Tahap Pengumpulan Data Tahap Analisis Data .1 Penyebaran dan Arah Perkembangan Permukiman

92

3.3 Metode Penelitian

Kelebihan dari metode ini adalah penulis dapat memperhitungkan konsteks spasial wilayah pada saat penafsiran dengan melibatkan lebih dari satu elemen unit lahan, bentuk lahan, local knowledge dll yang tidak mungkin dapat dilakukan dengan metode klasifikasi digital secara langsung. Keuntungan kedua adalah metode ini cocok untuk daerah pada ekuator yang banyak tertutup awan. Penelitian ini terdiri dari empat tahap, yaitu : 1 Tahap pengumpulan data, 2 Tahap analisis digital, 3 Tahap Pengolahan data, dan 4 Tahap analisis data. Diagram alir penelitian disajikan pada Gambar 3.21.

3.3.1 Tahap Pengumpulan Data

Pada tahap ini yang dilakukan adalah mengumpulkan data-data yang dibutuhkan untuk penelitian, terdiri dari data primer dan data sekunder. Data primer terdiri dari Citra Landsat yang diperoleh dari SEAMEO BIOTROP Bogor dan survei lapang yang dilakukan di seluruh kecamatan guna validasi data hasil klasifikasi. Data sekunder diperoleh dari Badan Pusat Statistik BPS dan Badan Perencanaan Daerah. Sedangkan pembuatan peta bumi digital kota Depok sebagai referensi dalam analisis citra digital dilakukan di Cibinong Bogor mencakup unsur-unsur jalan, sungai, garis kontur, penggunaan lahan dan batas administrasi kota Depok.

3.3.2 Tahap Analisis Citra Digital

93 Untuk analisis citra digital dilakukan melalui tiga tahapan yaitu koreksi geometrik, pengamatan visual Citra Landsat dan Klasifikasi. Kemudian dilanjutkan dengan tahapan evaluasi hasil dari analisis citra digital dengan pengecekan lapang, reinterpretasi, konversi format citra dan analisis perubahan penutupanpenggunaan lahan dengan teknologi Sistem Informasi Geografis SIG.

3.3.2.1 Koreksi Geometrik

Koreksi Geometrik adalah perujukan titik-titik tertentu pada citra ke titik-titik yang sama di lapang atau di peta topografi. Pasangan titik-titik ini digunakan untuk membangun fungsi matematis yang menyatakan hubungan antar posisi sembarang titik pada citra dengan objek yang sama pada peta maupun lapangan Jensen, 1986. Proses koreksi geometrik diawali dengan merektifikasi citra ke peta Rupabumi image to image rectification berdasarkan GCP Ground Control Point yang mudah diidentifikasi pada peta maupun citra yang dikoreksi dan bentuk relief yang tidak berubah dalam jangka waktu yang lama. Citra Landsat -7-ETM+ tahun 2006 direktifikasi dengan peta rupabumi daerah depok. Proses ini dilakukan terlebih dahulu agar mudah memperoleh obyek yang sama pada peta topografis dan citra yang akan dikoreksi. Citra landsat-5- TM tahun 1997 yang telah dikoreksi digunakan sebagai referensi untuk meregistrasi Citra Landsat-7-ETM tahun 2006. Tahapan koreksi geometris yang dilakukan, sebagai berikut : 94 1. Buka program ERDAS Imagine sehingga muncul tampilan menu bar, kemudian klik ikon menu Viewer untuk menampilkan image. 2. Buka image pada viewer 1 sebagai image yang belum terkoreksi dan viewer 2 sebagai image atau vector yang telah terkoreksi digunakan untuk acuan.

