Geografi_Modul1_Perpetaan, Penginderaan Jauh dan SIG.pdf

2. Pemanfaatan PJ dan SIG untuk Pengelolaan Sumber Daya
a. PJ dan SIG untuk analisis sumber daya lahan

Bapak – Ibu peserta PPG yang terhormat, pada bagian ini akan dicontohkan
pemanfaatan penginderaan jauh dan sistem informasi geografis untuk analisis
potensi sumber daya lahan. Pemahaman tentang lahan di sekitar kita tentu sangat
penting untuk pemeliharaan lingkungan dan pembangunan wilayah tersebut.
Analisis potensi sumber daya lahan telah banyak dilakukan oleh para peneliti dan
memberikan informasi yang sangat bermanfaat. Beberapa hasil kajian tentang
sumberdaya lahan ini diantaranya adalah oleh Golmehr (2009), Teotia dkk (2010),
Boori dan Vozenilek (2014), Mosleh dkk (2015), Mansaray dkk (2017), dan
Somvanshi dkk (2018).

Kajian terkait sumber daya lahan banyak membicarakan tentang potensi lahan
untuk keperluan tertentu seperti pengembangan potensi lahan dan budidaya,
pengembangan wilayah, dan pemeliharaan lingkungan. Pendekatan yang dilakukan
adalah dengan mengkaji berbagai faktor pendukung dan pembatas lahan untuk
tujuan tertentu tersebut dengan mendasar pada data penginderaan jauh. Faktor
pendukung dan pembatas yang diturunkan dari data penginderaan jauh adalah
faktor yang bersifat karakteristik fisik lahan seperti kondisi morfologi, jaringan
drainase alamiah, aksesibilitas, dan tutupan / penggunaan lahan yang ada saat itu.
Faktor lain yang bersifat non fisik dapat diolah dengan menggunakan perangkat
sistem informasi geografis. Kesimpulan yang dihasilkan secara umum berupa
rekomendasi ataupun skenario-skenario manajemen lahan tersebut.

Prosedur yang dilakukan untuk mendapatkan data sumberdaya lahan dari data
penginderaan jauh dapat dilihat pada metodologi yang dilakukan oleh peneliti yang
disebutkan di atas. Kajian-kajian yang dilakukan oleh peneliti tersebut seluruhnya
mendasarkan pada data penginderaan jauh seperti data Landsat 7 ETM, SPOT, dan
Sentinel. Data penginderaan jauh diturunkan menjadi informasi tutupan vegetasi
yang kemudian didetilkan hingga jenis tanaman pertanian tertentu. Panjang
gelombang yang banyak dimanfaatkan adalah saluran merah dan inframerah,
mengingat saluran ini memiliki rentang nilai pantulan yang berbeda jauh.

90

Karakteristik spektral ini sangat bermanfaat untuk mengkaji kondisi tutupan dan
pengunaan lahan dari sebuah data citra penginderaan jauh. Aplikasi sering
dilakukan dalam bentuk analisis terhadap citra indeks vegetasi. Oleh karena itu,
citra indeks vegetasi dalam berbagai varian formulasinya sering diaplikasikan untuk
mendapatkan informasi untuk tujuan-tujuan ini.

Analisis banyak dilakukan melalui prosedur digital. Analisis digital dilakukan
dengan memanfaatkan perangkat lunak pengolah citra dan sistem informasi
geografis. Observasi lapangan dilakukan untuk pengambilan sampel yang akan
dipakai dalam pembentukan model ataupun pengujian akurasi hasil klasifikasi.
Berikut adalah contoh langka prosedural pengolahan data penginderaan jauh untuk
analisis sumber daya lahan yang dilakukan oleh Teotia dkk (2010).

Lapangan Data citra penginderaan Klasifikasi tak
jauh (SPOT) beracuan
Uji lapangan
Penentuan area sampel Klasifikasi beracuan Penentuan area uji

Perolehan data level I Ranah Kajian
dan II dengan modifikasi Penginderaan

tertentu Jauh
Penilaian akurasi

Koreksi

Produksi peta LULC Ranah Kajian
Produksi peta tanah SIG

Penilaian hasil
Gambar 1. Alur pengolahan data untuk analisis lahan. Sumber ( Teotia dkk, 2010)

91

Gambar berikut adalah contoh satu hasil pengolahan citra untuk analisis sumber
daya lahan yang dilakukan oleh Boori dan Vozenilek (2014). Prosedur yang
dilakukan hampir serupa dengan yang dilakukan oleh Teotia dkk (2010).

Gambar 2. Pola perubahan penutup lahan hasil pengolahan data citra penginderaan jauh.
Sumber : Boorio dan Vozenilek (2014)

Citra tersebut menunjukkan pola perubahan penutup lahan di wilayah
penelitian yang dilakukan oleh Boori dan Vozenilek (2014) dengan mendasarkan
pada citra multi temporal. Ananilis dilakukan dengan menggunakan metode
klasifikasi. Hasil penelitian menunjukkan bahwa beberapa area menunjukkan
penutup lahan yang tetap dan beberapa lokasi lain menunjukkan adanya dinamika
perubahan penutup lahan. Berdasar citra tersebut dapat diidentifikasi lokasi, pola
persebaran, dan pola perubahan penutup lahan antar waktu. Informasi ini menjadi
dasar pengelolaan lahan di wilayah tersebut. Penambahan informasi non fisik pada
data penginderaan jauh tersebut memberikan petunjuk penyebab dari perubahan
yang terjadi. Temuan yang dihasilkan dalam penelitian ini menunjukkan bahwa
pertumbuhan jumlah penduduk merupakan pemicu utama meningkatnya kebutuhan
lahan. Temuan ini dihasilkan setelah dilakukan analisis dengan menambahkan data
pertumbuhan penduduk di wilayah penelitian.
92

b. PJ dan SIG untuk analisis sumber daya air
Bapak-Ibu peserta PPG yang terhormat, penelitian terkait sumber daya air

berbasis data penginderaan jauh sering ditujukan untuk mengidentifikasi area
imbuhan (recharge) dan area pengatus (discharge). Hingga saat ini banyak terdapat
penelitian terkait sumber daya air dengan mengaplikasikan data penginderaan jauh
dan sistem informasi geografis. Aplikasi penginderaan jauh dan sistem informasi
geografis yang berkaitan dengan sumber daya air diantaranya dilakukan oleh
Leblanc dkk (2003) dan Solomon dan Quiel (2008).

Leblanc dkk (2003) membangun model spasial untuk mengidentifikasi area
masukan (recharge) dan keluaran (discharge) air tanah. Data yang digunakan adalah
peta-peta tematik dan data penginderaan jauh. Data penginderaan jauh yang
digunakan adalah data citra AVHRR/LAC dan citra thermal Meteosat. Kedua data
penginderaan jauh ini digunakan untuk merekam pancaran termal dari lingkungan
air dan tidak berair. Dasar asumsi yang digunakan adalah terdapat perbedaan
nilai termal antara tubuh air dengan perairan basah di sekitarnya. Hasil
observasi menunjukkan adanya perbedaan secara nyata antara area yang berair
dengan tidak berair. Teknik digitasi digunakan untuk pembentukan peta digital dari
peta-peta analog melalui perangkat SIG. Digitasi dilakukan menggunakan metode
digitasi onscreen. Model memanfaatkan metode perbandingan data antar waktu
untuk mengetahui fluktuasi dari air permukaan. Analisis ini menunjukkan area
tutupan air seperti pada Gambar 3 berikut.

Gambar 3. Rona gelap ditunjukkan area tubuh air dan area perairan bervegetasi pada
saluran thermal citra AVHRR/LAC dan Meteosat (sumber : Leblanc dkk, 2003)
93

Gambar 3. menunjukkan sebaran area bertutupan air dan perairan bervegetasi.
Area tubuh air dan area perairan bervegetasi nampak lebih gelap dibandingkan area
lahan kering. Area yang cerah adalah area lahan kering diluar tubuh air. Hasil
penelitian menunjukkan bahwa model ini mampu memperjelas lokasi masukan
(recharge) dan keluaran (discharge) air tanah pada basin tersebut. Lokasi recharge
ditunjukkan dengan area yang secara temporal selalu gelap.

Kajian lain terkait sumber daya air adalah oleh Solomon dan Quiel (2008).
Peneliti ini melakukan kajian terkait air tanah karst dengan memanfaatkan
penginderaan jauh, sistem informasi geografis dan observasi lapangan. Analisis
didasarkan pada data-data raster yang berasal dari data penginderaan jauh, DEM,
dan data lapangan. Data penginderaan jauh sebagai data dasar yang digunakan
adalah citra mutispektral Landsat TM dan SPOT 5. Citra ini digunakan untuk
pemetaan litologi dan kelurusan. Dasar asumsi yang digunakan untuk penentuan
area potensi imbuhan dan pengatusan adalah bahwa area tersebut muncul pada
lokasi sesar, atau pada area pertemuan suatu formasi batuan. Area ini dapat
diidentifikasi melalui data penginderaan jauh baik melalui analisis visual ataupun
digital.

Berdasar asumsi tersebut, maka ide pokok dari prosedur yang dilakukan
dalam penelitian ini adalah memperoleh informasi batuan dan visualisasi kelurusan
sebagai representasi area sesar melalui data penginderaan jauh. Fitur batuan diarea
penelitan dianalisis melalui prosedur digital berbantuan perangkat lunak pengolah
citra dan GIS. Prosedur PCA diaplikasikan untuk mereduksi dimensionalitas dan
meningkatkan ketajaman informasi dari data citra Landsat TM. PCA mengurangi
redudansi informasi dari data yang dapat mengakibatkan kesalahan interpretasi.
Selanjutnya penajaman visualisasi data citra dilakukan dengan perentangan kontras
model Gaussian. Model penajaman ini digunakan untuk meningkatkan kontras pada
visualisasi citra tersebut. Peta litologi hasil interpretasi dari citra tersebut
selanjutnya dilengkapi dengan data observasi lapangan dan dimasukkan pada
sistem informasi geografis. Informasi dari observasi lapangan digunakan untuk
memperbaiki kesalahan interpretasi batuan yang telah dilakukan pada tahapan

94

sebelumnya. Hasil dari interpetasi fitur batuan menghasilkan peta sebaran batuan
diarea penelitian. Peta tersebut nampak seperti pada Gambar 4 berikut.

