vegetation Index and Maximum Likelihood Classification for the Identification of Green Open Space, Case Study in Pekalongan City,
Central Java)
Mohammad Slamet Sigit Prakoso, Rizki Dwi Safitri
Teknik Geologi, Fakultas Teknik, Universitas Diponegoro
Jl. Prof. Soedarto, SH, Kampus Undip Tembalang, Semarang, Indonesia 50275 E-mail: [email protected]
ABSTRAK
Ruang Terbuka Hijau (RTH) adalah suatu tempat yang luas dan terbuka yang dimaksudkan untuk penghijauan suatu kota, di mana di dalamnya ditumbuhi pepohonan. Dalam analisis ruang terbuka hijau dapat menggunakan beberapa metode, di antaranya yaitu metode Normalized Difference Vegetation Index (NDVI) dan metode Maximum Likelihood Classification. Tujuan penelitian ini untuk mengetahui perbedaan hasil dari analisis metode NDVI dan Maximum Likelihood Classification yang digunakan untuk mengetahui ruang terbuka hijau di Kota Pekalongan. Metode yang digunakan pada penelitian ini yaitu dengan menggunakan metode NDVI dan metode Maximum Likelihood Classification. Data yang digunakan yaitu Citra Landsat 8 OLI. Pengolahan data menggunakan software Arcgis 10.3. Hasil dari pengolahan berupa peta ruang terbuka hijau dari masing - masing metode. Secara kuantitatif dari hasil perhitungan luas metode NDVI, luas permukiman sebesar 3.016,53 ha, persawahan 609,39 ha, hutan kota 573,3 ha, dan badan air seluas 482,04 ha. Sedangkan untuk metode Maximum Likelihood Classification didapatkan hasil luas permukiman 2.278,26 ha, persawahan 1.141,83 ha, hutan kota 738,18 ha, dan badan air seluas 522,99 ha.
Berdasarkan luasan RTH terhadap luas Kota Pekalongan, pada metode NDVI sebesar 25,2%, sedangkan untuk metode Maximum Likelihood Classification sebesar 40,1%. Dari hasil analisis diperoleh perbedaan luasan yang cukup signifikan yaitu pada luasan persawahan dan permukiman. Perbedaan hasil analisis terjadi akibat perbedaan klasifikasi warna citra pada saat pengolahan data.
Kata kunci: NDVI, Maximum LikelihoodClassification, RTH
ABSTRACT
Green Open Space is a place that is wide and open intended for greening a city, where trees are overgrown inside. In the analysis of green open spaces, several methods can be used, including the Normalized Difference Vegetation Index (NDVI) method and the Maximum likelihood Classification method.
The purpose of this study was to determine the difference in the results of the NDVI analysis method and the Maximum Likelihood Classification used to determine the Green Open Space in Pekalongan City. The method used in this research is by using the NDVI method and the Maximum Likelihood Classification method. The data used are Landsat 8 OLI imageries. Data processing using Arcgis 10.3 software. The results of the processing are in the form of a Green Open Space map of each method. Quantitatively from the results of the calculation of the area of the NDVI method, the area of the settlement is 3,016.53 ha, rice fields 609.39 ha, urban forest 573.3 ha, and water bodies covering an area of 482.04 ha. Whereas for the Maximum Likelihood Classification method, the results obtained are 2,278.26 ha of residential area, 1,141.83 ha of rice fields, 738.18 ha of urban forests, and 522.99 ha of water bodies. Based on the area of Green Open Space to the area of Pekalongan City, the NDVI method is 25.2%, while for the Maximum Likelihood Classification method it is 40.1%. From the results of the analysis, it was found that the difference in area was quite significant, namely in the area of rice fields and settlements. The difference in analysis results occurs due to differences in image color classification at the time of data processing.
