Klasifikasi Ruang Terbuka Hijau Wilayah Jakarta Menggunakan Citra Satelit ALOS PALSAR

KLASIFIKASI RUANG TERBUKA HIJAU WILAYAH
JAKARTA MENGGUNAKAN CITRA SATELIT ALOS PALSAR

RIDWAN AGUNG PRASETYA

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

KLASIFIKASI RUANG TERBUKA HIJAU WILAYAH
JAKARTA MENGGUNAKAN CITRA SATELIT ALOS PALSAR

RIDWAN AGUNG PRASETYA

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer


DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

ABSTRACT
RIDWAN AGUNG PRASETYA. Classification of Greenery Open Space in Jakarta Region
Using ALOS PALSAR Image. Supervised by HARI AGUNG ADRIANTO and BAMBANG H.
TRISASONGKO.
The development of human civilization and the modern technological advances led to a variety
of benefits, whether they are positive or negative. One of the negative aspects is the problem of
urban development. Urban development has a negative impact on several aspects, including
environmental aspects. There is a need of space to accommodate population and their activities
make greenery open space tend to be converted into built space.
In general, urban greenery space consists of herbs, plants, and vegetation (both endemic and
introduced) to support the benefits of ecological, socio-cultural, as well as architectural. This thesis
discusses an application of single polarized ALOS PALSAR Fine mode (FBS) imagery to identify
green open spaces in Jakarta. Specifically, this research studied the separation between classes of
water bodies, built space, woody greenery open space, and non-woody greenery open space using

the L-band. In this study, classification of greenery open space was performed using decision tree
method on tonal data. The results suggested that ALOS PALSAR has the capability to give a fairly
good classification result on greenery open space mapping in Jakarta area; nonetheless, some
objects could not be perfectly classified because of the specification of the data used in this
research.

Keywords: synthetic aperture radar, greenery open space, ALOS PALSAR, tone, decision tree

Judul

:

Nama
NRP

:
:

Klasifikasi Ruang Terbuka Hijau Wilayah Jakarta Menggunakan Citra Satelit ALOS
PALSAR

Ridwan Agung Prasetya
G64070101

Menyetujui:

Pembimbing 1,

Pembimbing 2,

Hari Agung Adrianto, S.Kom., M.Si.
NIP.19760917 200501 1 001

Ir. Bambang H. Trisasongko, M.Sc.
NIP.19700903 200812 1 001

Mengetahui:
Ketua Departemen Ilmu Komputer,

Dr. Ir. Sri Nurdiati, M.Sc.
NIP.19601126 198601 2 001


Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanallahu wataala yang telah memberikan
rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul
Klasifikasi Ruang Terbuka Hijau Wilayah Jakarta Menggunakan Citra ALOS PALSAR, dengan
baik dan lancar. Penelitian ini dilaksanakan mulai bulan Maret 2011 sampai dengan Desember
2011, bertempat di Departemen Ilmu Komputer, Institut Pertanian Bogor.
Banyak pihak yang telah memberikan bantuan baik yang bersifat moral maupun materi dalam
menyelesaikan tugas akhir ini. Atas bantuan tersebut, penulis mengucapkan terima kasih kepada:
1.
2.

3.
4.
5.

6.


7.

8.

Ayah dan ibu tercinta, serta adik-adikku atas semua nasehat, kasih sayang, do a yang
tulus, kesabaran, serta kata-kata bijak yang dapat menjadi motivasi dan inspirasi,
Bapak Hari Agung Adrianto, S.Kom., M.Si. dan Bapak Ir. Bambang H. Trisasongko,
M.Sc. selaku dosen pembimbing yang telah banyak meluangkan waktunya untuk
memberikan ilmu, pengarahan, saran, serta kritikan,
Ibu Annisa, S.Kom, M.Kom. selaku penguji yang telah memberi banyak masukan
terhadap tugas akhir yang saya kerjakan,
Ibu Dr. Ir. Sri Nurdiati, M.Sc. selaku ketua Departemen Ilmu Komputer, Institut
Pertanian Bogor, yang telah banyak memberikan nasehat dan saran,
Teman satu bimbingan yang telah berjuang bersama yaitu, Arif Nofyan Syah, Hendra
Gunawan (Hensum), Rommy Maulana Yusuf, Ana Maulida dan Erna Piantari. Terima
kasih sudah memberi dukungan, perhatian, saran, kerja sama, pengertian dan waktunya,
Rilan Muhammad Fiqri, Achmad Rifai, Musthafa TSW, Otri Delvi, Gamma Satria
Kurniawan, Adi Gunarso, Wisnugroho Agung Pribadi, Alfian Prayanta, Dean Apriana
Ramadhan dan teman-teman grup SIGAP lainnya. Terima kasih atas pengertian,
dukungan, saran, kritik, perhatian dan waktunya,

Fani Valerina, Hendra Gunawan (Jeky), Dhieka Avliria Lantana, Auzi Asfarian, Ayi
Immaduddin, Khamdan Amin, Ira Nurazizah, Bangun Kurnianto, Sayed Zulfikar, Hedi
Bintang, M. Zulfikar Handana, Remarchtito Heyziputra, Agung Wiguna Johan,Raden
Fityan Hakim, dan rekan-rekan ilkomerz 44 atas persahabatan, bantuan, doa, dukungan
dan semangat yang selalu diberikan selama kuliah hingga penelitian ini selesai, serta
kebersamaan yang diberikan selama 3 tahun ini,
Seluruh pihak yang turut membantu dalam penyelesaian penelitian ini baik secara
langsung ataupun tidak.

Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga
tulisan ini dapat memberikan manfaat bagi para pembacanya. Terima kasih.

Bogor, Januari 2012

Ridwan Agung Prasetya

RIWAYAT HIDUP
Penulis dilahirkan di Tasikmalaya pada tanggal 27 November 1988. Penulis merupakan anak
pertama dari tiga bersaudara dari ayah bernama Hasan Duha Nasution dan ibu bernama Sopiah.
Penulis pada tahun 2007 lulus dari Sekolah Menengah Atas Negeri (SMAN) 46 Jakarta

Selatan. Penulis melanjutkan pendidikan pada tahun yang sama di Institut Pertanian Bogor (IPB)
melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB) dan diterima sebagai mahasiswa
Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Penulis pernah
menjadi asisten praktikum Organisasi Komputer pada tahun 2009 dan 2010, asisten praktikum
Rekayasa Perangkat Lunak pada tahun 2010, asisten praktikum Sistem Operasi pada tahun 2010,
dan asisten praktikum Komunikasi Data dan Jaringan pada tahun 2010 .
Penulis melaksanakan Praktik Kerja Lapangan di Pusat Penelitian dan Pengembangan,
Kementererian Pertanian (Kementan) pada tanggal 1 Juli 2010 sampai tanggal 13 Agustus 2010.