3. Pada viewer 1 klik menu Raster →Geometric Correction→Pilih Polynomial→ klik

OK. 4. Kemudian muncul dialog seperti berikut : Gambar 3.1 Polynomial Model Properties 5. Klik menu Projection 6. Pilih isian Map units dengan satuan Meters 95 7. Klik Menu AddChange Projection sehingga keluar tampilan Edited Projection Chooser. 8. Klik Custom lalu isi pilihan sesuai perintah berikut : Gambar 3.2 Projection Chooser a. Projection Type : UTM b. Spheroid Name : WGS 84 c. Datum Name : WGS 84 d. UTM Zone : 48 wilayah image berada di garis bujur 102 – 108 E, e. Pilih : South untuk wilayah yang berada di area Lintang Selatan 9. Klik icon Close 10. Pilih option Exiting Viewer → Klik OK, kemudian muncul dialog Viewer Selection Intructions . Dialog ini mengkonfirmasikan viewer mana yang akan digunakan sebagai acuan. Karena yang dijadikan acuan adalah viewer 2 maka klik pointerkursor pada image yang berada di viewer 2. Tampilan akan berubah menjadi tampilan sebagai berikut 96 Gambar 3.3 Geo Corrections 11. Dengan menggunakan icon tentukan posisi dari suatu piksel yang bisa dikenali pada piksel dari image acuan. Cocokkan antara GCP pada image yang akan dikoreksi dengan Image acuan sampai benar-benar terletak pada satu piksel yang sama. 12. Buatlah GCP paling minimal 4 buah pada tempat yang diketahui nilai atau posisinya 13. Setelah titik GCP yang dibuat lebih dari 4 empat maka nilai RMS Error akan muncul pada tabel. Nilai RMS error akan semakin kecil apabila posisi GCP koreksi benar-benar sama dengan GCP acuan. Usahakan nilai RMS Error nilainya di bawah 0.5 yaitu dengan cara menggeser titik GCP pada kedua image sehingga posisinya benar-benar sama. 97 14. Untuk hasil yang lebih baik, buatlah titik GCP sebanyak mungkin dan menyebar di semua area. 15. Jika telah selesai save hasilnya dengan mengklik ikon Resample Image dalam Geo Correction Tools. Sehingga akan muncul kotak dialog seperti berikut : Gambar 3.4 Resample Image