Gambar 4. Hasil interpretasi batuan berdasar data citra Landsat TM.
(Sumber : Solomon dan Quiel, 2008)

Gambar 4. merupakan hasil interpretasi terhadap data citra penginderaan jauh
yang memberikan informasi variasi jenis batuan. Interpretasi citra penginderaan
jauh tersebut berhasil mempetakan kondisi batuan di daerah penelitian. Kondisi
batuan ini dapat petakan dengan akurasi yang tinggi.

Kelurusan merupakan fenomena yang sering terdapat dipermukaan bumi.
Kelurusan dapat terbentuk oleh satu fenomena budaya seperti jalan, saluran air, rel,
dan lain-lain. Kelurusan juga dapat merupakan representasi fenomena alamiah.
Sebagai contoh kelurusan ini adalah bidang sesar atau lipatan. Kelurusan yang
diinginkan dalam penelitian ini adalah kelurusan yang diakibatkan oleh keberadaan
fenomena alam seperti sesar atau lipatan ini. Oleh karena itu, kelurusan
diinterpretasi secara visual dari citra Landsat dan DEM. Kelurusan diturunkan
dengan menggunakan cara digitasi interaktif melalui layar komputer berbantuan

95

perangkat lunak SIG. Interpretasi kelurusan menghasilkan peta kelurusan seperti
pada Gambar 5.

Gambar 5. Peta kelurusan berdasar citra PJ. Sumber : Solomon dan Quiel (2008)
Gambar 5 merupakan contoh hasil interpretasi kelurusan berdasar data citra

penginderaan jauh. Berdasar pada peta kelurusan tersebut dapat diketahui arah dan
panjang rata-rata kelurusan. Bentukan struktural dihasilkan dari observasi lapangan
dengan menggunakan kompas. Data-data tersebut dikelompokkan berdasar jenis
batuan yang ada dan dicatat posisi geografisnya. Analisis dilanjutkan dengan
membentuk model spasial dengan mendasarkan pada teknik pembobotan atau
harkat.

Kajian ini menunjukkan bahwa keberadaan air tanah berkaitan dengan adanya
kelurusan yang besar dan fitur-fitur struktural. Hasil analisis lokasi mata air yang
dioverlay dengan peta kelurusan menunjukkan bahwa kelurusan dengan arah utara-
selatan berasosiasi dengan tingginya potensi air tanah dan dapat digunakan sebagai
target utama dalam eksplorasi air tanah di lokasi penelitian ini. Berdasar temuan-
temuan ini, disimpulkan bahwa pemanfaatan data penginderaan jauh, SIG dan
observasi lapangan ini merupakan metode yang berdaya guna untuk studi eksplorasi
air tanah dengan akurasi yang dapat diterima.
96

c. PJ dan SIG untuk analisis sumber daya mineral

Bapak-Ibu peserta PPG yang terhormat, penginderaan jauh dan sistem
informasi geografis juga telah diaplikasikan sebagai pendekatan dalam analisis
sumberdaya mineral. Analisis ditujukan untuk identifikasi sebaran dan potensi
mineral pada suatu wilayah. Beberapa contoh penelitian terkait sumber daya
mineral ini adalah seperti dilakukan oleh Liu dkk (2013) Nasir dan Rajendran
(2017), dan Julzarika (2018). Data yang umum digunakan adalah data citra satelit
optik seperti Landsat, Aster, dan SPOT, serta satelit DEM seperti GDEM ASTER
dan SRTM. Selain itu juga digunakan data dari satelit geodetik seperti untuk
perolehan informasi gaya berat dan magnetik.

Parameter yang digunakan sebagai dasar kajian adalah sifat spektral mineral,
sifat magnetik, dan karakteristik geologisnya. Sifat spektral mineral dan lingkungan
geologi dapat diturunkan citra optik. Sifat spektral mineral dapat dianalisis melalui
model matematis menjadi suatu citra indeks. Sementara itu kondisi geologi dapat
dianalisis melalui analisis digital dan visual. Sedangkan sifat magenik diturunkan
dari data citra satelit geodetik. Parameter yang dapat dimanfaatkan diantaranya
adalah gaya berat dan medan magnet.

Sifat spektral mineral yang digunakan adalah perbedaan serapan gelombang
elektromagnetik pada beberapa rentang panjang gelombang. Setiap mineral
memiliki sifat serapan yang berbeda terhadap suatu rentang panjang gelombang.
Sebagai contoh, keberadaan mineral besi pada suatu lapukan batuan mengakibatkan
serapan gelombang elektromagnetik pada sekitar 0.45 μm, 1.0–1.1 μm, 1.8–1.9 μm,
and 2.2–2.3 μm, tergantung pada kondisi lingkungannya (Nasir dan Rajendran,
2017).

Lingkungan geologi dapat digunakan sebagai dasar interpretasi keberadaan
mineral. Hal ini dikarenakan proses pembentukan mineral berkaitan dengan proses
magmatik. Proses ini secara simultan membentuk asosiasi lingkungan geologis
dengan mineral-mineral penyusun dan turunannya. Sebagai contoh, mineral logam
pada umumnya berkaitan dengan batuan vulkanik. Tekanan dan suhu selanjutnya
menghasilkan alterasi mineral dalam bentuk dan struktur yang berbeda.

97

Sifat magnetik memberikan gambaran keberadaan mineral tertentu pada
suatu wilayah. Seperti pada sifat spektral mineral, masing-masing mineral memiliki
sifat magnetik yang khas, sehingga sifat ini dapat digunakan sebagai penciri
keberadaan suatu mineral. Namun demikian, keberadaan mineral sering tidak
berdiri sendiri. Mineral sering berada pada suatu senyawa lain, sehingga untuk
menganalisis keberadaannya harus diasosiasikan dengan keberadaan mineral
lainnya. Asosiasi antara mineral tembaga dan emas adalah contoh dari kasus ini.
Mineral tembaga itu sendiri sering tidak berdiri sendiri di alam, melainkan sering
terkandung di dalam pirit atau chalcopyrite (CuFeS2), copper glance atau
chalcolite (Cu2S), cuprite (Cu2O), malaconite (CuO) dan malachite
(Cu2(OH)2CO3) (Julzarika, 2018). Gambar berikut adalah contoh diagram alir
yang dilakukan oleh Julzarika (2018) untuk membuat model identifikasi mineral
tembaga menggunakan pendekatan penginderaan jauh dan SIG.

PJ

Ranah Kajian
SIG

Gambar 6. Diagram alir identifikasi mineral tembaga. Sumber : Julzarika (2018)
98

Diagram alir tersebut menunjukkan bahwa data dasar yang digunakan dalam
pembuatan model identifikasi mineral tembaga oleh Julzarika (2018) adalah
didasarkan pada data citra Landsat, ALOS Palsar, SRTM, XSAR dan Geodetik.
Citra Landsat digunakan sebagai dasar identifikasi lokasi tambang, kondisi tutupan
lahan, dan identifikasi alterasi hidrotermal. Citra ALOS Palsar digunakan untuk
menurunkan informasi formasi geologi. Data ini bersama dengan citra SRTM
dimanfaatkan untuk menghasilkan DEM yang selanjutnya digunakan untuk
menghasilkan infromasi struktur geologi. Citra Geodetik dimanfaatkan untuk
menghasilkan informasi medan magnet, geodinamika, densitas, dan gaya berat.
Hasil identifikasi keberadaan mineral tembaga di NTB berdasar model yang
dihasilkan dalam penelitian ini adalah seperti pada Gambar 7 berikut.

Gambar 7. Hasil identifikasi lokasi keberadaan mineral tembaga di NTB.
Gambar dicuplik dari : Julzarika (2018)

Keberadaan lokasi mineral tembaga di NTB dapat diidentifikasi
menggunakan data penginderaan jauh melalui model Julzarika (2018) ini. Model
dibentuk dari data citra suatu lokasi area tambang yang sudah ada. Hal ini
dimaksudkan untuk mendapatkan nilai-nilai spektral yang pasti dari keberadaan
mineral tembaga tersebut. Model yang dihasilkan ini selanjutnya diaplikasikan pada
tempat lain yang belum ada ekplorasi tambang mineral tembaga.

99

3. Pemanfaatan PJ dan SIG untuk Mitigasi Bencana
a. PJ dan SIG untuk mitigasi bencana banjir

Bapak-Ibu peserta PPG yang terhormat, seperti telah kita ketahui bersama
bahwa banjir adalah bencana yang sering terjadi dan memberikan dampak yang
dapat merusak pada kehidupan manusia ataupun lingkungan. Potensi banjir akan
terus meningkat sejalan dengan semakin sempitnya lahan penyerap air permukaan
dan memburuknya sistem drainase. Perubahan iklim yang terjadi secara global
meningkatkan potensi terhadap kejadian banjir. Sistem informasi geografis dan data
penginderaan jauh banyak dimanfaatkan dalam kajian mitigasi bencana banjir.

Ouma dan Tateishi (2014) menggunakan sistem informasi geografis
mengkaji banjir perkotaan dengan dasar kondisi topografi dan morfometri lahan
perkotaan. Kondisi tersebut diurai menjadi parameter elevasi, kemiringan lereng
(slope), tanah, curah hujan, jaringan drainase, dan penggunaan lahan. Data-data
tersebut selanjutnya oleh Ouma dan Tateishi (2014) dianalisis melalui prosedur
AHP menggunakan perangkat sistem informasi geografis.