DAFTAR ISI
Halaman
DAFTAR GAMBAR .......................................................................................................................vi
DAFTAR LAMPIRAN ....................................................................................................................vi
PENDAHULUAN
Latar Belakang..............................................................................................................................1
Tujuan Penelitian ..........................................................................................................................1
Ruang Lingkup Penelitian ............................................................................................................1
TINJAUAN PUSTAKA
Ruang Terbuka Hijau....................................................................................................................1
Synthetic Aperture Radar (SAR) ..................................................................................................1

ALOS PALSAR............................................................................................................................2
Hamburan Balik (Backscatter)......................................................................................................2
Fine Mode (FSB) ..........................................................................................................................3
Boxplot Diagram ..........................................................................................................................3
Radiometric Correction.................................................................................................................3
Klasifikasi Pohon Keputusan (Decision Tree)..............................................................................3
METODE PENELITIAN
Data Penelitian..............................................................................................................................4
Alat Penelitian ..............................................................................................................................4
Studi Pustaka ................................................................................................................................5
Pengumpulan Data ........................................................................................................................5
Pra-proses Data .............................................................................................................................5
Analisis Boxplot Diagram ............................................................................................................6
Pembentukan Rule ........................................................................................................................6
Penerapan Rule .............................................................................................................................6
Perhitungan Akurasi .....................................................................................................................6
HASIL DAN PEMBAHASAN
Analisis Boxplot Diagram ............................................................................................................7
Rule Berdasarkan Rona (Tone).....................................................................................................8
Perhitungan Akurasi .....................................................................................................................9

KESIMPULAN DAN SARAN
Kesimpulan ...................................................................................................................................9
Saran .............................................................................................................................................9
DAFTAR PUSTAKA .....................................................................................................................10

v

DAFTAR GAMBAR

Halaman
1 Ilustrasi satelit ALOS. ....................................................................................................................2
2 Pencitraan dengan radar pada permukaan yang berbeda................................................................2
3 Modus pengambilan citra ALOS PALSAR. ..................................................................................3
4 Ilustrasi Boxplot diagram. ..............................................................................................................3
5 Metode penelitian...........................................................................................................................5
6 Contoh citra ALOS PALSAR dengan polarisasi tunggal HH. .......................................................6
7 Contoh kenampakan pada citra Google Earth ..............................................................................7
8 Contoh daerah tiap kelas. ...............................................................................................................7
9 Kenampakan citra hasil klasifikasi untuk daerah Jakarta Utara. ....................................................8
10 Kenampakan citra hasil klasifikasi untuk daerah Danau Sunter. .................................................8


DAFTAR LAMPIRAN
Halaman

1 Boxplot diagram ...........................................................................................................................12
2 Rule tree berbasis rona berdasarkan WEKA ................................................................................13
2 Penggambaran ruang kelas dari tree pada boxplot diagram .......................................................14
4 Rule tree yang telah dimodifikasi.................................................................................................15
5 Penggambaran ruang kelas dari tree yang telah dimodifikasi pada boxplot diagram.................16
6 Rule tree yang telah dimodifikasi pada ENVI 4.5........................................................................17
7 Perhitungan akurasi rule berbasis rona berdasarkan WEKA dan ENVI 4.5 ................................18

vi

PENDAHULUAN
Latar Belakang
Masalah pembangunan perkotaan saat ini
telah menjadi masalah yang cukup sulit untuk
diatasi. Pembangunan perkotaan membawa
dampak negatif pada beberapa aspek, termasuk

aspek lingkungan. Adanya kebutuhan ruang
untuk menampung penduduk dan aktivitasnya
membuat ruang terbuka hijau cenderung
mengalami konversi guna menjadi lahan
terbangun.
Ruang terbuka publik (public open space)
di perkotaan secara umum terdiri atas ruang
terbuka hijau dan ruang terbuka non-hijau.
Secara umum ruang terbuka hijau (RTH)
perkotaan adalah bagian dari ruang-ruang
terbuka (open space) pada suatu wilayah
perkotaan yang terdiri dari tumbuhan, tanaman,
dan vegetasi (endemik maupun introduksi)
guna mendukung manfaat ekologis, sosialbudaya, dan arsitektural
yang dapat
memberikan
manfaat
ekonomi
bagi
masyarakatnya (Dwiyanto 2009).
Pemantauan RTH dapat dilakukan dengan
memanfaatkan teknologi penginderaan jauh
(remote sensing). Teknologi ini memungkinkan
perolehan citra kenampakan bumi yang diambil
dari luar angkasa dengan menggunakan satelit.
Metode pengambilan citra yang digunakan
dapat dikategorikan menjadi dua macam, yaitu
metode pasif dan metode aktif.
Metode pengambilan citra optik kurang
cocok jika diterapkan pada wilayah tropis
karena citra yang diambil dapat terhalangi oleh
tutupan awan sehingga citra yang diharapkan
belum tentu diperoleh dalam sekali rekaman.
Oleh karena itu, untuk daerah tropis seperti
Indonesia sensor citra yang lebih cocok untuk
diterapkan adalah metode Synthetic Aperture
Radar (SAR), salah satu satelit yang
menggunakan metode ini adalah The Advanced
Land Observing Satellite Phased Array type Lband Syntheric Aperture Radar (ALOS
PALSAR).
Citra ALOS PALSAR sendiri telah banyak
digunakan untuk meneliti daerah tutupan lahan
dibeberapa tempat. Rahman dan Sumantyo
(2008) telah menggunakan citra ALOS
PALSAR untuk memetakan hutan tropis di
wilayah Banglades. Lucas et al. (2008)
menunjukkan karakteristik dan perubahan pada
wilayah hutan dan pesisir pantai dengan
menggunakan
citra
ALOS
PALSAR.
Sementara itu Syarif (2011) menggunakan

Citra ALOS PALSAR untuk penyusunan
model pendugaan biomassa permukaan pada
tegakan jati. Evans et al (2010) menggunakan
Citra ALOS PALSAR dan RADATSAT-2
untuk mengetahui tutupan lahan banjir
musiman di daerah Pantanal, Brazil.
Dalam penelitian ini citra ALOS PALSAR
akan digunakan untuk klasifikasi RTH wilayah
Jakarta dengan menggunakan metode pohon
keputusan (decision tree) pada data berbasis
rona (tone).
Tujuan Penelitian
Tujuan penelitian ini adalah untuk
pemetaan RTH di wilayah Jakarta dengan
memanfaatkan citra ALOS PALSAR.
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini adalah:
1.

Tutupan lahan dibedakan menjadi empat
kelas, yaitu RTH berkayu, RTH nonkayu, ruang terbangun (RT), dan tubuh
air.

2.

Data yang digunakan hanya data wilayah
urban Jakarta.