16. Tunggu proses komputer, kemudian klik OK setelah proses selesai.

Gambar 3.5 Proses Isodata

3.3.2.2 Interpretasi Visual Citra Landsat

Pada tahap interpretasi visual dilakukan perbandingan kenampakan karakteristik obyek-obyek pada Citra Landsat tahun 1997 dan 2006. untuk membantu pengamatan visual obyek dapat dilakukan dua pendekatan yaitu pemilihan band yang tepat dan penggunaan 98 kunci interpretasi. Pemilihan kombinasi band yang tepat dilakukan dengan pendekatan nilai OIF Optium Index Factor, kunci interpretasi yang digunakan yaitu rona, bentuk, ukuran, bayangan, tekstur, pola dan situs. Beberapa obyek yang dapat diamati pada citra antara lain permukiman, sawah, semak belukar dan sungaidanau kemudian ditentukan daerah contoh training area. Kunci interpretasi yang digunakan berdasarkan rona, bentuk, ukuran, bayangan, tekstur, pola dan situs Lillesand dan kiefer, 1994. 1. Hutan lahan kering, komposisi warna = Chartause 2. Hutan tanaman, komposisi warna = Green 3. Kebun campuran Komposisi warna = R 0.600 G : 0.900 B : 0.500 4. Kebun karet, komposisi warna = R : 0.400, G : 0.800, B : 0.700 5. Kebun teh, komposisi warna = R : 0.400, G : 0.800, B : 0.600 99 6. Pertanian lahan kering, komposisi warna = Gold 7. Band 542 Band 432 Permukiman, komposisi warna = Red 8. Kawah, komposisi warna = purple 9. Kebun kelapa sawit Komposisi warna = R : 0.600, G : 0.900, B :0.400 10. Hutan rawa, komposisi warna = R : 0.500, G : 0.750, B : 0.400 11. Band 542 Band 432 Hutan mangrove R0.200 G0.800 B:0.050 12. Hutan alam, komposisi warna = Dark green 100 13. Rawa, komposisi warna = aquamarine 14. Semakbelukar, komposisi warna = Tan 15. Tubuh air, komposisi warna = Blue 16. Tambak, komposisi warna = cyan 17. Awan, komposisi warna = White 18. Tanah terbuka, komposisi warna = Pink 19. Sawah, komposisi warna = Yellow 20. Stripping, komposisi warna = Purple 101 21. Danau, komposisi warna = blue 22. Bayangan awan, komposisi warna = light gray 23. Perkebunan lain Komposisi warna = R : 0.600, G : 0.900, B : 0.500 3.3.2.3 Klasifikasi Untuk menetapkan kelas-kelas penggunaan lahan dilakukan klasifikasi terbimbing Supervised Classification pada kedua Citra Landsat. Klasifikasi terbimbing dilakukan berdasarkan area contoh training area yang telah ditentukan sebelumnya yaitu dengan menggambarkan poligon-poligon pada citra dengan karakteristik spektral tertentu. Metode klasifikasi terbimbing yang digunakan adalah algoritma kemiripan maksimum banyak digunakan pada citra beresolusi rendah sampai menengah yang lebih memfokuskan pada nilai spektral. Asumsi dari algoritma ini adalah obyek yang homogen selalu menampilkan histogram yang terdistribusi normal. Pada algoritma ini piksel dikelaskan sebagai obyek tertentu tidak karena jarak euklidiannya melainkan oleh bentuk, ukuran dan orentasi sampel pada feature space. 102 Untuk memutuskan klasifikasi dibutuhkan informasi statistik berupa nilai rataan mean, simpangan baku tiap sampel, varian ragam dan kovarians sehingga probabilitas setiap piksel suatu kelas dapat dihitung. Pada algoritma ini diasumsikan probabilitas untuk semua kelas dipandang sama tetapi pada kenyataannya, tidak semua kelas dapat dilakukan dengan probabilitas yang sama untuk dipresentasikan pada citra. Pengambilan keputusan berdasarkan pada pertimbangan kemiripan maksimum. Hasil uji ketelitian klasifikasi disajikan dalam bentuk koefisien Confution Matrik dan nilai Kappa. Koefisien Confution matrik bukan merupakan ukuran ketelitian klasifikasi secara menyeluruh tetapi menyatakan seberapa baik mengkelaskan training site. Nilai Kappa Lampiran 1 digunakan untuk menghitung akurasi hasil klasifikasi dengan menghitung kebenaran jumlah piksel yang diklasifikasikan termasuk nilai omsi jumlah piksel yang diklasifikasikan menjadi kelas lain dan nilai komisi jumlah piksel dari kelas lain yang masuk dalam kelas ini. Tahapan Klasifikasi yang dilakukan, sebagai berikut : 1. Sebelum melakukan kegiatan klasifikasi terbimbing, terlebih dahulu buat Training Areanya Signature. Klik ikon panel Classifier sehingga akan muncul tampilan seperti berikut ini. 103 Gambar 3.5 Classifier Kemudian pilih Signature Editor dan muncul dialog box berikut. Gambar 3.6 Signature Editor 1 2. Buka View yang akan diklasifikasi .img. Kemudian deliniasi dengan menggunakan AOI tools sampel-sampel wilayah tiap kategori kelas klasifikasinya. Setiap membuat AOI 104 beri keterangan pada Signature Editornya yaitu dengan mengklik create new signatur s from aoi . Gambar 3.7 Klasifikasi Citra Gambar 3.8 Signature Editor 2 3. Save file .sig hasil training area setelah semua kriteria kelas klasifikasi diambil sampelnya. Sampel dari satu kelas klasifikasi bisa lebih dari satu sampel, tergantung penyebaran pada image tersebut. 105 4. Klik ikon panel Classifier | Supervised Classification, sehingga muncul dialog box berikut. Gambar 3.9 Supervised Classification 5. Warna dapat diganti sesuai dengan keinginan kita yaitu dengan mengubah atributnya. Buka file hasil klasifikasi .img pada window viewer, Klik Raster pada menu bar, kemudian pilih atribut Attributes. Setelah proses klasifikasi dilakukan, tahapan selanjutnya adalah Recoding. Tahapan-tahapan Recoding sebagai berikut : 1. Dari menu bar Erdas Imagine, klik icon kemudian muncul kotak dialog lalu pilih GIS Analysis ½ Recode sehingga keluar tampilan berikut : 106 Gambar 3.10 Recode 4. Klik Setup Recode untuk mengelompokan baris-baris row atribut yang memiliki kelas klasifikasi yang sama. Gambar 3.11 Thematic Recode

5. Klik OK, dan tunggu prosesnya.

6. Klik pada viewer untuk menampilkan data recode yang telah kita buat. Lalu klik menu bar Raster | Attribute , edit atributnya sesuai dengan nomor pengelompokannya. 107 Gambar 3.12 Raster Attribute Editor 6. Klik Save. Tahapan selanjutnya adalah Filling, hal ini dilakukan untuk memperbaiki proses klasifikasi yang telah dilakukan, tahapan yang dilakukan, sebagai berikut : 1. Buka Viewer dan buka file citra yang ingin kita fill