Keywords: NDVI, Maximum Likelihood Classification, Green Open Space
PENDAHULUAN
Kota Pekalongan adalah salah satu daerah yang memiliki tingkat kepadatan penduduk yang cukup padat, berdasarkan BPS Kota Pekalongan (2018) kepadatan penduduk di wilayah ini sebesar 6.672 jiwa per km2. Daerah ini juga banyak dikelilingi oleh infrastruktur bangunan, jalan, serta perumahan penduduk. Ruang terbuka hijau memiliki peranan penting dalam penghijauan kota, kebutuhan oksigen di wilayah kota harus disesuaikan dengan kondisi kepadatan serta jumlah penduduk yang ada. Ruang terbuka hijau kota adalah bagian dari ruang-ruang terbuka (open spaces) suatu wilayah perkotaan yang diisi oleh tumbuhan, tanaman, dan vegetasi guna mendukung manfaat langsung atau tidak langsung yang dihasilkan oleh RTH dalam kota, yaitu keamanan, kenyamanan, kesejahteraan, dan keindahan (DPU, 2008). Kenyamanan dapat berupa peredam kebisingan, pelindung cahaya matahari (peneduh) dan penetralisir udara, sedangkan keindahan berupa penataan tanaman dibantu dengan konstruksi-konstruksi yang ditujukan untuk menahan erosi, baik berupa konstruksi beton, batu alam dan lain-lain (Shirvani, 1983). RTH di suatu kota juga bermanfaat dalam menekan tingkat polusi di bawah Nilai Ambang Batas (NAB) pencemaran (Suhardjo, 2007). Hasil penelitian Lembaga Kajian Ekologi dan Konservasi Lahan Basah (LKEKLB, 2004) dan Puslitbang Nasional menunjukan Ruang Terbuka Hijau (RTH) mampu mereduksi pencemaran udara 5% sampai 6%. Oleh karena itu, percepatan penataan ruang kota, dalam hal ini kondisi ruang terbuka hijau, sangat perlu dilakukan, karena mempengaruhi berbagai aspek kehidupan masyarakat. Pemetaan ruang terbuka hijau dapat dilakukan secara langsung maupun tidak langsung. Pemetaan RTH secara tidak langsung dilakukan dengan menggunakan metode penginderaan jauh yang berbasis SIG (Sistem Informasi Geografis), sedangkan pemetaan secara langsung dilakukan dengan survei lapangan.
Penginderaan jauh pada dasarnya memanfaatkan gelombang elektromagnetik untuk memperoleh informasi dari suatu objek, materi, dan fenomenanya tanpa adanya kontak langsung dengan objek tersebut (Lillesand & Kiefer, 2007). Setiap objek memiliki respon dalam menyerap, memantulkan atau memancarkan panjang gelombang elektromagnetik tertentu, sehingga setiap objek dapat dibedakan berdasarkan respon spektralnya. Sistem informasi geografis merupakan sistem komputer yang digunakan untuk mengumpulkan, mengintegrasikan, dan menganalisis informasi - informasi yang berhubungan dengan permukaan bumi. SIG dirancang untuk membentuk suatu data yang terorganisasi dari berbagai data keruangan dan data atribut yang mempunyai geocode dalam suatu basis data agar dapat dengan mudah dimanfaatkan dan dianalisis (Damers, 1997 dalam Prahasta, 2002). Dalam penentuan RTH dapat menggunakan 2 metode, di antaranya adalah metode NDVI dan Likelihood. Kedua metode ini menggunakan data penginderaan jauh dalam pengolahannya. Penggunaan kedua metode ini dipilih karena prosesnya yang lebih mudah dan cepat daripada klasifikasi penggunaan lahan lainnya (Febrianti & Sofan, 2014).
Metode Normalized Difference Vegetation Index (NDVI) merupakan metode yang menggunakan respon spektral citra satelit dengan sensivitas terhadap kerapatan vegetasi (indeks luas dan daun), tajuk pohon dan kandungan air pada daun tumbuhan. Pertambahan kerapatan vegetasi akan terjadi dari lahan terbuka menjadi tahap suksesi, akan tetapi pantulan dalam spektrum sinar tampak berkurang karena adanya penambahan luasan daun dan penyerapan.