TINJAUAN PUSTAKA
Ruang Terbuka Hijau
Singh et al. (2010) menyatakan ruang
terbuka hijau terdiri atas taman kota, hutan,
dan vegetasi yang berpengaruh dalam
penambahan kualitas wilayah urban. Secara
fisik RTH dapat dibedakan menjadi RTH alami
yang berupa habitat liar alami, kawasan
lindung dan taman-taman nasional, maupun
RTH non-alami atau binaan seperti taman kota,
lapangan olah raga, dan kebun bunga.
Dari segi kepemilikan RTH dapat berupa
RTH publik yang dimiliki oleh umum dan
terbuka bagi masyarakat luas atau RTH privat
(pribadi) yang berupa taman-taman yang
berada pada lahan-lahan pribadi.
Synthetic Aperture Radar (SAR)
Synthetic
Aperture
Radar
(SAR)
merupakan salah satu sistem penginderaan jauh
aktif
yang
menggunakan
gelombang
elektromagnetik dengan frekuensi antara 0,3
GHz sampai dengan 300 GHz (Katmoko et al.
2005). Suatu sistem SAR terdiri atas pemancar
(Transmitter), penerima (Receiver), antena dan
sistem elektronik untuk memproses dan
merekam data. Bagian pemancar akan

mengirimkan pulsa gelombang mikro secara
kontinyu ke permukaan bumi, kemudian antena
penerima akan menerima pulsa energi yang
dihamburkan balik (backscatter) dari objekobjek dipermukaan bumi untuk kemudian
diproses. Gelombang mikro yang dipancarkan
oleh SAR memiliki kemampuan menembus
lapisan permukaan seperti kanopi vegetasi.
Radar juga sensitif terhadap kekasaran
permukaan, kelembaban, sifat dielektrik, dan
gerakan dalam permukaan yang disinari
(Katmoko et al. 2005).
Instrumen SAR dapat dirancang untuk
mengirimkan gelombang yang terpolarisasi
secara horisontal (H) maupun vertikal (V).
Demikian pula antena penerimanya juga dapat
dirancang untuk menerima sinyal hambur balik
(backscatter)
yang
terpolarisasi
secara
horisontal (H) maupun vertikal (V). Ketika
gelombang dari radar berinteraksi dengan
objek dipermukaan bumi, polarisasi tersebut
akan termodifikasi sesuai dengan karakteristik
objek yang akan memberikan efek yang
berbeda-beda terhadap energi hamburan
baliknya.
ALOS PALSAR
The Advanced Land Observing Satellite
(ALOS) adalah satelit yang diluncurkan oleh
Japan Aerospace Exploration Agency (JAXA)
pada tanggal 24 Januari 2006 dari Tanegashima
Space Center, Jepang. Kegunaan utama dari
satelit ALOS adalah untuk pemetaan, observasi
regional, pengawasan bencana, dan pemetaan
sumber daya.
ALOS memiliki tiga macam instrumen
penginderaan jauh, yaitu Panchormatic
Remote-sensing Instrument for Stereo Mapping
(PRISM), Advance Visible and Near Infrared
Radiometer Type 2 (AVNIR-2), dan Phased

Array type L-band Syntheric Aperture Radar
(PALSAR) (Gambar 1).
PALSAR adalah sebuah sensor gelombang
mikro aktif yang menggunakan L-band
frekuensi guna memperoleh hasil pengamatan
lahan yang bebas awan baik siang maupun
malam.

Gambar 1 Ilustrasi satelit ALOS.
Hamburan Balik (Backscatter)
Radar memiliki sifat pemantulan yang
dikenal sebagai hamburan (scattering). Pulsa
gelombang yang dikirimkan oleh radar akan
dihamburkan pada saat menyentuh permukaan
bumi atau objek tertentu. Nilai hamburan balik
adalah energi yang diterima oleh radar dari
pulsa gelombang yang telah dipantulkan oleh
permukaan bumi atau objek tertentu.
Kekasaran permukaan objek merupakan faktor
yang paling berpengaruh terhadap intensitas
gelombang pantul tersebut. Terdapat tiga
mekanisme hamburan dasar yang biasa
dipelajari, yaitu pantulan tunggal (odd bounce
specular), pantulan ganda (double-bounce),
dan pantulan baur (difuse). Gambar 2
menyajikan pantulan dasar dari berbagai objek
utama di permukaan bumi.

Gambar 2 Pencitraan Dengan Radar Pada Permukaan Yang Berbeda (Hardi 2008).
2

Fine Mode (FSB)
Fine Mode (FSB) adalah salah satu modus
pengambilan citra yang terdapat pada satelit
ALOS PALSAR. Selain Fine Mode (FSB),
ALOS PALSAR juga memeiliki metode
pengambilan gambar lain yaitu ScanSAR Mode
dan Polarimetric Mode. Pada modus Fine
Mode
satelit
ALOS
PALSAR
akan
menghasilkan produk resolusi spasial tinggi
dengan kisaran 10 m. Citra tersebut merupakan
hasil pemindaian 1 dari 18 sub petak yang
terletak dalam jarak sudut pengambilan dari 8
sampai 60 derajat (Kikuchi 2004). Modus
pengambilan ini biasanya digunakan pada saat
satelit beroperasi normal dengan resolusi
maksimum mencapai 7 m. Modus pengambilan
citra pada satelit ALOS PALASAR dapat
dilihat pada Gambar 3.

Selain
itu,
boxplot
juga
dapat
menunjukkan ada atau tidaknya nilai outlier
dan nilai ekstrim dari data pengamatan
(Gambar 4).

Gambar 4 Ilustrasi Boxplot diagram.
Radiometric Correction
Koreksi radiometrik (disebut juga prapengolahan atau restorasi) adalah proses yang
digunakan untuk memodifikasi nilai-nilai
digital number (DN) untuk menghilangkan
noise yang terjadi karena intervensi dari
atmosfer, geometri dari sensor matahari, atau
gangguan
dari
sensor
itu
sendiri
(www.gis.unbc.ca).
Klasifikasi Pohon Keputusan (Decision Tree)

Gambar 3 Modus pengambilan citra
ALOS PALSAR.
Boxplot Diagram
Boxplot diagram menampilkan distribusi
empiris untuk data tunggal seperti bentuk
distribusi data (skewness), ukuran tendensi
sentral, dan ukuran penyebaran (keragaman)
data pengamatan (Bounessah 2002).
Terdapat lima ukuran statistik yang dapat
dibaca dengan menggunakan boxplot, yaitu :
1.

Nilai minimum, yaitu nilai obervasi
terkecil.

2.

Q1, yaitu kuartil terendah atau kuartil
petama.

3.

Q2, yaitu
pertengahan.

4.

Q3, yaitu kuartil tertinggi atau kuartil
ketiga.

5.

Nilai maksimum, yaitu nilai observasi
terbesar.

median

atau

nilai

Pohon keputusan adalah sebuah struktur
pohon (tree) yang terdiri atas simpul-simpul
(node) dan daun (leaf) dimana setiap simpul
merepresentasikan atribut dari data yang telah
diuji sedangkan daun merepresentasikan
kelompok kelas tertentu. Simpul teratas dari
sebuah pohon keputusan disebut simpul akar
(root) yang biasanya merepresentasikan atribut
yang paling berpengaruh pada kelas tertentu.
Pada umumnya pohon keputusan melakukan
strategi pencarian dengan sistem top-down
dimana pencarian dilakukan dari simpul akar
hingga simpul yang paling bawah. Pada
klasifikasi data yang belum diketahui (testing)
pohon keputusan akan menguji nilai atribut
dengan cara melacak jalur dari simpul akar
hingga simpul daun yang kemudian akan
diprediksi kelas yang dimiliki oleh data baru
tersebut.
Salah satu algoritme yang digunakan untuk
membuat pohon keputusan adalah ID3 atau
Iterative Dichotomiser 3, dimana algoritme ini
menggunakan konsep dari entropi informasi.
Secara ringkas proses pembentukan pohon
keputusan dengan algoritme ID3 adalah
(Quinlan 1986) :
3

1.