Elevasi Overlay Kriteria
Slope Fisik

Tanah Overlay Peta
kerentanan
Curah hujan Kriteria Sosio
Ekonomis banjir
Jaringan perkotaan
drainase

Penggunaan
lahan

Area Pembatas
penelitian

Gambar 8. keterkaitan parameter dalam pemetaan kerentanan banjir perkotaan.
Sumber : Ouma dan Tateishi (2014)

Keterkaitan parameter dalam kajian ini terkait kriteria fisik dan sosio
100

ekonomis ditunjukkan seperti pada Gambar 8. Parameter tersebut dinilai sebagai
parameter yang penting dan memberikan pengaruh terhadap kejadian banjir
perkotaan. Data parameter elevasi, slope dan jaringan drainase diturunkan dari data
DEM. Perkembangan pada saat ini, model elevasi digital dapat diturunkan dari data
penginderaan jauh seperti citra satelit ASTER dan SRTM.

Elevasi dan slope memiliki peran yang penting terhadap kejadian banjir.
Genangan akan terjadi pada titik-titik yang memiliki elevasi rendah. Informasi
lokasi yang memiliki elevasi rendah dapat diidentifikasi melalui data model elevasi
digital (DEM). Beda tinggi tempat menghasilkan informasi kekasaran permukaan
lahan. Lahan yang memiliki kekasaran tinggi lebih memungkinkan terjadinya
infiltrasi dibandingkan permukaan yang halus. Infiltrasi mengurangi potensi jumlah
air yang jatuh menjadi air larian permukaan lahan.

Kemiringan lereng atau slope berperan terhadap kontrol kecepatan air larian
permukaan, arah larian, dan jumlah air larian permukaan dan bawah permukaan
yang sampai ke lokasi banjir. Air secara gravitasional akan bergerak ke tempat yang
lebih rendah dengan kecepatan yang dipengaruhi oleh besar kecilnya kemiringan
lereng. Kemiringan lereng yang landai merupakan kondisi yang lebih peka terhadap
banjir. Kecepatan air mengalir pada permukaan dengan kemiringan lereng yang
rendah akan relatif lambat, sehingga kecepatan pengatusan tempat tersebut menjadi
rendah.

Jenis tanah memiliki peran yang besar terhadap kemampuan infiltrasi. Tanah
pasir memiliki kemampuan infiltrasi yang tinggi dibandingkan dengan tanah
lempung. Tanah pasir memiliki rongga antar butir yang lebih besar. Rongga ini
membentuk ruang yang dapat digunakan sebagai jalur penyerapan air ke dalam
tanah. Seperti disebutkan di muka, bahwa infiltrasi akan mengurangi jumlah air
larian permukaan yang akan menjadi banjir.

Curah hujan merupakan faktor utama penyebab banjir. Curah hujan dengan
intensitas yang tinggi akan secara langsung memicu terjadinya banjir. Curah hujan
dengan intensitas tinggi dan durasi yang lama dapat mengakibatkan peningkatan
jumlah air di permukaan. Pada saat ini, sejalan dengan fenomena perubahan iklim
sering terjadi hujan dengan intensitas yang tinggi.

101

Kepadatan jaringan drainase memberikan peran terhadap tingkat erosi
permukaan pada lahan. Dengan demikian semakin tinggi tingkat kepadatan
drainase akan memberikan potensi yang lebih tinggi terhadap hilangnya tanah
permukaan. Kehilangan tanah permukaan akan mengurangi kemampuan infitrasi,
terutama jika telah mencapai lapisan batuan dasar.

Penggunaan lahan dan penutup lahan juga merupakan satu kontrol terhadap
stabilitas tanah dan infiltrasi. Penutupan vegetasi memiliki kemampuan yang lebih
besar dalam menahan air permukaan dan meningkatkan infiltrasi dibandingkan
lahan dengan terbangun.

Gambar 9. Peta kerentanan banjir hasil analisis AHP. Sumber : Ouma dan Tateishi (2014)
Hasil perhitungan dan analisis menggunakan AHP dan sistem informasi

geografis menunjukkan sebaran area kerentanan dan risiko bencana banjir dengan
akurasi yang tinggi. Perpaduan metode ini menghasilkan informasi potensi banjir
dengan cepat dan mendekati fakta yang sebenarnya. Berdasar kondisi ini,
perpaduan metode AHP dalam sistem informasi geografis sangat berpotensi untuk
kajian mitigasi bencana banjir.

102

b. PJ dan SIG untuk mitigasi bencana kekeringan

Kekeringan merupakan satu bencana yang disebabkan oleh kurangnya curah
hujan dari keadaan normal. Curah hujan dalam keadaan ini tidak mampu memenuhi
kebutuhan manusia dan lingkungan. Pemanfaatan penginderaan jauh dan SIG untuk
kajian kekeringan telah banyak dilakukan dengan berbagai metode. Data
penginderaan jauh dan SIG terbukti dapat digunakan dengan baik dan memberikan
banyak kemudahan untuk kajian kekeringan ini.

Penelitian kekeringan dengan berbasis data penginderaan jauh ini diantaranya
dilakukan oleh Al-Tamimi dkk (2012). Ide pokok dalam mengidentifikasi
kekeringan dalam penelitian ini adalah dengan mengidentifikasi penyimpangan
nilai indeks vegetasi multi waktu sebagai representasi kesehatan tanaman.
Penelitian ini mengidentifikasi dua macam fenomena kekeringan, yaitu kekeringan
meteorologis dan kekeringan pertanian.

Data citra pokok yang digunakan adalah citra AVHRR hasil perekaman
selama musim penghujan. Citra selanjutnya ini diturunkan menjadi beberapa citra
NDVI . Nilai spektral indeks vegetasi menjadi dasar perhitungan fluktuasi kondisi
vegetasi antar waktu. Anomali nilai NDVI antar waktu digunakan sebagai dasar
identifikasi penyimpangan kondisi tutupan vegetasi. Kondisi dinyatakan
kekeringan pada saat dimana terjadi anomali nilai NDVI dari nilai rerata NDVI
antar waktu. Formulasi nilai anomali NDVI adalah sebagai berikut.

( ) = max⁡( ) − ̅̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ ⁡100%
̅̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅

Keterangan :

NDVI anomali : nilai anomali NDVI

NDVI max : nilai maksimal rerata NDVI

NDVI max : nilai NDVI maksimal

Anomali nilai indeks NDVI ini digunakan untuk mengidentifikasi area
kekeringan pertanian. Hasil analisis anomali indeks NDVI ini dipetakan
menggunakan perangkat lunak SIG. Peta indeks kekeringan pertanian hasil analisis
dari anomali nilai indeks vegetasi adalah seperti pada Gambar 10.

103

Gambar 10. Indeks kekeringan pertanian berdasar anomali indeks vegetasi.
Sumber: Al-Tamimi dkk (2012)

Gambar 10. tersebut menunjukkan sebaran anomali indeks vegetatif yang
diidentifikasi sebagai area kekeringan pertanian. Secara spasial terdapat satu pola
persebaran tingkat kekeringan pertanian di wilayah penelitian. Area dengan tingkat
kekeringan pertanian ekstrim tersebar di bagian utara. Tingkat kekeringan
cenderung menurun ke arah selatan dan terjadi peningkatan di bagian ujung
tenggara wilayah penelitian ini.

Data curah hujan dari stasiun meteorologi digunakan untuk menghitung
indeks curah hujan menggunakan indek SPI (Standardized Precipitation Index).
Peta indeks kekeringan meteorologi hasil perhitungan nilai indeks SPI adalah
seperti pada Gambar 11.

Gambar 11. Indeks kekeringan meteorologis berdasar indeks SPI.
Sumber: Al-Tamimi dkk (2012)

Indeks SPI dihitung dengan menggunakan fungsi distribusi gamma.
Perhitungan indeks curah hujan SPI ini digunakan untuk mengidentifikasi indeks
104

kekeringan meteorologis. Berdasar Gambar 11. dapat dilihat sebaran tingkat
kekeringan meteorologis di wilayah penelitian. Area dengan tingkat kekeringan
ekstrim terdapat di bagian utara dengan jumlah yang relatif kecil dibandingkan
tingkat kekeringan yang lain. Secara spasial nampak ada kecenderungan penurunan
tingkat kekeringan arah tenggara.

c. PJ dan SIG untuk kajian erosi

Bapak-Ibu peserta PPG yang terhormat, erosi merupakan ancaman
lingkungan yang utama terhadap keberlangsungan dan kemampuan produktivitas
lahan. Erosi pada lahan pertanian dapat mengakibatkan berkurangnya jumlah lahan
yang produktif. Evaluasi tingkat erosi tanah dipengaruhi oleh faktor curah hujan,
tanah, tutupan lahan, dan topografi. Aplikasi penginderaan jauh dan sistem
informasi geografis untuk perhitungan erosi ini di contohkan oleh Kefi dkk (2011)
yang mengaplikasikan model RUSLE dengan menggunakan data penginderaan
jauh dan metode sistem informasi geografis. Data penginderaan jauh yang
digunakan adalah citra Moderate Resolution Imaging Spectroradiometer Enhanced
Vegetation Index (MODIS-EVI). Citra ini berupa citra multi temporal yang
digunakan untuk identifikasi dinamika tutupan vegetasi. Data penginderaan jauh
yang lain adalah citra ASTER GDEM. Data citra ASTER GDEM ini dimanfaatkan
untuk memperoleh data kemiringan lereng dan panjang lereng di daerah penelitian.