Hubungan antara respon spektral pada spektrum sinar tampak dan inframerah dengan kerapatan vegetasi dapat dijelaskan dengan suatu indeks yang disebut indeks vegetasi (Huete, 1998 dalam Philiani et al., 2016). Prinsip kerja indeks vegetasi adalah mengukur tingkat intensitas kehijauan, namun adanya faktor pantulan tanah dapat meningkatkan nilai indeks vegetasi (Lillesand dan Kiefer, 2007). Adanya hubungan yang erat antara nilai indeks vegetasi NDVI dengan persentase tutupan hijau pada suatu daerah penelitian dimana kawasan RTH diklasifikasikan berdasarkan status kawasan, bukan berdasarkan bentuk dan struktur vegetasinya (Sudaryanto & Rini, 2014), untuk itu metode ini dapat digunakan untuk memetakan ruang terbuka hijau dengan memperhatikan aspek kerapatan vegetasi. Menurut Hung (2000) NDVI dapat digunakan sebagai indikator biomassa, tingkat kehijauan (greenness) relatif, dan untuk menentukan status (kesehatan/kerapatan) vegetasi pada suatu wilayah.
Klasifikasi digital pada suatu citra adalah proses dimana pengolahan dengan karakteristik spektral yang sama diasumsikan sebagai kelas yang diidentifikasikan dan ditetapkan dalam suatu
warna (Gibson & Power, 2000). Klasifikasi supervised merupakan suatu metode klasifikasi yang menggunakan area sampling. Ketelitian ditentukan oleh kualitas sampling dan jumlah sampel. Area sampel dibuat dengan menggunakan Region of Interest (ROI). ROI harus terlebih dahulu dibuat sebelum melakukan proses klasifikasi supervised ini. ROI adalah area sampling yang dibentuk sebagai training area pada klasifikasi supervised. Salah satu jenis klasifikasi supervised yaitu Maximum Likelihood Classification. Metode ini dapat digunakan untuk memetakan RTH dengan mempertimbangkan berbagai faktor di antaranya adalah peluang dari suatu piksel untuk dikelaskan ke dalam kelas/kategori tertentu. Klasifikasi menggunakan metode ini menyangkut beberapa dimensi. Menurut Purwadhi (2001) penerapan metode ini dalam analisis ruang terbuka hijau dilakukan dengan cara mengelompokan jenis tutupan lahan yang memiliki nilai piksel sama dan identik pada citra yang diklasifikasi. Tujuan penelitian ini adalah untuk membandingkan metode NDVI dan Maximum Likelihood serta menentukan metode mana yang lebih baik dalam pemetaan ruang terbuka hijau.
METODE
Lokasi penelitian berada di Kota Pekalongan, Provinsi Jawa Tengah (Gambar 1). Secara geografis terletak di antara 60 50’ 42" - 60 55’ 44” LS dan 1090 37’ 55” - 1090 42’ 19” BT dengan luas wilayah Kota Pekalongan adalah 4.525 Ha atau 45,25 km2.
Gambar 1. Lokasi penelitian.
Alat dan Bahan
Alat dan bahan yang digunakan dalam penelitian ini antara lain laptop, smartphone, citra Landsat 8 OLI dan peta RBI Kota Pekalongan. Sedangkan software yang digunakan ArcGIS 10.3, Microsoft Excel 2013, CorelDRAW 2018, dan Microsoft Word 2013.
Tahapan Penelitian
Diagram alir penelitian dapat dilihat pada Gambar 2.
Gambar 2. Diagram alir penelitian.
Koreksi Radiometrik dan Geometrik
Menurut Rini & Jajang (2019), koreksi radiometrik diperlukan untuk memperbaiki nilai-nilai piksel yang tidak sesuai dengan nilai pantulan objek yang sebenarnya. Koreksi radiometrik bertujuan untuk memperbaiki nilai piksel agar sesuai dengan nilai aslinya. Kesalahan utama data piksel yang dipakai pada penelitian ini adalah faktor gangguan atmosfer. Level koreksi radiometrik yang dilakukan dalam penelitian ini sampai pada level koreksi ToA (Top of Atmospheric) reflectance. Koreksi geometrik yang digunakan dalam penelitian ini adalah metode image to map. Setiap wilayah mempunyai kondisi relief yang berbeda-beda. Perbedaan ini sangat menentukan tingkatan dari persamaan polynomial yang akan digunakan, di mana pada kondisi wilayah datar menggunakan orde 1 (Ground Control Point (GCP) minimal 4), sedangkan wilayah yang bergelombang dan berombak menggunakan orde 2 (GCP minimal 6), sementara untuk wilayah bergunung GCP minimal 10 dengan tingkat ketelitian orde 3. Penelitian ini menggunakan citra Landsat 8 OLI dengan titik GCP minimal 10 GCP.