Penghitungan information gain untuk
setiap atribut dengan menggunakan

( , )=

( )−

(


)

( )

dengan :
S

= variabel terikat

A

= atribut yang diinginkan

Sy = subset dari S dimana A mempunyai
nilai y
dan
( )= −

log



log

dengan:
S = ruang sampel yang digunakan untuk
pelatihan
P+ = jumlah yang beresolusi positif dari
data sampel
P_ = jumlah yang beresolusi negatif dari
data sampel
2.

Pemilihan atribut yang memiliki nilai
information gain terbesar,

3.

Pembentukan simpul yang berisi atribut
tersebut,

4.

Proses perhitungan information gain akan
terus dilaksanakan sampai semua data
telah masuk kedalam kelas yang sama.
Atribut yang telah dipilih tidak diikutkan
lagi dalam perhitungan nilai informatian
gain.

Algoritme
C4.5
merupakan
pengembangan dari algoritme ID3 yang telah
diperkenalkan sebelumnya oleh Quinlan
(Quinlan 1986). Pemilihan atribut pada
algoritme
C4.5
dilakukan
dengan
menggunakan gain ratio dengan rumus :
( , )=

( , )
( , )

Atribut dengan gain ratio tertinggi dipilih
sebagai atribut uji untuk simpul. Dengan gain
adalah information gain. SplitInfo menyatakan
entropi atau informasi potensial dengan rumus :
( , )= −

log

Keunggulan Algoritme C4.5 daripada
algoritme ID3 yaitu algoritme C4.5 mampu
menangani atribut dengan tipe numerik dan

kategori, selain itu mampu menangani atribut
yang kosong (missing value) dan dapat
memangkas cabang yang disebut dengan istilah
pruning.
Algoritme
pohon
keputusan
yang
digunakan dalam software WEKA adalah J48.
Algoritme ini merupakan penerapan dari
algoritme C4.5 yang diterapkan pada bahasa
pemrograman java.
Telaah pustaka menunjukan bahwa
algoritme pohon keputusan telah banyak
digunakan untuk pembentukan rule klasifikasi
citra SAR. Trisasongko (2009) telah
melakukan
penelitian
pemetaan
hutan
mangrove menggunakan data radar fullypolarimetric. Penelitian tersebut menggunakan
tiga algoritme pohon keputusan berbeda, antara
lain Classification and Regression Trees
(CART), C4.5, dan Random Forests (RF).
METODE PENELITIAN
Pada penelitian ini terbagi menjadi
beberapa tahapan, yaitu : studi pustaka,
pengumpulan data, pra-proses data, analisis
boxplot diagram, pembentukan rule, penerapan
rule, dan analisis hasil (Gambar 5).
Data Penelitian
Citra utama yang digunakan dalam
penelitian ini adalah citra satelit ALOS
PALSAR wilayah Jakarta. Modus pengambilan
yang digunakan adalah Fine Mode (FSB) dan
diakuisisi pada tanggal 20 Juni 2006. Data
yang digunakan merupakan citra dengan
polarisari linear tunggal, yaitu polarisasi HH.
Sebagai bahan acuan digunakan citra optik
yang diambil dari Google Earth . Citra acuan
ini digunakan untuk mengetahui dengan lebih
detil tutupan lahan yang terdapat pada daerah
pengamatan.
Alat Penelitian
Perangkat lunak yang digunakan pada
penelitian pada penelitian ini antara lain :


ENVI 4.5



Google Earth 6.0



Map Ready



WEKA 3.6



Notepad++



Microsoft Office 2010

4

Sedangkan
perangkat
keras
yang
digunakan dalam penelitian ini adalah PC
dengan spesifikasi :





Processor AMD Phenom II X4
955
Sapphire ATI Radeon 5850
RAM 4 GB
Harddisk 2.65 TB

Studi Pustaka
Pada tahap ini dilakukan pencarian studi
pustaka dari berbagai sumber tentang
penginderaan jauh (remote sensing) dan
metode pengolahan citra satelit ALOS
PALSAR. Pencarian juga dilakukan untuk
materi analisis boxplot diagram dan metode
klasifikasi pohon keputusan. Pencarian literatur
dilakukan dari berbagai sumber seperti paper,
buku, makalah, hasil penelitian sebelumnya,
dan internet.
Pengumpulan Data
Pada
tahap
ini
dilakukan
proses
pengumpulan data citra ALOS PALSAR dan
citra dari Google Earth . Berdasarkan citra
yang diperoleh dari Google Earth didapat
empat kelas tutupan lahan, yaitu RTH berkayu,
RTH non-kayu, ruang terbangun, dan tubuh air.
Pada masing-masing kelas diambil kumpulan
piksel sebagai contoh (sample) untuk dilakukan
analisis pada citra. Jumlah piksel yang
digunakan sebagai data uji dan data latih untuk
setiap kelas sebanyak 1.200 piksel. Data uji
dan data latih diambil dari lokasi yang berbedabeda pada citra.
Pra-proses Data
Pada tahap ini dilakukan pra-proses data
pada citra ALOS PALSAR. Tahap pra-proses
dimulai dengan membangkitkan citra satelit
yang tersedia dengan bantuan software ENVI
4.5. Selajutnya citra dipotong sesuai dengan
daerah
pengamatan.
Tahap
pra-proses
dilanjutkan dengan melakukan
tahap
radiometric correction. Pada tahap ini nilai
(digital number) DN yang berasal dari citra
akan diubah menjadi nilai sigma nought
dengan menggunakan bantuan software Map
Ready. Selanjutnya citra hasil radiometric
correction ini akan disebut sebagai citra tone
(berbasis rona) (Gambar 6).

Gambar 5 Metode penelitian.

5

PALSAR. Rule diterapkan untuk seluruh citra
yang diamati, termasuk pada data latih dan data
uji.
Perhitungan Akurasi

Analisis Boxplot Diagram
Pada penelitian ini boxplot diagram
digunakan untuk melihat keterpisahan antar
kelas yang berbeda. Berdasarkan citra tone
akan diambil data sampel untuk beberapa
lokasi yang mewakili kelas yang akan
dibentuk. Dari data tersebut nilai sigma nought
yang telah diekstraksi dari citra akan disusun
berdasarkan kelas masing-masing. Data
tersebut
kemudian
diproses
sehingga
menghasilkan sebuah boxplot diagram.
Dari hasil boxplot diagram maka dapat
diketahui seberapa banyak sebaran data yang
diperoleh untuk setiap kelas dan nilai-nilai
outlier untuk masing-masing kelas. Dari
diagram tersebut dapat juga diketahui kelas
mana saja yang dapat terpisahkan dengan baik
dan kelas mana yang kurang dapat terpisahkan
dengan baik.
Pembentukan Rule
Pembentukan rule dilakukan dengan
menggunakan algoritme pohon keputusan
(decision tree) menggunakan software WEKA.
Pembentukan
rule
dilakukan
dengan
menggunakan data latih dan data uji dari citra
berbasis rona sehingga diperoleh pohon
keputusan
yang
memuat
rule
untuk
keterpisahan kelas. Rule yang telah dibuat
menggunakan WEKA selanjutnya dibuat
kembali dalam format software ENVI 4.5
sehingga dapat diterapkan pada data percobaan.
Penerapan Rule

Tabel 1 Confusion matrix
Prediksi
Aktual

Gambar 6 Contoh citra ALOS PALSAR
dengan polarisasi tunggal HH.