Parameter yang digunakan adalah parameter dari model RUSLE, yaitu curah
hujan (R), erodibilitas (K), kemiringan lereng dan panjang lereng (LS), tutupan
vegetasi (C), dan parameter pengelolaan (P). Parameter curah hujan diturunkan dari
data curah hujan. Parameter tutupan vegetasi diturunkan dari data citra MODIS
EVI. Indeks EVI dipilih untuk meningkatkan sensibilitas data citra pada area yang
memiliki tutupan vegetasi jarang. Pemanfaatan dari indeks ini juga ditujukan untuk
meminimalisir gangguan atmosferik yang mungkin terjadi di daerah penelitian.
Parameter erodibilitas diperoleh dari peta tanah. Peta tanah dibentuk dengan
menggunakan metode digitasi peta tanah dasar melalui perangkat lunak sistem
informasi geografis. Sementara itu data kemiringan dan panjang lereng diturunkan
dari citra ASTER GDEM. Model perhitungan menggunakan model RUSLE yang

105

diformulasikan sebagai berikut.
A = R x K x LS x C x P

Keterangan :
A : Kehilangan tanah per tahun
R : erosivitas curah hujan
K : faktor erodibilitas
LS : kemiringan dan panjang lereng
C : faktor pengelolaan lahan
P : nilai pengelolaan lahan

Prosedur yang dilakukan dalam penelitian ini adalah seperti pada diagram
alur berikut.

Gambar 12. Diagram alur penilaian risiko erosi. Sumber : Kefi dkk (2011)
Data curah hujan dihitung dan diekstrapolasi menjadi data peta curah hujan.
Data ini menjadi fakor R pada prosedur kerja tersebut. Citra satelit Landsat
106

dilakukan proses klasifikasi dan indek. Hasil pengolahan citra ini menghasilkan
peta tutupan lahan dan peta penggunaan lahan. Kedua peta ini menjadi faktor C
pada prosedur tersebut. Data observasi tanah di ekstrapolasikan menjadi peta
litofasies. Peta ini selanjutnya menjadi faktor K dari prosedur kerja tersebut. Citra
GDEM Aster diolah menjadi peta kemiringan lereng dan sekaligus menjadi faktor
LS dalam prosedur tersebut. Faktor P atau pengelolaan lahan diberi nilai tetapan
satu, sehingga tidak perlu dipetakan. Proses dilakukan secara digital menggunakan
perangkat lunak SIG. Perhitungan dalam kajian ini menghasilkan sebaran tingkat
erosi seperti dalam Gambar 13. berikut.

Gambar 13. Peta kehilangan tanah menggunakan metode RUSLE berdasar data citra
penginderaan jauh dan SIG. Sumber: Kefi dkk (2011)

Gambar 13. merupakan citra hasil perhitungan erosi menggunakan metode
RUSLE berdasar citra penginderaan jauh dan SIG yang dilakukan oleh Kefi dkk
(2011). Hasil perhitungan secara jelas menggambarkan lokasi sebaran erosi secara
spasial. Tingkat erosi disimbolkan oleh gradasi kecerahan pada peta. Erosi rendah
disimbolkan dengan warna cerah, sementara tingkat erosi tinggi disimbolkan

107

dengan warna gelap. Area dengan tingkat erosi yang tinggi tersebar meluas di
bagian utara wilayah penelitian. Tingkat erosi tinggi di wilayah selatan membentuk
alur-alur memanjang lembah dan gully. Sebaran erosi tersebut menunjukkan
pengaruh topografi dan faktor pengelolaan lahan terhadap tingkat erosi tanah yang
terjadi diwilayah penelitian.

4. Pemanfaatan PJ dan SIG untuk Pembangunan Wilayah
a. PJ dan SIG untuk pengembangan area permukiman desa dan kota

Kebutuhan area permukiman merupakan satu masalah yang harus
diperhatikan terutama di negara-negara sedang berkembang. Area permukiman
selalu mengalami peningkatan yang pesat. Pertumbuhan area permukiman sering
mengarah pada ketidakteraturan jika tidak ditata dalam perkembangannya.
Berdasar hal tersebut pemantauan dan penataan area permukiman sangat
diperlukan.

Penginderaan jauh dan SIG telah diaplikasikan untuk kajian perencanaan area
permukiman kota dan memberikan hasil yang baik. Kajian ini sebagian besar
menggunakan data penginderaan jauh pada resolusi spasial yang tinggi. Data citra
penginderaan jauh yang digunakan dalam hal ini sebagai contoh adalah citra Ikonos
dan QuickBird. Citra Ikonos memiliki resolusi 1 meter sementara citra QuickBird
memiliki resolusi 0,6 meter. Kedua citra tersebut dapat digunakan untuk
menginterpretasi obyek rumah penduduk secara individual. Kedetilan dari resolusi
citra ini juga dapat digunakan untuk interpretasi kualitas dari suatu permukiman
melalui ciri-ciri kepadatan dan karakteristik rumah yang ada dalam lokasi
permukiman tersebut.

Satu kajian tentang pemanfaatan data penginderaan jauh dan SIG untuk
aplikasi perencanaan area permukiman adalah seperti dilakukan oleh Busgeeth dkk
(2008). Kajian ini memanfaatkan data citra QuickBird sebagai sebagai sumber
informasi sebaran rumah penduduk. Tujuan dari kajian ini adalah untuk mengkaji
karakteristik permukiman yang dapat di interpretasi melalui data citra QuickBird
dan mengkaji tipologi permukiman di wilayah penelitian. Sebaran rumah penduduk
diinterpretasi secara visual menggunakan perangkat lunak SIG. Komplek rumah
penduduk didelineasi secara langsung pada layar komputer (onscreen).
108

Karakteristik permukiman dinilai berdasar beberapa variabel yaitu ukuran,

layout permukiman, struktur bangungan, jasa-jasa yang tersedia, dan infrastruktur.

Atribut permukiman yang dapat diamati dari data citra QuickBird tersebut adalah

seperti pada tabel berikut.

Tabel 1. Atribut permukiman yang diamati melalui data citra QuickBird

Atribut spasial permukiman Karakteristik

Ukuran keseragaman ukuran

Layout permukiman keteraturan layout

Area terbuka

Struktur bangunan material

warna atap

kepadatan

Layanan teknis jaringan jalan

telekomunikasi

listrik

air dan sanitasi

drainase utama

pengelolaan sampah

Insfrastruktur Pendidikan

area bisnis

fasilitas sosial

fasilitas transportasi

Sumber : Busgeeth, 2008

Tabel 1. menunjukkan variabel-variabel yang dapat diamati dari data citra

QuickBird. Variabel ukuran bangunan yang dapat dengan mudah diamati adalah

faktor keseragaman ukuran bangunannya. Pada beberapa area nampak ukuran

bangunan tidak seragam. Kondisi ini mengindikasikan proses pertumbuhan

permukiman tersebut terjadi secara alamiah.

Variabel layout permukiman nampak pada faktor keteraturannya. Area

permukiman yang dibangun secara terrencana nampak adanya pola-pola yang

teratur dengan ukuran bangunan yang relatif seragam, dan bentuk hampir sama.
109

Struktur bangunan dapat diperkirakan melalui material bangunan yang
digunakan seperti bangunan batu permanen, bangunan batu semi permanen, dan
rumah kayu. Material bangunan ini dapat menggambarkan kondisi perekonomian
penguni permukiman tersebut. Warna dan kecerahan atap dapat digunakan sebagai
indikasi umur bangunan. Area permukiman dengan warna atap rata-rata cerah
mengindikasikan bahwa permukiman tersebut adalah permukiman yang masih
baru.

Layanan teknis menunjukkan banyaknya sarana teknis yang tersedia pada
area permukiman tersebut. Kondisi ini dapat digunakan sebagai indikator taraf
hidup sosial rata-rata masyarakat. Kondisi jaringan jalan yang nampak beraspal
mencirikan wilayah yang lebih tersentuh pembangunan dibandingkan wilayah
dengan jaringan jalan berupa tanah atau batu.

Infrastruktur pendukung juga dapat digunakan sebagai indikasi kemajuan
budaya dari lingkungan tersebut. Ketersediaan sarana pendidikan, jasa, area bisnis,
sosial dan transportasi menunjukkan kondisi yang lebih maju dibandingkan wilayah
yang tidak memiliki sarana tersebut. Bentuk permukiman penduduk di wilayah
penelitian yang teridentifikasi adalah seperti Gambar 14.

Gambar 14. Karakteristik kepadatan permukiman berdasar citra QuickBird.
Sumber : Busgeeth, 2008

Gambar 14. menunjukkan pola kepadatan dari beberapa kelompok
permukiman di wilayah penelitian. Terdapat perbedaan pola yang berkaitan dengan
variabel-variabel di atas. Observasi terhadap ketiga gambar tersebut menunjukkan
adanya perbedaan yang paling nyata adalah pada layout tata ruang permukiman
tersebut. Kondisi ini mengindikasikan proses perkembangan wilayah ini. Gambar
14 paling kiri mencirikan perkembangan pemukiman secara alamiah. Rumah
110

penduduk dibangun oleh pemilik tanah tanpa adanya perencanaan wilayah tersebut.
Gambar tengah dan paling kanan menunjukkan adanya keteraturan yang lebih baik,
namun terdapat perbedaan ukuran dan struktur bangunannya. Berdasar interpretasi
dan analisis beberapa variabel yang ada nampak kedua gambar tersebut adalah area
permukiman yang berkembang dengan satu perencanaan. Gambar 14 paling kanan
mencirikan permukiman tersebut memiliki usia yang relatif lebih lama
dibandingkan dengan usia permukiman pada Gambar 14 tengah.