Komposit Citra Landsat 8 OLI
Nilai NDVI diperoleh dengan perhitungan Near Infrared dengan Red yang dipantulkan oleh tumbuhan. Nilai NDVI diperoleh dengan membandingkan data Near Infrared dan Red (Green at al., 2000 dalam Waas & Nababan, 2010). Pada metode NDVI komposit band dilakukan dengan menggunakan Raster Calculator dengan menggunakan rumus pada Persamaan 1.
NDVI = (Band 4 – Band 5)/(Band 4 + Band 5) ... (1) Sedangkan pada metode Maximum Likelihood Classification komposit band menggunakan image analysis dengan menggabungkan Band 4, Band 3, dan Band 2 untuk memperlihatkan kenampakan True Color.
Pemotongan Citra
Hasil dari komposit keduanya kemudian di potong sesuai dengan batas wilayah penelitian menggunakan tools Extract by mask di ArcGIS.
Klasifikasi NDVI
Penentuan klasifikasi pada metode NDVI sebagai berikut: nilai (-0,16 - 0) diklasifikasikan sebagai perairan/badan air; (0-0,15) diklasifikasikan sebagai pemukiman; (0,15-0,31) diklasifikasikan sebagai persawahan; dan (0,31-1) diklasifikasikan sebagai hutan kota.
Pengklasifikasian tersebut merujuk pada Ryan (1997) dengan sedikit modifikasi.
Penentuan Sampel pada Citra Landsat 8 OLI
Penentuan sampel pada penelitian ini menggunakan teknik stratified random sampling, di mana dalam pemilihan lokasi sampel dilakukan secara acak pada setiap tingkatan kelas penutup lahan pada peta tentatif. Pola sampel ini dilakukan dengan memilih jumlah lokasi titik sampel secara spesifik dan merata pada setiap kelas penutup lahan, dalam proporsinya sesuai dengan luasan tiap kelas penutup lahan, setelah itu dilakukan klasifikasi menggunakan metode Maximum Likelihood Classification pada menu image analysis.
Klasifikasi Maximum Likelihood Classification
Intepretasi penggunaan lahan dilakukan melalui pendekatan penutup lahan. Sebelum ekstraksi penggunaan lahan terlebih dahulu dilakukan penutup lahan secara digital. Bahan yang digunakan untuk intepretasi digital penutup lahan adalah citra komposit 432 Landsat 8 OLI agar memudahkan dalam membuat sampel ROI khususnya untuk membedakan kelas - kelas penutup lahan. Klasifikasi penutup lahan dari bahan sampel ROI melalui pendekatan supervised classification dengan menggunakan algoritma kemiripan maksimum (maximum likelihood).
Perhitungan RTH (Ruang Terbuka Hijau)
Persentase ruang terbuka hijau dapat dicari dengan rumus pada Persamaan 2.
% RTH = (Luas RTH/Total Luas Wilayah) x 100% ... (2) HASIL DAN PEMBAHASAN
Hasil dari pengolahan metode NDVI (Normlized Difference Vegetation Index) dan MLC (Maximum Likelihood Classification), penggunaan lahan terbagi menjadi 4 klasifikasi yaitu badan air, pemukiman, persawahan, dan hutan kota (Gambar 3). Pada peta RTH yang dihasilkan dari kedua metode dapat terlihat kesamaan bahwa permukiman merupakan penggunaan lahan yang paling dominan, dan perairan/badan air memiliki luasan yang paling sedikit.
Dari hasil perhitungan luas tiap klasifikasi lahan, secara kuantitatif pada metode NDVI luas pemukiman sebesar 3.016,53 ha, persawahan 609,39 ha, hutan kota 573,3 ha, dan badan air
seluas 482,04 ha (Gambar 4). Sedangkan untuk metode MLC didapatkan hasil luas pemukiman 2.278,26 ha, persawahan 1.141,83 ha, hutan kota 738,18 ha, dan badan air seluas 522,99 ha (Gambar 5).
