Tabel di atas menunjukan nilai RMS error dari setiap titik GCP yang dimasukan pada citra acuan Citra Landsat ETM 5+ tahun 2001 dan citra yang
akan dikoreksi Citra SPOT4 Tahun 2007 pada tabel 1 dan Citra SPOT4 Tahun 2009 pada Tabel 2. Nilai RMS Error menunjukan posisi GCP citra yang
dikoreksi mendekati posisi GCP pada citra acuan. Semakin kecil nilai RMS-Error berarti ketelitian penentuan GCP pada citra semakin teliti. Nilai rata-rata RMS-
Error pada tabel 1 dan tabel 2 masing-masing adalah 0,133 dan 0,039 artinya pergeseran titik pada kedua citra kurang dari 1 piksel.
4.1.2 Interpretasi Visual Citra SPOT4
Setiap objek yang terdapat pada citra memiliki kenampakan yang khas, kombinasi band yang digunakan dalam membantu pengenalan objek adalah 123
RGB. Kombinasi band 123 RGB pada citra SPOT4 memiliki kekontrasan yang tinggi dimana objek-objek yang terdapat dalam citra dapat dengan mudah
dibedakan karena kualitas citra komposit dan hasilnya lebih baik Gambar 4.1 dan 4.2
Gambar 4.1 Citra SPOT4 Tahun 2007 Kota Tangerang Kombinasi Band 123 RGB
Gambar 4.2 Citra SPOT4 Tahun 2009 Kota Tangerang Kombinasi Band 123 RGB
Gambar 4.1 merupakan hasil pemotongan Citra SPOT4 tahun 2007 kombinasi Band 123 RGB dengan vektor Kota Tangerang. Gambar 4.2 merupakan hasil pemotongan Citra
SPOT4 tahun 2009 kombinasi Band 123 RGB dengan vektor Kota Tangerang. Warna yang terlihat dominan pada kedua gambar di atas adalah warna hijau keabu-abuan dan warna
merah. Berdasarkan hasil pengecekan lapangan daerah yang berwarna hijau keabu-abuan merupakan daerah pemukiman dan perkantoran yang sarat dengan bangunan, sedangkan
warna merah menunjukan daerah persawahan, perkebunan dan lapangan hijau. Interpretasi objek pada citra dilakukan dengan pengecekan langsung di lapangan
karena keterbatasan band citra segingga tidak dapat menggabungkan unsur-unsur interpretasi diantaranya rona, ukuran, bentuk, tekstur, pola dan situs.
4.1.3 Penentuan Daerah Contoh Training Area
Pengambilan contoh pada masing-masing kelas penutupanpenggunaan lahan dilakukan secara visual berdasarkan kenampakan warna yang relatif homogen dengan pola
tertentu dengan mempertimbangkan kemudahan penarikan batas pada setiap kelas penutup lahan. Pada citra ditentukan daerah contoh training area untuk permukiman, kebun
campuran, danausungai, , dan lahan kosong.
4.1.4 Klasifikasi dan Penilaian Hasil klasifikasi
Setelah memperoleh daerah contoh training area dilakukan klasifikasi terbimbing Supervised Classification. Dalam klasifikasi terbimbing, identitas dan lokasi beberapa tipe
penutupanpenggunaan lahan diketahui secara apriori melalui kombinasi orientasi wilayah, analisis visual peta dan pengalaman pribadi.
Metode klasifikasi terbimbing yang digunakan adalah algoritma kemiripan maksimum Maximum Likelihood ClassificationMLC. Hasil klasifikasi dengan MLC pada Citra SPOT4
tahun 2007 menghasilkan 4 kelas penutupanpenggunaan lahan yaitu, permukiman, kebun campuran, danausungai, dan lahan kosong,. Sedangkan pada Citra Landsat tahun 2006
menghasilkan 5 kelas penutupanpenggunaan lahan yaitu, permukiman, kebun campuran, danausungai, lahan kosong, dan awan. Pembagian kelas awan dilakukan karena hasil foto
yang dilakukan oleh Citra SPOT4 2009 terdapat awan yang menghalangi kelas penutupanpenggunaan lahan.
4.2 Analisis PenutupanPenggunaan Lahan Tahun 2007 dan 2009