Perhitungan akurasi dilakukan dengan
menghitung persentase dari data uji yang
berhasil diklasifikasikan dengan benar sesuai
dengan rule yang telah diperoleh sebelumnya.
Nilai akurasi dihitung berdasarkan confusion
matrix seperti terlihat pada Tabel 1. Data uji
adalah data yang telah diketahui kelas tutupan
lahannya. Akurasi keseluruhan adalah jumlah
piksel data uji yang terklasifikasi dengan benar
dibagi dengan jumlah seluruh piksel dari data
uji.

Kelas 1

Kelas 2

Kelas 1

a

b

Kelas 2

c

d

=

( +
( + +

)
+

)

× 100 %

HASIL DAN PEMBAHASAN
Jakarta merupakan salah satu daerah
metropolitan yang terdapat di Indonesia.
Berdasarkan kenampakan objek yang diperoleh
dari citra Google Earth (Gambar 7), daerah
Jakarta memiliki persebaran area ruang
terbangun yang sangat padat. Area ruang
terbangun ini meliputi pemukiman, daerah
industri, gedung perkantoran dan pusat
perbelanjaan. Wilayah perairan dari Jakarta
sebagian besar terdapat di daerah Jakarta Utara
yang merupakan daerah pelabuhan Tanjung
Priok, selain itu hanya ada beberapa daerah
perairan kecil seperti sungai dan danau-danau
buatan manusia. Daerah RTH di Jakarta dapat
dikatakan cukup sedikit, baik RTH berkayu
maupun RTH non-kayu. Hanya terdapat
beberapa taman-taman kota yang merupakan
daerah terbuka yang terdapat di Jakarta.

Rule yang telah diperoleh pada tahap
sebelumnya diterapkan pada citra ALOS

6

Gambar 7 Contoh kenampakan pada citra Google Earth .
Pada Gambar 8 dapat dilihat bahwa kelas
ruang terbangun dapat dibedakan secara visual,
sedangkan kelas yang lain kurang dapat
dibedakan dengan baik. Hal ini karena citra
yang digunakan adalah citra polarisasi tunggal
sehingga citra yang dibangun adalah citra
hitam putih (grayscale).

Gambar 8 Contoh daerah tiap kelas.
Analisis Boxplot Diagram
Data yang telah diperoleh dari tahap praproses selanjutnya diolah untuk dibentuk
menjadi boxplot diagram. Dari hasil boxplot
diagram (Lampiran 1) maka dapat disimpulkan
jika kelas ruang terbangun dan RTH berkayu
sudah dapat terpisahkan dengan baik dari
kelas-kelas lainnya walaupun masih terdapat
beberapa data outlier yang bersinggungan
dengan kelas yang lain.

Dapat dilihat juga bahwa kelas RTH nonkayu dan tubuh air nilai persebaran datanya
menempati nilai-nilai yang hampir sama
sehingga kedua kelas ini sulit untuk dipisahkan
dengan jelas. Hal ini terjadi karena beberapa
hal, antara lain pengambilan sampling yang
kurang memadai. Data citra yang digunakan
adalah data grayscale sehingga sangat sulit
untuk membedakan antara tubuh air dan RTH
non-kayu
jika
hanya
mengandalkan
kenampakan secara visual saja. Selain itu
cukup sulit untuk mengambil sampel yang
benar-benar sesuai dengan kriteria kelas yang
dituju tanpa adanya data yang seharusnya
bukan kelas tersebut ikut terambil.
Alasan lain adalah karena nilai backscatter
yang dihasilkan dengan polarisasi tunggal HH
kurang baik untuk membedakan daerah RTH
non-kayu dengan tubuh air. Pada polarisasi HH
gelombang elektromagnetik dari satelit akan
dipancarkan secara horizontal dan hasil
pantulannya juga akan diterima dalam posisi
horizontal. Pada polarisasi ini interaksi dengan
RTH non-kayu sangat minimum, sehingga
dominasi hamburan balik adalah pada
komponen specular yang juga menjadi penciri
utama tubuh air.
Kemungkinan lainnya yaitu kondisi di
lapangan telah banyak daerah tubuh air yang
ditumbuhi oleh tumbuhan-tumbuhan air seperti
teratai dan eceng gondok. Hal ini tentu saja
mempengaruhi hasil klasifikasi dari sensor
SAR. Sensor seperti ini tidak dapat
membedakan objek yang akan dipetakan secara
visual dan hanya mengandalkan nilai
7

backscatter dari gelombang elektromagnetik
yang dipancarkan.

menyatakan bahwa kelas RTH non-kayu sulit
untuk dipisahkan dengan kelas tubuh air.

Rule Berdasarkan Rona (Tone)

Jika dilihat pada Lampiran 3 maka dapat
dilihat jika tree yang dihasilkan dengan WEKA
tampak kurang efisien. Terdapat beberapa rule
pemisahan ruang kelas yang masih dapat
disatukan menjadi satu kelas saja. Oleh karena
itu lakukan proses modifikasi rule dengan
menyederhanakan pembagian ruang kelas
sehingga lebih efisien. Hasil modifikasi rule
dapat dilihat pada Lampiran 4. Sedangkan
untuk penggambaran tree yang telah
dimodifikasi pada boxplot diagram dapat
dilihat pada Lampiran 5.

Setelah
analisis
boxplot
diagram,
penelitian dilanjutkan dengan pembentukan
rule menggunakan algoritme pohon keputusan.
Rule yang dibentuk berdasarkan data latih dari
citra berbasis rona. Pohon keputusan yang
dihasilkan memiliki 13 leaf (Lampiran 2) . Leaf
pada level atas terdiri atas kelas ruang
terbangun dan kelas RTH berkayu. Hal ini
menandakan bahwa kedua kelas tersebut sangat
mudah untuk dibedakan. Selanjutnya ruang
kelas yang didapat dari tree digambarkan ke
dalam boxplot diagram untuk mengetahui
kesesuaian pemisahan kelas antara tree dan
boxplot diagram. Penggambaran ruang kelas
yang diperoleh dari tree pada boxplot diagram
dapat dilihat pada Lampiran 3. Hasil yang
diperoleh sesuai dengan analisis yang
dilakukan sebelumnya menggunakan boxplot
diagram.
Dapat dilihat juga bahwa kelas RTH nonkayu hanya bercampur dengan kelas tubuh air
dalam pohon keputusan. Hal ini juga sesuai
dengan hasil analisis boxplot diagram yang

Hasil dari tree yang telah diperoleh
kemudian akan diolah kembali dengan
menggunakan software ENVI 4.5 sehingga
dapat diproses untuk memeperoleh hasil
klasifikasi. Penggambaran tree pada software
ENVI 4.5 dapat dilihat pada Lampiran 6.
Untuk kenampakan hasil dari klasifikasi
dengan pohon keputusan dapat dilihat pada
Gambar 9 dan Gambar 10.