2. Dari menu bar Viewer, pilih AOI │Tool, sehingga muncul kotak AOI Tool.

108 Gambar 3.13 AOI Tool

3. Kemudian dari menu bar Viewer pilih Raster │Fill, sehingga muncul kotak Area Fill

Gambar 3.14 Area Fill 4. Pada Viewer, buatlah dengan polygon AOI pada wilayah yang kita ingin fill. Kemudian pada kotak area fill, masukkan nilai warna yang kita inginkan sebagai warna pengganti wilayah tersebut, pilih Apply dan wilayah tersebut akan berubah warna sesuai yang diinginkan. 109 Wilayah yang ingin di Fill Gambar 3.15 Contoh View Fill 5. Setelah semua wilayah yang ingin kita rubah sudah selesai dilakukan proses filling-nya, pilih ikon save untuk menyimpan file hasil filling. 6. Pilih Yes. 110 3.3.3 Tahap Pengolahan Data 3.3.3.1. Operasi Buffering Ekstraksi informasi dari data spasial yang telah tersedia berupa peta penggunaan lahan tahun 1997 dan 2006 serta peta jaringan jalan. Pada tahap ini bertujuan untuk melihat sebaran permukiman pada selang waktu antara tahun 1997 dan 2006 berserta aksesibilitasnya. Operasi ini diaplikasikan pada sarana aksesibilitas, yaitu jalan utama menggunakan bantuan ArcView 3.3 untuk mengetahui keterkaitan antara aksesibilitas dengan perkembangan permukiman. Zonasi wilayah dengan operasi buffering atau penyangga adalah suatu daerah yang mempunyai lebar tertentu yang digambarkan di sekeliling satu eleman atau lebih di bagian suatu kawasan yang mempunyai jarak tertentu Barus dan Wiradisastra, 2000. Jarak buffer dari jalan adalah suatu fungsi pengukuran jarak perkiraan antara area permukiman berdasarkan jaraknya dari jalan utama. Jarak buffer dibuat berdasarkan penyebaran permukiman dan jarak yang paling menunjukan perubahan yang nyata terhadap luas permukiman dan jalan terjadi pada jarak tiap 1000 m. Jarak buffer yang digunakan adalah : 0-1000 m Zona 1, 1000-2000 m Zona 2, 2000-3000 m Zona 3, 3000-4000 m Zona 4, 4000-5000 m Zona 5, dan jarak 5000 m Zona 6. 111 Jarak buffer ini dibuat dengan mengasumsikan bahwa pengaruh jalan utama terhadap perubahan penutupanpenggunaan lahan permukiman pada jenis aksesibilitas lainnya. Tahapan buffer yang dilakukan, sebagai berikut : 1. Klik menu pulldown Theme | Create Buffer sehingga muncul kotak dialog berikut : Gambar 3.16 View Create Buffer I

2. Pastikan pada option ‘The features of a theme’ yang terpilih adalah sungai, kemudian

klik button Next 112 Gambar 3.17 View Create Buffer II How do you want to create buffer? 1. At a specified distance : digunakan untuk pembuatan buffer yang didasarkan pada jarak yang ditetapkan oleh pengguna 2. At a distance from an attribute field : Pembuatan buffer didasarkan pada jarak-jarak yang telah didefinisikan di dalam suatu field atribut yang telah ditentukan 3. As multiple rings : Pembuatan buffer akan menghasilkanmembentuk sejumlah number of rings lingkaran konsentris dengan jarak interval tertentu distance between rings antara setiap lingkaran yang berdekatan 3. Pilih ‘At a specified distance’ pada kotak dialog lanjutan. Misal kita akan membuat buffer sungai sempadan dengan jarak kanan-kirinya 100 meter, maka dalam kotak tersebut kita ketikan 100 dan pilih ’Meters’ sebagai satuan jaraknya distance units are, kemudian tekan button Next. 4. Kotak dialog lanjutan akan muncul setelah menekan button Next, dilanjutkan dengan memilih radion button ’No’ jika batas dissolve antar buffer ingin ditampilkan dan ‘in a 113 new theme ’. Simpan file output hasil buffer pada directory dengan cara mengklik button. Kemudian klik button Finish dan tunggu prosesnya. Gambar 3.18 View Create Buffer III 5. Pada tahap ini, jika theme yang di proses adalah polygon maka pengguna diharuskan mendefinisikan beberapa option seperti berikut ini : 114 Gambar 3.19 View Create Buffer IV 1. inside and outside the polygons : akan menyebabkan buffer digambarkan baik arah luar maupun ke dalam objek buffer polygon yang bersangkutan 2. only outside the polygons : akan menyebabkan buffer hanya digambarkan ea rah luar objek buffer polygon yang bersangkutan 3. only inside the polygons : akan menyebabkan buffer hanya digambarkan ea rah dalam objek buffer polygon yang bersangkutan. Gambar 3.20 View Inside and Outside