Pada peta (lihat Gambar 3) terlihat bahwa terjadi perbedaan klasifikasi pada kedua metode di mana pada metode NDVI ada daerah yang diidentifikasi sebagai perairan sedangkan pada metode Maximum Likelihood Classification diidentifikasi sebagai hutan kota. Luasan pemukiman dan persawahan pada kedua metode berbeda jauh. Hal ini dapat terjadi akibat perbedaan klasifikasi pada saat processing data. Metode NDVI menggunakan perhitungan Raster Calculator, data yang digunakan yaitu data citra landsat 8 OLI band 4 dan band 5, sedangkan pada pengolahan metode MLC, processing software dilakukan dengan menggunakan image analysis, di mana mengelompokkan warna pada citra Landsat sesuai dengan sampel warna yang diambil sebelumnya, semakin banyak sampel warna yang diambil semakin baik klasifikasinya.
Gambar 3. Peta NDVI (Kiri), dan Peta MLC (kanan).
Gambar 4. Grafik luas klasifikasi RTH Metode NDVI.
Pada perhitungan RTH klasifikasi lahan yang masuk ke dalam RTH yaitu persawahan dan hutan kota, menurut Undang-Undang Republik Indonesia No. 26 tahun 2007 tentang penataan
ruang pasal 29 yang menyatakan bahwa proporsi ruang terbuka hijau pada wilayah kota paling sedikit 30% dari luas wilayah kota. Berdasarkan perhitungan luas RTH pada metode NDVI luas RTH sebesar 25,2 % sedangkan pada Maximum Likelihood luas RTH sebesar 40% (RI, 2007).
Dari hasil perhitungan, jika kita menggunakan metode NDVI dalam analisis RTH di Kota Pekalongan, maka luas RTH tidak sesuai dengan peraturan yang ditetapkan, sedangkan dengan menggunakan metode MLC luas RTH di Kota Pekalongan sesuai dengan peraturan yang berlaku.
Perbedaan hasil tersebut disebabkan oleh perbedaan klasifikasi lahan dan faktor yang digunakan dalam processing data.
Berdasarkan perbandingan di atas, metode MLC memiliki kesesuaian lebih baik, dapat dilihat dari kenampakan citra dengan metode ini hampir sama, sedangkan untuk metode NDVI tidak terlalu baik untuk digunakan dalam pembuatan RTH di suatu wilayah, hal tersebut karena pada metode NDVI lebih tepat digunakan dalam klasifikasi tutupan lahan yang melibatkan faktor kerapatan vegetasi.
Berdasarkan peta Rupabumi Indonesia (RBI) Kota Pekalongan, penggunaan lahan di daerah penelitian meliputi persawahan, permukiman, ladang, kebun, hutan kota, empang, bangunan, dan alang-alang (Gambar 7). Setelah dilakukan overlay peta NDVI, MLC dan penggunaan lahan, terlihat bahwa peta dengan metode MLC memiliki kesamaan bentuk dengan penggunaan lahan di daerah ini jika dibandingkan dengan metode NDVI.
Gambar 5. Grafik luas klasifikasi RTH Metode MLC.
Gambar 6. Citra Landsat 8 OLI (a), klasifikasi metode NDVI (b), klasifikasi MLC(c).
Sumber : Peta RBI Kota Pekalongan Gambar 7. Peta Penggunaan Lahan.
KESIMPULAN
Secara kuantitatif pada metode NDVI luas permukiman sebesar 3.016,53 ha, persawahan 609,39 ha, hutan kota 573,3 ha, dan badan air seluas 482,04 ha. Sedangkan untuk metode Maximum Likelihood Classification didapatkan hasil luas permukiman 2.278,26 ha, persawahan 1.141,83 ha, hutan kota 738,18 ha, dan badan air seluas 522,99 ha. Perbedaan hasil klasifikasi paling signifikan yaitu untuk klasifikasi persawahan, pada metode NDVI lebih sedikit jika dibandingkan dengan metode Maximum Likelihood Classification.
RTH di Kota Pekalongan berdasarkan metode NDVI (Normalized Difference Vegetation Index) sebesar 25,2% sedangkan pada metode Maximum Likelihood Classification sebesar 40%. Metode yang paling cocok untuk pemetaan RTH adalah metode Maximum Likelihood Classification.