Gambar 9 Kenampakan citra hasil klasifikasi untuk daerah Jakarta Utara.

Gambar 10 Kenampakan citra hasil klasifikasi untuk daerah Danau Sunter.
8

Pada hasil klasifikiasi dapat terlihat jika
dibandingkan dengan citra optik yang
diperoleh dari Google Earth tampak bahwa
kelas RTH berkayu tampak lebik mendominasi
daripada kenyataanya. Hal ini terjadi salah
satunya karena proses pengambilan sampel
untuk kelas RTH berkayu yang kurang
memadai. Pengambilan sampel untuk kelas
RTH berkayu cukup sulit karena letaknya yang
cukup menyebar dan berdekatan dengan piksel
yang merupakan anggota kelas lain. Selain itu
lokasi untuk pengambilan sampel RTH
berkayu pada citra satelit cukup sedikit dan
jarang terkelompok dengan sempurna.
Selain karena pengaruh sampel, kelas RTH
kayu yang berlebihan juga disebabkan oleh
variasi yang tinggi dari tumbuhan berkayu.
Citra satelit dengan polarisasi tunggal belum
dapat membedakan varisasi yang terdapat pada
objek
secara
sempurna,
sehingga
pengelompokan dilakukan secara umum.
Perhitungan Akurasi
Akurasi keseluruhan yang didapat dari
pohon keputusan dengan menggunakan ENVI
4.5 sebesar 70,14%. Sedangkan hasil akurasi
keseluruhan dengan menggunakan WEKA
didapat hasil sebesar 70,29%. Perincian akurasi
yang diperoleh dapat dilihat pada Lampiran 4.
Pada Lampiran 7 dapat dilihat terdapat
perbedaan hasil akurasi untuk tiap-tiap kelas
antara hasil akurasi menggunakan ENVI 4.5
dan WEKA. Selain itu dapat dilihat pada hasil
akurasi dengan ENVI 4.5 pada kelas RTH nonkayu terdapat penambahan persentase jika
dibandingkan
dengan
hasil
akurasi
menggunakan WEKA dari anggota kelas
tersebut yang salah diklasifikasikan ke dalam
kelas RTH berkayu, sedangkan kelas RTH
non-kayu yang salah diklasifikasikan ke dalam
kelas tubuh air justru mengalami penurunan
presentase.
Secara keseluruhan dapat dikatakan bahwa
hasil akurasi dengan menggunakan ENVI 4.5
lebih baik dari pada WEKA karena jika
dibandingkan persentase kelas yang tepat
diklasifikasikan hasil klasifikasi ENVI 4.5
memperoleh nilai persentase yang lebih besar
dari pada WEKA.
Hasil akurasi ini juga sangat dipengaruhi
oleh kendala-kendala yang terdapat pada
pengambilan sampel. Salah satunya adalah
pengambilan sampel untuk kelas RTH berkayu
dan RTH non-berkayu. Pengambilan sampel
kedua kelas ini cukup sulit untuk dilakukan

karena citra yang digunakan merupakan citra
grayscale. Hal lainnya yaitu cukup sulitnya
mencari lokasi pengambilan sampel yang
kedua kelas yang benar-benar steril dari kelaskelas yang lain. Kedua kelas tersebut memang
lebih banyak bercampur dengan kelas lain
seperti kelas ruang terbangun.

KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan hasil penelitian dapat
disimpulkan bahwa data satelit ALOS
PALSAR dengan polarisasi tunggal HH
mampu memberikan hasil klasifikasi yang
cukup baik terhadap pemetaan ruang terbuka
hijau di wilayah Jakarta.
Data hasil yang diperoleh belum dapat
memisahkan kelas tubuh air dengan kelas RTH
non-kayu secara sempurna. Selain itu untuk
kelas RTH berkayu tampak terlihat terlalu
berlebihan pada hasil klasifikasi Hal ini
disebabkan oleh beberapa faktor yang
berhubungan dengan spesifikasi data yang
digunakan.
Pembentukan rule dengan menggunakan
algoritme
pohon
keputusan
mampu
menghasilkan nilai akurasi yang cukup baik
dengan nilai akurasi mencapai 70,14%
menggunakan ENVI 4.5 dan 70,29%
menggunakan WEKA.
Saran
Penelitian ini masih memiliki beberapa
kekurangan. Penelitian lebih lanjut perlu
dilakukan dengan saran antara lain:
1.

Menggunakan
citra
satelit
dengan
polarisasi ganda baik co-polarized ataupun
cross-polarized,

2.

Mengembangkan kelas ruang terbangun
menjadi ruang terbangun seluruhnya dan
ruang terbangun sebagian,

3.

Menggunakan metode Probability Label
Relaxation untuk memperoleh hasil
klasifikasi yang lebih baik,

4.

Menggunakan citra satelit tipe SAR yang
lain, seperti TERRA SAR-X atau
RADARSAT.

9

DAFTAR PUSTAKA
Bounessah M. 2002. The Boxplot: A Robust
Exploratory Data Analysis Tool for The
Definition of The Threshold for Outlier
Data. Asian Journal of Chemistry 14(3)
Dwiyanto A. 2009. Kualitas dan Kuantitas
Ruang Terbuka Hijau Di Pemukiman
Perkotaan
[Skiripsi].
Semarang:
Universitas Diponegoro.

Singh VS, Pandey DN, Chaudhry P. 2010.
Urban Forest and Open Green Spaces :
Lessons for Jaipur, Rajasthan, India.
India: RSPCB.
Syarif

RD. 2011.
Penyusunan Model
Pendugaan dan Pemetaan Biomassa
Permukaan pada Tegakan Jati (Tectona
grandis Linn.F) menggunakan Citra
ALOS PALSAR Resolusi 50 M dan 12,5
M (Studi Kasus : KPH Kebonharjo
Perhutani Unit I Jawa Tengah)
[Skripsi]. Bogor: Institut Pertanian
Bogor.

Evans TL, Costa M, Telmer K, Silva TSF.
2010. Using ALOS/PALSAR and
RADARSAT-2 to Map Land Cover and
Seasonal Inundation in the Brazilian
Pantanal. IEEE Jaurnal of Selected
Topics in Applied Earth Observations
and Remote Sensing 3(4), 560-575

Trisasongko BH. 2009. Tropical Mangrove
Mapping Using Fully-Polarimetric
Radar Data. ITB J. Sci. Vol. 41, No.2:
halaman 98-109.

Hardi AH. 2008. Studi Pemanfaatan Band
Yang
Berbeda
Pada
INSAR
(Interferometric Synthetic Aperture
Radar) [Skripsi]. Bandung: Institut
Teknologi Bandung.

[UNBC Gis Lab] UNBC Gis Lab. Radiometric
Correction.
http://www.gis.unbc.ca/caourses/goeg43
2/lectures/lect6/index.php (18 Desember
2011).