Tipologi permukiman dapat diinterpretasi dari data citra QuickBird tersebut.
Tipologi permukiman dapat didasarkan pada karakteristik variabel spasial di atas.
Bentuk tipologi dari beberapa area permukiman di wilayah penelitian tergolong
seperti pada Tabel 2. berikut

Tabel 2. Tipologi permukiman secara umum

Klasifikasi Tipe geografis

Perkotaan Perkotaan formal

Perkotaan informal

Perdesaan Perdesaan formal

Kesukuan / pedalaman

Sumber : Busgeeth, 2008

Permukiman secara umum terklasifikasi sebagai wilayah perkotaan dan
wilayah perdesaan. Pada wilayah perkotaan terbagi menjadi area perkotaan formal
dan area perkotaan informal. Wilayah perdesaan terbagi menjadi area perdesaan
formal dan area pedalaman. Pada masing-masing tipe geografis tersebut terdapat
jenis-jenis bangunan dengan fungsi-fungsi tertentu seperti permukiman, area usaha
dan industri, rekreasi, dan perkantoran. Wilayah perdesaan juga ditemukan adanya
area persawahan yang menjadi penciri khas wilayah perdesaan ini. Busgeeth dkk
(2008) mengusulkan prosedur terotomasi berbasis SIG untuk menentukan tipologi
permukiman. Kerangka tersebut dijadikan sebagai dasar otomasi klasifikasi
menggunakan perangkat lunak SIG. Tidak seluruh alur digambarkan dalam modul
ini, penjelasan lengkap dapat membaca pada Busgeeth dkk (2004).

111

b. PJ dan SIG untuk perencanaan area pertanian

Area pertanian yang dicontohkan di sini adalah pertanian tambak. Pertanian
tambak di Indonesia memiliki peran yang penting dalam perekonomian masyarakat
khususnya masyarakat pantai. Peningkatan produktivitas pertanian tambak
didukung oleh ketersediaan lahan tambak dengan jumlah dan kualitas yang
memadai. Sejalan dengan hal ini diperlukan kajian untuk mengembangkan area
lahan tambak ini.

Penginderaan jauh dan sistem informasi geografis telah berhasil digunakan
untuk penentuan area lahan tambak ini. Contoh dari penelitian ini dilakukan oleh
Priyono dan Rahayu (2003), Radiarta (2008), dan Gusmawati dkk (2017).
Penelitian tersebut diarahkan pada perencanaan pengembangan lahan tambak
udang dan perikanan. Data yang digunakan adalah data dari foto udara dan citra
satelit. Perangkat lunak SIG dimanfaatkan untuk melakukan proses digitalisasi peta
tematik yang menjadi variabel penelitian serta alat analisis. Observasi lapangan
dilakukan untuk mendapatkan data primer seperti lokasi tambak eksisting,
permasalahan yang pernah terjadi pada lokasi tambak, dan kondisi terkini dari area
yang direncanakan.

Priyono dan Rahayu (2003) menetapkan beberapa parameter pokok yang
menjadi dasar analisis pemilihan lokasi pengembangan lahan tambak. Parameter
tersebut adalah lereng, tekstur tanah, jarak dari laut, jarak dari sungai, curah hujan,
frekuensi kejadian banjir, dan penggunaan lahan eksisting. Berdasar parameter
tersebut lahan yang dinyatakan ideal adalah area yang datar dengan tekstur tanah
kasar berpasir, tidak jauh dari sumber air laut dan sungai, tidak pernah terjadi banjir,
penggunaan lahan eksisting sebagai tanah terbuka atau tegalan, dan curah hujan
antara 2000 hingga 3000 mm pertahun. Nilai dari seluruh parameter dihitung
melalui satu formulasi dengan mempertimbangkan nilai bobot tertentu dari setiap
parameter. Proses dilakukan dengan menggunakan perangkat lunak SIG seperti
QGIS dan lain-lain

112

Formulasi yang digunakan dalam perhitungan ini adalah sebagai berikut.

Y = ai.Xn

Keterangan
Y : Jumlah nilai total kesesuaian lahan
Ai : bobot
Xn : harkat

Nilai bobot dari masing-masing parameter didasarkan pada nilai penting tiap
parameter tersebut terhadap tambak. Bobot dan harkat dari masing-masing
parameter dapat dilihat pada Tabel 3 berikut.

Tabel 3. Bobot variabel

Variabel Bobot 3 Harkat 1
2
Lereng (%) 10 <2 >5
Tekstur tanah 20 Kasar 2–5 Halus
Jarak dari laut (m) 25 <1000 >2000
Jarak dari sungai (m) 15 <500 Sedang >1000
Curah hujan (mm/th) 10 2000-3000 <1000, >3500
1000-2000
Frekuensi banjir 10 Tidak pernah sering
500-1000
Penggunaan lahan 10 Tegal, tanah permukiman
terbuka 1000-
2000,3000-
3500
Kadang-
kadang
Sawah, kebun
campur

Sumber : Priyono dan Rahayu (2003)

Jarak dari laut memiliki bobot paling tinggi karena lokasi tambak untuk udang
dalam penelitian ini yang ideal adalah berada di dekat laut. Tekstur tanah kasar
berpasir dinilai merupakan hal yang penting karena tekstur yang kasar akan
memiliki kekuatan yang baik bagi konstruksi tambak ini. Seluruh parameter
dipetakan dan dibobot sesuai dengan nilai pada tabel tersebut. Hasil overlay dari
seluruh parameter menghasilkan satu peta kesesuaian lahan tambak udang. Peta
kesesuaian dibagi menjadi tiga kelas, yaitu kelas I (S1/Sesuai, jika nilai > 240 ), II
(S2/Cukup Sesuai, jika nilai 170 - 240), dan III (N/Tidak sesuai, jika nilai < 170).

113

c. PJ dan SIG untuk kajian kesehatan lingkungan

Bapak-Ibu peserta PPG sekalian, seperti telah kita ketahui bersama
perkembangan penginderaan jauh dan sistem informasi geografis pada saat ini telah
merambah pada bidang kesehatan. Aplikasi pada bidang ini terutama dimanfaatkan
dalam hal pengawasan dan kontrol terhadap potensi penyakit (Beck dkk, 2000).
Aplikasi penginderaan jauh dan SIG dalam bidang kesehatan ini banyak digunakan
untuk menilai faktor lingkungan sebagai pemicu pemunculan vektor penyakit.
Potensi aplikasi pengideraan jauh dan SIG ini selanjutnya adalah untuk memahami
karakteristik pola spasial dan temporal risiko penularan suatu penyakit.

Aplikasi penginderaan jauh dan SIG untuk pengawasan penyakit kolera
dicontohkan oleh Rasam dan Noor (2012). Penyakit bawaan makanan seperti
kolera, disentri, hepatitis A dipicu oleh adanya kontaminasi mikroorganisme pada
makanan. Kontaminasi mikroorganisme ini berasal dari adanya pencemaran yang
terjadi pada lingkungan. Kondisi lingkungan inilah yang selanjutnya menjadi
variabel yang terrekam oleh penginderaan jauh dan dapat dianalisis untuk tujuan
pengawasan penyakit ini menggunakan SIG.

Contoh lain adalah aplikasi penginderaan jauh dan sistem informasi geografis
untuk penilaian dan pemantauan risiko penyakit malaria yang dilakukan oleh
Ceccato dkk (2005). Parameter lingkungan menjadi dasar analisis kajian ini. Curah
hujan menjadi salah satu pemicu berkembangnya nyamuk malaria. Peningkatan
curah hujan berasosiasi dengan peningkatan endemi malaria. Terkait dengan hal ini,
data penginderaan jauh dapat berperan dalam perekaman cuaca untuk perkiraan
intensitas curah hujan. Citra inframerah termal dapat digunakan untuk
mengestimasi temperatur awan bagian atas. Hujan akan terjadi pada kondisi suhu
awan berada sekitar -40 hingga -70 oC.

Temperatur memberikan efek pada vektor dan parasite malaria. Temperatur
perkembangan vektor dan parasit malaria berada pada rentang 22 - 26 oC.
Temperatur permukaan lahan dapat diindera menggunakan data thermal NOAA-
AVHRR, Meteosat dan Terra-MODIS. Citra ini memiliki cakupan yang luas dan

114

memadai untuk perekaman pancaran termal permukaan bumi. Kelembaban
diperlukan untuk berkembangbiaknya larva nyamuk malaria ini. Beberapa citra
indeks seperti indeks vegetasi dapat digunakan sebagai penduga tingkat
kelembaban perlukaan lahan.

Permukaan air adalah tempat berkembangbiaknya nyamuk malaria, sehingga
indentifikasi terhadap sebaran permukaan air sangat diperlukan dalam identifikasi
sumber vektor malaria. Identifikasi tutupan air dapat di lakukan dengan saluran
inframerah. Saluran ini akan terserap habis oleh tubuh air, sehingga akan
memberikan warna yang kontras dengan lahan kering di sekitarnya. Kombinasi dari
parameter-parameter tersebut di atas dapat dijadikan dasar identifikasi area
perkembangbiakan vektor dan parasit malaria. Gambar 15. berikut menunjukkan
area lahan basah dengan kelembaban tinggi yang memungkinkan menjadi area
perkembangbiakan nyamuk malaria

Gambar 15. Klasifikasi citra SPOT 4 Xi. Sumber : Ceccato dkk (2005)
Gambar 15 adalah citra klasifikasi dari citra SPOT Xi yang menunjukkan
sebaran area lahan basah dengan kelembaban tinggi. Area dengan warna biru
merupakan sebaran area lahan basah dengan kelembaban yang tinggi. Area dengan
warna biru merupakan klasifikasi dari piksel-piksel citra SPOT Xi dengan nilai
yang merujuk pada sampel area tubuh air. Sejalan dengan hal tersebut, maka area
tersebut diperkirakan sebagai area yang berpotensi dapat menjadi tempat
perkembangbiakan nyamuk malaria. Berdasar pada citra klasifikasi tersebut dapat
dengan jelas diidentifikasi sebaran area potensi perkembangbiakan nyamuk beserta
luasnya. Informasi tersebut selanjutnya digunakan sebagai dasar pengambilan
kebijakan pengendalian vektor penyebab penyakit malaria.