3.3.3.2 Operasi Tumpang Susun

inside and outside outside inside 115 Operasi ini dilakukan untuk mengkaji penyebaran permukiman pada tiap Zona serta melihat buffer ditinjau dari luasnya, maka dilakukan overlay tumpang susun antara zona buffer dan peta sebaran permukiman. Dari operasi ini diperoleh hubungan antara aksesibilitas dengan luas permukiman. 3.3.4 Tahap Analisis Data 3.3.4.1 Penyebaran dan Arah Perkembangan Permukiman Penyebaran permukiman digunakan untuk mengetahui gradien garis lurus yang terbentuk dari persamaan garis antara nilai koordinat X dan nilai koordinat Y sebagai sentroid poligon permukiman. Dalam sistem informasi secara spasial, sentroid merupakan satu titik yang mewakili suatu poligon dimana informasi atribut dihubungkan. Analisis ini menggunakan persamaan yang ditulis dalam bentuk; y= a+bx, dalam hal ini a menyatakan intersep atau perpotongan dengan sumbu tegak dan b adalah gardiennya Walpole, 1997. Penyebaran permukiman dapat diidentifikasi dengan sentroid dari masing-masing poligon permukiman menggunakan median center xm, ym. Penyebaran permukiman tersebut ditentukan oleh pusat geometrik suatu poligon sentroid. Titik sentroid permukiman tiap periode berubah dan memiliki informasi koordinat yang dinyatakan dalam koordinat X, Y. Pengamatan dilakukan terhadap perubahan nilai koordinat sentroid, sehingga akan diketahui arah pergeseran pemukiman dari suatu periode ke periode berikutnya. 116 Arah perkembangan permukiman dapat dilihat dari pergeseran pusat sebaran poligon sentroid yang memiliki sepasang koordinat spasial.

3. 4 Pengecekan Lapang

Pengecekan lapang dilakukan melalui pengamatan dan pengumpulan informasi mengenai kondisi di daerah penelitian, seperti penggunaan lahan, kondisi permukiman, dan sebagainya. Pengecekan lapang bertujuan untuk membandingkan antara hasil analisis data dengan kondisi sebenarnya. BAB IV 117 HASIL PEMBAHASAN

4.1 Analisis Citra Digital

Sebelum menganalisis suatu citra, dilakukan beberapa persiapan diantaranya adalah pengumpulan data yang berkaitan dengan penelitian. Data yang paling utama dalam penelitian ini adalah Citra Landsat daerah penelitian. Citra Landsat diperoleh dari SEMEO BIOTROP yang terletak di daerah Bogor. Setelah citra diperoleh, tahapan selanjutnya adalah konversiformat data. Hal ini berguna untuk membantu peneliti dalam proses selanjutnya.

4.1.1 Koreksi Geometrik

Akurasi koreksi geometrik citra diperoleh berdasarkan nilai Root Mean Square Error RMS-error. Nilai RMS-error rata-rata hasil koreksi geometrik Citra Landsat-5- TM+1997 dengan peta rupa bumi adalah Tabel 1. Akurasi yang baik adalah jika tepat objek dan nilai RMS-error kurang dari satu yang menunjukan bahwa penyimpangan pergeseran objektitik pada citra tidak melebihi satu piksel 30x30 meter. Penyimpangan posisi citra dapat terjadi karena perekaman citra satelit oleh sensor sering mengalami distorsi, pergeseran secara alami dari objek selama perekaman maupun ketidakakuratan proses digitasi pada Peta Rupabumi. Tabel 3 Nilai RMS-error hasil Koreksi geometrik Citra Landsat -7-ETM+ 2006 dengan peta Rupabumi