Katmoko AS, Kuncoro T, Santoso H. 2005.
Klasifikasi Data Polarimetrik Radar
Dengan
Menggunakan
Metode
Dekomposisi Cloude
& Pottier.
Pertemuan Ilmiah Tahunan MAPIN
XIV. Surabaya
Kikuchi H, Watanabe H, Ota H, Mouri K,
Arima A. 2004. Development of
PALSAR
Ground
Data
System.
International
Symposium
on
Geoinformatics
for
Spatial
Infrastructure Development in Earth and
Allied Sciences.
Lucas RM, Casseiras J, Proisy C, Bunting P.
2008. ALOS PALSAR Application in the
Tropics
and
Subtropics:
Characterisation,
Mapping
and
Detecting Change in Forest and Coastal
Wetlands. ALOS PI symposium,
Rhodes, Greece.
Quinlan JR. 1986. Introduction of Decision
Trees. Boston: Kluwer Academic
Publishers.
Rahman MM, Sumantyo JTS. 2008. ALOS
PALSAR data for Tropical Forest
Interpretation
and
Mapping.
International
Archives
of
the
Photogrammetry, Remote Sensing and
Spatial Information Sciences. Volume
XXXVII Part B7-1. Pp. 185-189.
ISPRS, Beijing.
10

LAMPIRAN

Lampiran 1 Boxplot diagram

12

Lampiran 2 Rule tree berbasis rona berdasarkan WEKA

13

Lampiran 3 Penggambaran ruang kelas dari tree pada boxplot diagram

14

Lampiran 4 Rule tree yang telah dimodifikasi

15

Lampiran 5 Penggambaran ruang kelas dari tree yang telah dimodifikasi pada boxplot diagram

16

Lampiran 6 Rule tree yang telah dimodifikasi pada ENVI 4.5

17

Lampiran 7 Perhitungan akurasi rule berbasis rona berdasarkan WEKA dan ENVI 4.5
Akurasi berdasarkan WEKA dalam piksel

Kelas Dugaan



Akurasi berdasarkan WEKA dalam persen

Kelas Dugaan



Kelas Asli
Kelas
RTH Non-kayu RTH Berkayu Ruang Terbangun Tubuh Air
650
111
18
69
RTH Non-kayu
RTH Berkayu
996
957
372
15
Ruang Terbangun
40
93
1909
0
Tubuh Air
617
66
5
2125
Total
2303
1227
2304
2209

Akurasi berdasarkan ENVI 4.5 dalam persen

Kelas Dugaan



Kelas Asli
Kelas
RTH Non-kayu RTH Berkayu Ruang Terbangun Tubuh Air
RTH Non-kayu
27,25
8,75
0,92
3,33
RTH Berkayu
40,25
78,17
18,75
0,83
Ruang Terbangun
1,30
7,67
79,92
0,00
Tubuh Air
30,00
4,42
0,42
95,83
Total
100,00
100,00
100,00
100,00

Akurasi berdasarkan ENVI 4.5 dalam piksel

Kelas Dugaan



Kelas Asli
Kelas
RTH Non-kayu RTH Berkayu Ruang Terbangun Tubuh Air
327
105
11
40
RTH Non-kayu
RTH Berkayu
483
938
225
10
Ruang Terbangun
30
92
959
0
Tubuh Air
360
65
5
1150
Total
1200
1200
1200
1200

Kelas Asli
Kelas
RTH Non-kayu RTH Berkayu Ruang Terbangun Tubuh Air
RTH Non-kayu
28,22
9,05
0,78
3,12
RTH Berkayu
43,25
78,00
16,15
0,68
Ruang Terbangun
1,74
7,58
82,86
0,00
Tubuh Air
26,79
5,38
0,22
96,20
Total
100,00
100,00
100,00
100,00

18

ABSTRACT
RIDWAN AGUNG PRASETYA. Classification of Greenery Open Space in Jakarta Region
Using ALOS PALSAR Image. Supervised by HARI AGUNG ADRIANTO and BAMBANG H.
TRISASONGKO.
The development of human civilization and the modern technological advances led to a variety
of benefits, whether they are positive or negative. One of the negative aspects is the problem of
urban development. Urban development has a negative impact on several aspects, including
environmental aspects. There is a need of space to accommodate population and their activities
make greenery open space tend to be converted into built space.
In general, urban greenery space consists of herbs, plants, and vegetation (both endemic and
introduced) to support the benefits of ecological, socio-cultural, as well as architectural. This thesis
discusses an application of single polarized ALOS PALSAR Fine mode (FBS) imagery to identify
green open spaces in Jakarta. Specifically, this research studied the separation between classes of
water bodies, built space, woody greenery open space, and non-woody greenery open space using
the L-band. In this study, classification of greenery open space was performed using decision tree
method on tonal data. The results suggested that ALOS PALSAR has the capability to give a fairly
good classification result on greenery open space mapping in Jakarta area; nonetheless, some
objects could not be perfectly classified because of the specification of the data used in this
research.

Keywords: synthetic aperture radar, greenery open space, ALOS PALSAR, tone, decision tree

PENDAHULUAN
Latar Belakang
Masalah pembangunan perkotaan saat ini
telah menjadi masalah yang cukup sulit untuk
diatasi. Pembangunan perkotaan membawa
dampak negatif pada beberapa aspek, termasuk
aspek lingkungan. Adanya kebutuhan ruang
untuk menampung penduduk dan aktivitasnya
membuat ruang terbuka hijau cenderung
mengalami konversi guna menjadi lahan
terbangun.
Ruang terbuka publik (public open space)
di perkotaan secara umum terdiri atas ruang
terbuka hijau dan ruang terbuka non-hijau.
Secara umum ruang terbuka hijau (RTH)
perkotaan adalah bagian dari ruang-ruang
terbuka (open space) pada suatu wilayah
perkotaan yang terdiri dari tumbuhan, tanaman,
dan vegetasi (endemik maupun introduksi)
guna mendukung manfaat ekologis, sosialbudaya, dan arsitektural
yang dapat
memberikan
manfaat
ekonomi
bagi
masyarakatnya (Dwiyanto 2009).
Pemantauan RTH dapat dilakukan dengan
memanfaatkan teknologi penginderaan jauh
(remote sensing). Teknologi ini memungkinkan
perolehan citra kenampakan bumi yang diambil
dari luar angkasa dengan menggunakan satelit.
Metode pengambilan citra yang digunakan
dapat dikategorikan menjadi dua macam, yaitu
metode pasif dan metode aktif.
Metode pengambilan citra optik kurang
cocok jika diterapkan pada wilayah tropis
karena citra yang diambil dapat terhalangi oleh
tutupan awan sehingga citra yang diharapkan
belum tentu diperoleh dalam sekali rekaman.
Oleh karena itu, untuk daerah tropis seperti
Indonesia sensor citra yang lebih cocok untuk
diterapkan adalah metode Synthetic Aperture
Radar (SAR), salah satu satelit yang
menggunakan metode ini adalah The Advanced
Land Observing Satellite Phased Array type Lband Syntheric Aperture Radar (ALOS
PALSAR).
Citra ALOS PALSAR sendiri telah banyak
digunakan untuk meneliti daerah tutupan lahan
dibeberapa tempat. Rahman dan Sumantyo
(2008) telah menggunakan citra ALOS
PALSAR untuk memetakan hutan tropis di
wilayah Banglades. Lucas et al. (2008)
menunjukkan karakteristik dan perubahan pada
wilayah hutan dan pesisir pantai dengan
menggunakan
citra
ALOS
PALSAR.
Sementara itu Syarif (2011) menggunakan