115

E. RANGKUMAN

Kemampuan yang dimiliki oleh penginderaan jauh dan sistem informasi
geografis dapat saling mengisi dan melengkapi. Sinergi dari penginderaan jauh dan
sistem informasi geografis terbukti memberikan hasil yang baik untuk pemecahan
permasalahan yang berkaitan dengan data spasial. Aplikasi PJ dan SIG untuk kajian
air tanah dapat digunakan untuk identifikasi area recharge dan discharge air tanah.
Identifikasi didasarkan pada nilai thermal permukaan lahan. Metode lain adalah
dengan menggunakan parameter litologi dan kelurusan permukaan lahan yang
diturunkan dari data citra satelit resolusi menengah dan diperkuat melalui observasi
lapangan. Pemanfaatan PJ dan SIG untuk aplilasi bencana banjir adalah dengan
menggunakan parameter kondisi topografi dan morfometri lahan. Parameter ini
diturunkan dari data DEM dan diolah melalui prosedur AHP dalam SIG. Aplikasi
PJ dan SIG untuk perhitungan erosi tanah sering dilakukan dengan menerapkan
model perhitungan erosi seperti RUSLE. Sebagian dari parameter model tersebut
diturunkan melalui data penginderaan jauh sumberdaya dan ASTER GDEM.
Kajian kekeringan dapat dihitung dengan menggunakan anomali NDVI yang
diperoleh melalui perbandingan nilai NDVI maksimal dan NDVI rata-rata dalam
masa penelitian. Nilai NDVI diperoleh melalui perbandingan band inframerah dan
band merah. Kajian pemukiman dilakukan dengan memanfaatkan citra satelit
berresolusi tinggi seperti QuickBird. Identifikasi tipologi permukiman didasarkan
pada karakteristik atribut spasial permukiman. Berdasar parameter tersebut dapat
diidentifikasi tipologi permukiman informal permukiman tradisional hingga
permukiman perkotaan formal. Aplikasi PJ dan SIG untuk kesehatan dilakukan
dengan memonitor parameter lingkungan yang dapat menjadi pemicu perkembang
biakan vektor penyakit. Aplikasi penginderaan jauh dan SIG dapat digunakan
sarana pengawasan dan kontrol terhadap potensi dan penyebaran penyakit.

116

Pendalaman Materi : Geografi

No Kode : DAR2/Profesional/207/1/2019

Modul 1 :

PERPETAAN, PENGINDERAAN JAUH,
DAN SISTEM INFORMASI GEOGRAFIS

Kegiatan Belajar 4 :

Pemanfaatan Penginderaan Jauh dan Sistem Informasi Geografis
untuk Tata Guna Lahan dan Perkotaan

Penulis : Dr. Eko Budiyanto, M.Si.

Kementerian Pendidikan dan Kebudayaan
Republik Indonesia
2019

119

Modul 1:
Perpetaan, Penginderaan Jauh, dan Sistem Informasi Geografis

Kegiatan Belajar 4:
Pemanfaatan PJ dan SIG untuk Tata Guna Lahan dan Perkotaan

A. PENDAHULUAN
Bapak-Ibu yang terhormat, peserta PPG sekalian. Selamat bergabung dalam
pembelajaran kita dengan tema umum Perpetaan, Penginderaan Jauh, dan Sistem
Informasi Geografis. Bagian ini merupakan kegiatan belajar keempat dengan tema
Pemanfaatan Penginderaan Jauh dan Sistem Informasi Geografis untuk Tata
Guna Lahan dan Perkotaan
Seperti telah Bapak-Ibu ketahui, bahwa penginderaan jauh dan sistem informasi
geografis pada saat ini banyak diaplikasikan dalam berbagai analisis. Pada bagian
ini diulas tentang pemanfaatan teknologi tersebut untuk analisis tata guna lahan dan
perkotaan. Pemahaman tentang materi ini akan memberikan gambaran tentang
bagaimana kedua teknologi tersebut diaplikasikan di lingkungan kita sehari-hari.
Petunjuk belajar :

• Bacalah modul ini sebaik-baiknya dengan cermat
• Jika diperlukan saudara boleh mencari informasi tambahan sesuai dengan

materi dalam modul ini
• Setelah membaca kerjakan latihan soal pada bagian akhir modul ini.

Saudara harus mendapatkan skor minimal 70. (minimal 7 soal harus dijawab
dengan benar)
• Jika belum tuntas dalam belajar modul ini, jangan beralih ke modul
berikutnya
B. CAPAIAN PEMBELAJARAN
Dalam substansi keilmuan, setiap guru geografi mampu menganalisis hakekat dan
literasi informasi geografi.
C. SUB CAPAIAN PEMBELAJARAN
Peserta memiliki pengetahuan dan keterampilan dalam mengolah data geografis
tersebut melalui penginderaan jauh dan sistem informasi geografis.
120

D. URAIAN MATERI : Pemanfaatan Penginderaan Jauh dan Sistem
Informasi Geografis untuk Tata Guna Lahan dan Perkotaan

1. Penginderaan Jauh dan SIG untuk Tata Guna Lahan

Tata guna lahan adalah satu perencanaan pengelolaan pemanfaatan lahan.
Tata guna lahan secara regional ditujukan untuk meningkatkan produktifitas dari
suatu fungsi lahan secara optimal. Tata guna lahan selalu berkaitan antar wilayah
dari hulu hingga hilir. Pemanfaatan lahan didasarkan pada karakteristik fisik lahan
dan peruntukannya secara sosial. Perencanaan pemanfaatan lahan harus
memperhatikan kondisi penggunaan lahan eksisting saat ini. Penggunaan lahan
aktual diperoleh dari berbagai informasi yang salah satunya adalah data
penginderaan jauh.

Penggunaan lahan membahas tentang bentuk dan pola pemanfaatan lahan.
Penggunaan lahan berkaitan dengan kondisi lahan secara fisik dan faktor manusia
menggunakan lahan tersebut. Analisis penggunaan lahan dalam penginderaan jauh
merupakan analisis turunan yang lebih detil setelah analisis terhadap tutupan lahan
tersebut. Analisis tutupan lahan adalah metode analisis untuk memperoleh
informasi terkait bentuk tutupan lahan yang ada pada suatu tempat. Tutupan lahan
pokok yang dapat diturunkan dari data penginderaan jauh sumberdaya (LANDSAT,
SPOT, dan lain-lain) adalah tutupan vegetasi, tanah dan batuan, serta tubuh air.
Selain hal tersebut faktor morfologi lahan juga dapat diturunkan dengan
memanfaatkan data DEM yang berasal dari citra GDEM ASTER ataupun SRTM.
Setelah diperoleh informasi tutupan lahan tersebut, lebih jauh dapat dianalisis
penggunaan lahannya.

Beberapa tutupan lahan yang sama memungkinkan terdapat perbedaan
bentuk penggunaan lahannya. Sebagai contoh adalah jika pada suatu area yang luas
terdapat tutupan lahan vegetasi berkanopi lebat. Area tersebut terdapat suatu
kemungkinan memiliki bentuk penggunaan lebih dari satu, misal satu bidang
berupa pekarangan, satu bidang lainnya berupa hutan lindung. Kondisi seperti ini
banyak terdapat di Indonesia. Oleh karena itu, analisis penggunaan lahan
memerlukan pemahaman terhadap berbagai unsur interpretasi untuk mendapatkan

121

bukti yang sahih dalam perolehan informasi yang lebih detil dari suatu informasi
tutupan lahan.

Analisis penggunaan lahan sering memanfaatkan data citra penginderaan jauh
dalam berbagai resolusi spasial maupun spektral serta temporal. Data citra
penginderaan jauh yang digunakan ditentukan oleh skala dan tujuan analisis
penggunaan lahan tersebut. Data citra pada resolusi spasial tinggi digunakan untuk
mendapatkan informasi penggunaan lahan pada skala detil. Sebaliknya, data
resolusi spasial menengah hingga rendah digunakan untuk analisis pada skala kecil.
Analisis penggunaan lahan multi temporal memanfaatkan data citra dengan
perulangan perekaman pada periode tertentu. Analisis multi temporal ini
menghasilkan analisis perubahan bentuk penggunaan lahan antar waktu. Analisis
ini sangat bermanfaat dalam kajian kewilayahan dan perencanaan tata guna lahan.

a. Analisis tutupan vegetasi
Vegetasi adalah salah satu bentuk tutupan lahan yang utama. Tutupan vegetasi

memiliki prosentase yang besar pada sebagian besar lahan di Indonesia. Informasi
tutupan lahan dapat memberikan informasi berkaitan dengan kondisi dan
karakteristik fisik wilayah tersebut. Informasi ini juga dapat memberikan gambaran
tentang kondisi cuaca dan iklim wilayah tersebut. Tutupan vegetasi dapat
diturunkan dari data citra penginderaan jauh dalam berbagai tingkat resolusi
melalui proses pengolahan citra.

Karakteristik pantulan spektral dari vegetasi dipengaruhi oleh kandungan
pigmen daun, material organik, air dan karakteristik struktural daun seperti bentuk
daun dan luas daun (Huete and Glenn, 2011). Karakteristik pantulan spektral dari
vegetasi dapat dibagi menjadi dua bagian yaitu pada bagian spektrum tampak (0.4
– 0.7 µm) dan pada bagian spektrum inframerah / Shortwave Infra Red (0.7 – 2.5
µm). Pada bagian spektrum tampak, vegetasi memiliki nilai pantulan relatif rendah
pada spektrum biru dan merah dengan puncak minor pada spektrum hijau yang
disebabkan oleh keberadaan klorofil (de Jong, 2004; Mather, 2004; McCoy, 2005).
Hilangnya klorofil daun mengakibatkan semakin kecilnya serapan energi pada
spektrum biru dan merah dan meningkatkan nilai pantulan pada spektrum tersebut.