UCAPANTERIMA KASIH
Puji Syukur atas rahmat Tuhan Yang Maha Esa yang telah memberikan kami kelancaran dalam menyelesaikan penulisan makalah penelitian tentang ruang terbuka hijau di daerah Kota Pekalongan dengan menggunakan metode NDVI dan Likelihood.
DAFTAR PUSTAKA
BPS (Badan Pusat Statistik) Kota Pekalongan. (2018). Kota Pekalongan dalam Angka 2018. BPS Kota Pekalongan. Pekalongan.
DPU (Departemen Pekerjaan Umum). (2008). Peraturan Menteri Pekerjaan Umum Nomor 05/PRT/M/2008 tentang Pedoman Penyediaan dan Pemanfafatan Ruang Terbuka Hijau di Kawasan Perkotaan.
Direktorat Jenderal Penataan Ruang. Departemen Pekerjaan Umum. Jakarta.
Febrianti, N. & Sofan, P. (2014). Ruang terbuka hijau di DKI Jakarta berdasarkan analisis spasial dan spektral data Landsat 8. Seminar Nasional Penginderaan Jauh, 498-504. Lapan.
Gibson, P.J. & Power, C.H. (2000). Introductory Remote Sensing: Digital Image Processing and Applications.
Routledge Publishers. New York. USA. 249p.
Hung, T. (2000). MODIS Application in Monitoring Surface Parameters. Institute of Industrial Science.
University of Tokyo. Tokyo. Japan.
Lillesand, T.M & Kiefer, R. W., (1997). Penginderaan Jauh dan Interpretasi Citra. Dulbahri (Pen). Terjemahan Fakultas Geografi. Gadjah Mada University Press. Yogyakarta. 714p.
LKEKLB (Lembaga Kajian Ekologi dan Konservasi Lahan Basah). (2004). Surabaya Panas Butuh Taman Kota, Diakses dari: http://www.terranet.or.id/ tulisandetil.php?id=1553. [30 Januari 2021].
Philiani, I., Livinia Saputra, L., Harvianto, L., & Muzaki, A.A. (2016). Pemetaan vegetasi hutan mangrove menggunakan Metode Normalized Difference Vegetation Index (NDVI) di Desa Arakan, Minahasa Selatan, Sulawesi Utara. Surya Octagon Interdisciplinary Journal Society and Technology, 1(2), 211-222.
Prahasta, E. (2002). SIG: “Tutorial Arcview”. Informatika. Bandung.
Purwadhi, FSH. (2001). Interpretasi Citra Digital. Grasindo. Jakarta.
RI (Republik Indonesia). (2007). Undang-Undang Nomor 26 Tahun 2007 tentang Penataan Ruang.
Sekretariat Negara. Jakarta.
Rini, M.S., & Jajang, S. (2019). Pemanfaatan penginderaan jauh dan sistem informasi geografis untuk identifikasi ruang terbuka hijau di Kabupaten Klaten. Prosiding Seminar Nasional Geografi UMS X, 280- 300. Universitas Muhammadiyah Surakarta 2019. Surakarta.
Ryan, L. (1997). Creating a Normalized Difference Vegetation Index (NDVI) Image using MultiSpec.
University of New Hampshire. Manchester.
Shirvani, H. (1983). The Urban Design Process. Van Nostrand Reinhold Company. New York. USA. 192p.
Sudaryanto & Rini, M.S. (2014). Penentuan ruang terbuka hijau (RTH) dengan index vegetasi NDVI berbasis Citra Alos Avnir -2 dan sistem informasi geografi di Kota Yogyakarta dan sekitarnya. Magistra, 24(89).
Suhardjo, D. (2007). Analisis kebutuhan RTH dalam mengendalikan tingkat pencemaran gas buang kendaraan bermotor. Dinamika Teknik Sipil, 7(2), 170-178.
Waas, H.J.D. & Nababan, B. (2010). Pemetaan dan analisis index vegetasi mangrove di Pulau Saparua, Maluku Tengah. Jurnal Ilmu dan Teknologi Kelautan Tropis, 2(1), 50-58.