Citra ALOS PALSAR untuk penyusunan
model pendugaan biomassa permukaan pada
tegakan jati. Evans et al (2010) menggunakan
Citra ALOS PALSAR dan RADATSAT-2
untuk mengetahui tutupan lahan banjir
musiman di daerah Pantanal, Brazil.
Dalam penelitian ini citra ALOS PALSAR
akan digunakan untuk klasifikasi RTH wilayah
Jakarta dengan menggunakan metode pohon
keputusan (decision tree) pada data berbasis
rona (tone).
Tujuan Penelitian
Tujuan penelitian ini adalah untuk
pemetaan RTH di wilayah Jakarta dengan
memanfaatkan citra ALOS PALSAR.
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini adalah:
1.

Tutupan lahan dibedakan menjadi empat
kelas, yaitu RTH berkayu, RTH nonkayu, ruang terbangun (RT), dan tubuh
air.

2.

Data yang digunakan hanya data wilayah
urban Jakarta.

TINJAUAN PUSTAKA
Ruang Terbuka Hijau
Singh et al. (2010) menyatakan ruang
terbuka hijau terdiri atas taman kota, hutan,
dan vegetasi yang berpengaruh dalam
penambahan kualitas wilayah urban. Secara
fisik RTH dapat dibedakan menjadi RTH alami
yang berupa habitat liar alami, kawasan
lindung dan taman-taman nasional, maupun
RTH non-alami atau binaan seperti taman kota,
lapangan olah raga, dan kebun bunga.
Dari segi kepemilikan RTH dapat berupa
RTH publik yang dimiliki oleh umum dan
terbuka bagi masyarakat luas atau RTH privat
(pribadi) yang berupa taman-taman yang
berada pada lahan-lahan pribadi.
Synthetic Aperture Radar (SAR)
Synthetic
Aperture
Radar
(SAR)
merupakan salah satu sistem penginderaan jauh
aktif
yang
menggunakan
gelombang
elektromagnetik dengan frekuensi antara 0,3
GHz sampai dengan 300 GHz (Katmoko et al.
2005). Suatu sistem SAR terdiri atas pemancar
(Transmitter), penerima (Receiver), antena dan
sistem elektronik untuk memproses dan
merekam data. Bagian pemancar akan

mengirimkan pulsa gelombang mikro secara
kontinyu ke permukaan bumi, kemudian antena
penerima akan menerima pulsa energi yang
dihamburkan balik (backscatter) dari objekobjek dipermukaan bumi untuk kemudian
diproses. Gelombang mikro yang dipancarkan
oleh SAR memiliki kemampuan menembus
lapisan permukaan seperti kanopi vegetasi.
Radar juga sensitif terhadap kekasaran
permukaan, kelembaban, sifat dielektrik, dan
gerakan dalam permukaan yang disinari
(Katmoko et al. 2005).
Instrumen SAR dapat dirancang untuk
mengirimkan gelombang yang terpolarisasi
secara horisontal (H) maupun vertikal (V).
Demikian pula antena penerimanya juga dapat
dirancang untuk menerima sinyal hambur balik
(backscatter)
yang
terpolarisasi
secara
horisontal (H) maupun vertikal (V). Ketika
gelombang dari radar berinteraksi dengan
objek dipermukaan bumi, polarisasi tersebut
akan termodifikasi sesuai dengan karakteristik
objek yang akan memberikan efek yang
berbeda-beda terhadap energi hamburan
baliknya.
ALOS PALSAR
The Advanced Land Observing Satellite
(ALOS) adalah satelit yang diluncurkan oleh
Japan Aerospace Exploration Agency (JAXA)
pada tanggal 24 Januari 2006 dari Tanegashima
Space Center, Jepang. Kegunaan utama dari
satelit ALOS adalah untuk pemetaan, observasi
regional, pengawasan bencana, dan pemetaan
sumber daya.
ALOS memiliki tiga macam instrumen
penginderaan jauh, yaitu Panchormatic
Remote-sensing Instrument for Stereo Mapping
(PRISM), Advance Visible and Near Infrared
Radiometer Type 2 (AVNIR-2), dan Phased

Array type L-band Syntheric Aperture Radar
(PALSAR) (Gambar 1).
PALSAR adalah sebuah sensor gelombang
mikro aktif yang menggunakan L-band
frekuensi guna memperoleh hasil pengamatan
lahan yang bebas awan baik siang maupun
malam.

Gambar 1 Ilustrasi satelit ALOS.
Hamburan Balik (Backscatter)
Radar memiliki sifat pemantulan yang
dikenal sebagai hamburan (scattering). Pulsa
gelombang yang dikirimkan oleh radar akan
dihamburkan pada saat menyentuh permukaan
bumi atau objek tertentu. Nilai hamburan balik
adalah energi yang diterima oleh radar dari
pulsa gelombang yang telah dipantulkan oleh
permukaan bumi atau objek tertentu.
Kekasaran permukaan objek merupakan faktor
yang paling berpengaruh terhadap intensitas
gelombang pantul tersebut. Terdapat tiga
mekanisme hamburan dasar yang biasa
dipelajari, yaitu pantulan tunggal (odd bounce
specular), pantulan ganda (double-bounce),
dan pantulan baur (difuse). Gambar 2
menyajikan pantulan dasar dari berbagai objek
utama di permukaan bumi.

Gambar 2 Pencitraan Dengan Radar Pada Permukaan Yang Berbeda (Hardi 2008).
2

Fine Mode (FSB)
Fine Mode (FSB) adalah salah satu modus
pengambilan citra yang terdapat pada satelit
ALOS PALSAR. Selain Fine Mode (FSB),
ALOS PALSAR juga memeiliki metode
pengambilan gambar lain yaitu ScanSAR Mode
dan Polarimetric Mode. Pada modus Fine
Mode
satelit
ALOS
PALSAR
akan
menghasilkan produk resolusi spasial tinggi
dengan kisaran 10 m. Citra tersebut merupakan
hasil pemindaian 1 dari 18 sub petak yang
terletak dalam jarak sudut pengambilan dari 8
sampai 60 derajat (Kikuchi 2004). Modus
pengambilan ini biasanya digunakan pada saat
satelit beroperasi normal dengan resolusi
maksimum mencapai 7 m. Modus pengambilan
citra pada satelit ALOS PALASAR dapat
dilihat pada Gambar 3.

Selain
itu,
boxplot
juga
dapat
menunjukkan ada atau tidaknya nilai outlier
dan nilai ekstrim dari data pengamatan
(Gambar 4).

Gambar 4 Ilustrasi Boxplot diagram.
Radiometric Correction
Koreksi radiometrik (disebut juga prapengo