122

Pantulan spektral meningkat secara drastis pada rentangan spektral antara 0.65
hingga 0.76 µm. Zona rentangan spektral pada pola spektral vegetasi ini disebut
dengan istilah titik batas merah (red edge point). Pemanfaatan zona rentang red
edge point ini sangat bermanfaat untuk perekaman tutupan vegetasi di permukaan
bumi. Berbagai indeks vegetasi seperti NDVI, EVI, PVI, dan lain-lain
memanfaatkan saluran pada kisaran panjang gelombang ini, yaitu dengan
memadukan saluran merah dan inframerah dekat pada satu ruang data spektral citra.
Pantulan spektral yang rendah pada spektrum biru dan merah disebabkan karena
vegetasi menyerap banyak energi pada kedua spektrum tersebut. Pada rentangan
spektrum infra merah dekat, yang juga merupakan bagian kedua dari karakteristik
pola spektral vegetasi, memiliki pantulan spektral yang relatif tinggi. Pantulan
spektral yang tinggi ini terrentang antara 0.76 – 1.35 µm. Selanjutnya pada
rentangan 1.35 – 2.7 µm pantulan spektral dipengaruhi oleh struktur internal daun.
Faktor pengaruh yang dominan terhadap pengurangan nilai pantulan spektral pada
rentangan 1.35 – 2.7 µm ini adalah banyak sedikitnya kandungan air pada lembar
daun tersebut serta kandungan air di atmosfer (de Jong, 2004).

Indek vegetasi merupakan nilai perbandingan spektral vegetasi dan spektral
tanah pada saluran inframerah dan saluran merah. Perbandingan spektral dari indek
vegetasi menunjukkan nilai yang tinggi pada piksel dengan unsur tutupan vegetasi
yang padat dan bernilai rendah pada piksel dengan unsur tutupan vegetasi yang
jarang. Indeks vegetasi telah banyak digunakan dalam berbagai penelitian tentang
vegetasi skala global. Indeks Vegetasi dapat secara efektif digunakan untuk
pemetaan kekeringan, penggurunan (penyingkapan ) dan penggundulan hutan
(Horning, 2004). Contoh indek vegetasi adalah Normalized Difference Vegetation
Index (NDVI), Simple Ratio (SR), Soil Adjusted Vegetation Index (SAVI),
Perpendicular Vegetation Index (PVI), dan Enhanced Vegetation Index (EVI).
NDVI banyak diaplikasikan dalam perhitungan kandungan biomasa hijau, klorofil,
dan lain-lain. NDVI sangat baik diaplikasikan pada lahan dengan tutupan lahan
yang tidak terlalu jarang dan tidak terlalu padat vegetasi (Schowengerd, 2007).
Indeks vegetasi NDVI memanfaatkan data saluran merah dengan inframerah. Pada
citra Landsat 8 OLI, saluran merah adalah band 4, dan saluran inframerah adalah

123

band 5. Sedangkan pada citra Landsat 7 ETM saluran merah adalah band 3, dan
saluran inframerah adalah band 4. Formula NDVI dapat dilihat pada persamaan
berikut ini.

⁡– ⁡
⁡ = ⁡ ⁡ +
Keterangan :
NIR : Nilai spektral saluran inframerah dekat
Red : Nilai spektral saluran merah

Representasi dari nilai NDVI terhadap kepadatan tutupan vegetasi dapat
dilihat seperti pada gambar isoline NDVI berikut.

0.9 .... 0.67 0.5 ....
0.2
Pantulan spektral inframerah dekat
0

Pantulan spektral merah

Gambar 1. Garis Isoline NDVI

Jika dihubungkan dengan gambar fraksional tutupan lahan pada ruang
spektral, nampak korelasi antara nilai NDVI dengan kondisi tutupan lahan yang
ada. Nilai NDVI tinggi berkorelasi dengan tutupan vegetasi dengan kepadatan
tinggi, sementara nilai NDVI rendah berkorelasi dengan tanah terbuka dengan
berbagai kondisinya.

Selain NDVI terdapat persamaan indeks vegetasi yang lain. Beberapa
persamaan indeks vegetasi tersebut adalah seperti dibawah ini.
124

- Simple Ratio (SR)


= ⁡
Keterangan :
NIR : Nilai spektral saluran inframerah dekat
Red : Nilai spektral saluran merah

- Soil-Adjusted Vegetation Index (SAVI)

Pada lahan dengan tutupan vegetasi jarang, pengaruh tanah menurunkan
akurasi nilai NDVI. Demikian pula pada tutupan vegetasi yang terlalu padat, terjadi
kenaikan pada nilai spektral inframerah, sementara nilai spektral saluran merah
tidak berubah. Oleh karena itu pada beberapa kondisi yang ekstrem dilakukan
modifikasi formulasi indeks vegetasi untuk mengurangi efek tanah dan densitas
vegetasi yang berlebihan. Indeks vegetasi ini adalah SAVI dengan formulasi
sebagai berikut :

−
= ⁡ ( + + ) (1 + )
Keterangan :
NIR : Nilai spektral saluran inframerah dekat
Red : Nilai spektral saluran merah
L : Koefisien kepadatan vegetasi

- Perpendicular Vegetation Index (PVI)

7 = ⁡ √(0.355 7 − 0.149 5)2 + (0.355 5 − 0.852 7)2

6 = ⁡ √(0.498 6 − 0.487 5 − 2.507)2 + (2.734 + 0.498 5 − 0.543 6)2

Perpendicular Vegetation Index mendasarkan pada nilai spektral inframerah
dan spektral merah dari citra Landsat MSS. PVI menggunakan saluran 5, saluran 6,
dan saluran 7 dari citra tersebut. PVI yang menggunakan saluran 5 dan 6 dinamai

125

dengan PVI6 sedangkan PVI yang menggunakan saluran 5 dan 7 dinamai dengan
PVI7.

- Enhanced Vegetation Index (EVI)
Persamaan EVI ditujukan untuk pengolahan index vegetasi pada citra

MODIS. MODIS memiliki resolusi spasial rendah dengan cakupan perekaman
yang luas pada setiap scene citra. Oleh karena itu pemanfaatan citra MODIS
dilakukan untuk analisis pada skala global. Persamaan EVI mirip dengan
Persamaan NDVI dengan penambahan formulasi untuk koreksi efek gangguan
radiometric dari atmosfer dan dari dalam kanopi. Persamaan EVI (Horning, 2004)
diuraikan sebagai berikut

( − )
= ∗ [( + 1 ∗ − 2 ∗ + )]

Keterangan :
G : Gain Factor, G = 2.5
NIR : Nilai spectral saluran Near Infrared
R : Nilai spectral saluran Red
B : Nilai spectral saluran Biru
C1 : Atmosferic Aerosol Resistance, C1 = 6
C2 : Atmosferic Aerosol Resistance, C2 = 7.5

Indek-indek vegetasi dihasilkan dengan membandingkan nilai spektral dari
saluran merah dengan saluran inframerah dekat . Perbandingan nilai spektral dari
dua saluran tersebut dapat ditampilkan secara jelas pada scatterplot dua dimensi.
Scatterplot dapat digunakan untuk menampilkan posisi dari kelompok piksel citra
pada ruang spektral serta menampilkan kovariansi dari tingkat kecerahan pada dua
saluran yang berbeda (Adams dan Gillespie, 2006).

Spektral vegetasi memiliki nilai yang tinggi pada saluran inframerah dekat
dan memiliki nilai rendah pada saluran merah. Spektral tanah memiliki nilai yang
tinggi pada saluran merah dan memiliki nilai rendah pada saluran inframerah dekat.
Pemisahan fraksional tutupan lahan pada ruang spektral tersebut mendasari konsep
126

soil line yang dinyatakan oleh Ricardson dan Wiegand. Abstraksi dari pemisahan
fraksional tutupan lahan dapat dilihat seperti pada gambar berikut.

Pantulan spektral inframerahFull Cover Permukaan Kering
dekat C B

Partial Cover

D
Tanah Terbuka

A
Permukaan Basah

Pantulan spektral merah

Gambar 2. Fraksional tutupan lahan pada ruang spektral saluran merah dan
inframerah dekat

Lahan dengan tutupan vegetasi yang padat berada pada sumbu pantulan
spektral inframerah dekat dengan nilai yang tinggi. Kepadatan tutupan lahan
berkurang dengan sejalan dengan pergeseran dari titik C menuju titik D hingga
menyentuh garis tanah (soil line). Piksel yang berada di sepanjang garis tanah (garis
AB) merepresentasikan spektral pantulan tanah dengan berbagai kondisi tingkat
kekeringan.

Adams dan Gillespie (2006) menjelaskan bahwa berbagai proses
dipermukaan bumi yang membentuk bentang lahan dapat teridentifikasi dari sebuah
citra melalui ekspresi bentuk jalur proses spektralnya pada ruang data citra.
Perubahan nilai spektral dapat menggambarkan proses yang berlangsung di
permukaan lahan. Pergerakan vektor spektral di sepanjang garis tanah (soil line)
menunjukkan adanya proses perubahan tingkat kekeringan tanah. Perubahan nilai
indek vegetasi suatu piksel menunjukkan adanya proses perubahan perbandingan
fraksional tutupan vegetasi dengan tanah terbuka (Adams dan Gillespie, 2006),
yang dapat disintesiskan terjadi beberapa kemungkinan proses seperti penanaman
vegetasi atau sebaliknya penghilangan vegetasi tersebut.

127

b. Analisis tanah terbuka
Tanah adalah faktor penting dalam perencanaan pemanfaatan lahan. Tanah

memiliki sifat khas tertentu tergantung pada kondisi tekstur, struktur dan kandungan
mineralnya. Pemahaman lokasi terkait unsur tanah akan memberikan dasar yang
tepat dalam pengambilan kebijakan pengelolaan lahan. Beberapa karakteristik
tanah dapat diturunkan dari data penginderaan jauh. Beberapa karakteristik tersebut
diantaranya adalah tekstur dan permeabilitas tanah.

Tekstur dan permeabilitas tanah sering dikaitkan dengan kandungan material
lempung atau pasir pada tanah. Allen dan Milenic (2007), Lee dkk (2008), dan Robu
(2009) mengklasifikasi permeabilitas tanah penutup karst dengan berdasar pada
perbandingan kandungan material lempung, dan pasir pada tanah. Perbandingan
kandungan material lempung dan pasir memberikan pengaruh terhadap nilai
pantulan spektral tanah (Machanda dkk, 2002). Semakin halus partikel penyusun
butir tanah maka akan semakin halus permukaannya dan semakin banyak energi
elektromagnetik yang dipantulkannya. Peningkatan ukuran partikel mengakibatkan
penurunan nilai pantulan.

Karakteristik dari pantulan spektral tanah memiliki bentuk yang berbalik
dengan pantulan spektral air. Kurva pantulan tanah selalu naik dari spektrum biru
hingga spektrum infra merah. Reflektivitas dari tanah disebabkan oleh keberadaan
material organik, tingkat kelembaban, dan oksida besi pada tanah. Serapan oksida
besi banyak terjadi pada spektrum ultraviolet, sehingga nilai pantulan tanah pada
spektrum tersebut sangat rendah. Kandungan oksida besi juga memberikan
pengaruh terhadap reflektivitas tanah berupa serapan pada rentangan 0.85 hingga
0.93 µm. Sementara serapan oleh kandungan air terjadi pada rentang spektral 1.35
hingga 1.5 µm dan 1.75 hingga 0.95 µm. Pantulan spektral tanah ini cenderung
turun pada rentang spektral di atas 2µm yang diakibatkan biasanya oleh adanya
lempung. Pada rentangan spektrum tampak secara visual nampak oksida besi
mengakibatkan tanah berwarna kemerah-merahan karena serapan terhadap
spektrum yang lebih pendek ataupun lebih panjang dari spektrum merah.

Beberapa sifat tanah seperti kandungan lempung tanah dapat diidentifikasi
melalui data penginderaan jauh pada rentang spektral antara 0.3 µm hingga 2.8µm

128

(Barnes dkk, 2003). Danoedoro (2012) menyebutkan bahwa mineral lempung
memiliki karakteristik serapan pada wilayah spektral 2.2 µm dan pantulan kuat pada
wilayah spektral sekitar 1.6 µm, oleh karena itu indek mineral lempung dapat
dibentuk dari data citra optik sebagai berikut :

Indek mineral lempung = Inframerah tengah / inframerah jauh ...... (2.5.)

Sejalan dengan hal tersebut Liu dan Mason (2009) menyatakan mineral
lempung dapat dipertajam melalui rasio sebagai berikut :

⁡ ⁡ ⁡ = ⁡ 5− ( 5) .......................... (2.6.)

7− ( 7)+1

Youssef (2008) menggunakan kombinasi metode Principal Component,
Minimum Noise Fraction dan Supervised Classification pada citra Landsat TM
untuk mempetakan endapan lempung. Metode tersebut berhasil dimanfaatkan
untuk mendeteksi keberadaan endapat lempung dengan akurat. Selanjutnya Zhai
dkk (2006) juga memanfaatkan citra Landsat dan diolah melalui metode artificial
neural network untuk mengklasifikasi tekstur tanah. Model pemetaan tekstur tanah
juga berhasil dibangun oleh Bakker (2012) dengan memanfaatkan data citra
ASTER. Bakker (2012) mendasarkan pada variabel penyusun tanah yang didekati
melalui berbagai indek turunan citra ASTER.

c. Analisis singkapan batuan
Penginderaan jauh memiliki kemampuan merekam permukaan bumi area

yang luas dalam satu waktu perekaman. Kemampuan ini bermanfaat dalam
berbagai kajian pada wilayah yang sulit dijangkau secara terestrial. Penginderaan
jauh telah berkembang tidak hanya sebagai fenomena teknis, tetapi telah menjadi
bagian penting dalam memahami perubahan lingkungan (Adams dan Gillespie,
2006). Aplikasi penginderaan jauh untuk kajian khususnya terkait penyingkapan
batuan telah dilakukan oleh beberapa peneliti seperti Qiwei dkk (2003), Yue dkk
(2008, 2009, 2012), Huang dan Cai (2009), Xiong dkk (2009), Yang dkk (2009).

Pemanfaatan teknik dan data penginderaan jauh dalam berbagai penelitian
tersebut digunakan untuk mengidentifikasi sebaran spasial dan tingkat

129

penyingkapan batuan yang terjadi pada daerah penelitiannya. Metode yang

digunakan sebagian besar adalah metode interpretasi visual dan klasifikasi

beracuan.

Li dkk (2009) melakukan analisis sebaran spasial penyingkapan batuan

dikaitkan dengan penggunaan lahan yang ada. Analisis ini secara garis besar

menyimpulkan bahwa penyingkapan batuan terutama berasal dari adanya aktifitas

perusakan hutan. Sejalan dengan hal tersebut, Yang dkk (2009) menyimpulkan

bahwa faktor dominan penyebab terjadinya penyingkapan batuan adalah berbagai

aktifitas manusia dilingkungan tersebut.

Yang dkk (2009) memanfaatkan teknik interpretasi visual berbantuan

komputer (onscreen) untuk menentukan tingkat penyingkapan batuan. Interpretasi

dibantu dengan studi lapangan untuk memperoleh gambaran tentang kondisi

penyingkapan yang terjadi di lapangan. Area yang mengalami penyingkapan batuan

diidentifikasi dengan mengacu pada indikator prosentase luas tutupan vegetasi,

tanah terbuka, singkapan batuan, dan kemiringan lereng. Tabel 1 berikut

menunjukkan klasifikasi tingkat penyingkapan batuan yang digunakan dalam

interpretasi.

Tabel 1. Kriteria penyingkapan batuan

Tingkat penyingkapan Tutupan Vegetasi Singkapan Batuan
Tidak tersingkap (%) (%)

> 60 <30

Ringan 40 – 60 30 – 50

Sedang 20 - 40 50 – 70

Berat < 20 >70

Sumber : Xiong dkk (2009) dengan modifikasi.

Metode klasifikasi beracuan dilakukan oleh Xiong dkk (2009) untuk
menentukan area terpenyingkapan . Segmentasi terlebih dahulu dilakukan untuk
menentukan piksel area terpenyingkapan dan tidak terpenyingkapan . Piksel area
yang mengalami penyingkapan batuan selanjutnya diklasifikasi beracuan untuk
menentukan tingkat penyingkapan yang terjadi pada area tersebut. Studi yang
dilakukan oleh Xiong dkk (2009) ini memberikan kesimpulan bahwa penyingkapan
130

batuan di daerah penelitiannya menunjukkan korelasi positip yang kuat dengan
peningkatan intensitas hujan dan temperatur.

Zhang dkk (2011) memanfaatkan data Landsat TM sebagai sumber data
tutupan hutan dan penggunaan lahan dengan menggunakan analisis NDVI dan
klasifikasi beracuan. Informasi-informasi tersebut selanjutnya di analisis bersama
dengan data-data lain menggunakan model radial basis function network (RBFN).
Hasil analisis RBFN di daerah penelitian menunjukkan bahwa penyingkapan
batuan berkaitan erat dengan kepadatan penduduknya. Area yang terpenyingkapan
kuat tersebar pada wilayah-wilayah yang memiliki tingkat kepadatan penduduk
tinggi.

Pengembangan metode penginderaan jauh untuk penilaian penyingkapan
batuan dilakukan oleh Yue dkk (2008, 2009, 2012) dan Huang dan Cai (2009).
Metode yang dikembangkan menghasilkan indek spektral yang dapat digunakan
untuk pemetaan singkapan batuan yang ditujukan pada penilaian tingkat
penyingkapan batuan. Model AutoSWIR dikembangkan oleh Yue dkk (2008)
dengan mendasarkan pada karakteristik spektral tutupan vegetasi, tanah terbuka dan
singkapan batuan pada julat spektral SWIR dari citra Hyperion. Model AutoSWIR
ini dapat digunakan dengan baik untuk mempetakan sebaran dan pola spasial
penyingkapan batuan di China.

Yue dkk (2009) selanjutnya mengembangkan indek Karst Rocky
Desertification Synthesis Index (KRDSI) untuk penilaian tingkat penyingkapan
batuan. Indek KRDSI sepenuhnya menggunakan julat SWIR antara 2100 nm
hingga 2380 nm. Indek KRDSI dibangun dengan mendasarkan pada karakteristik
spektral dari vegetasi, tanah terbuka dan batuan dasar. Menurut Yue dkk (2009),
fraksional cover vegetasi, tanah terbuka dan singkapan batuan merupakan dasar
penting dalam pencirian gejala proses penyingkapan batuan dari permukaan.
Penelitian ini menyimpulkan bahwa indek KRDSI dapat digunakan dengan baik
untuk mempetakan fraksional tutupan lahan dan berkorelasi kuat dengan tingkat
penyingkapan batuan.

Model NDVI-SMA digunakan Yue dkk (2012) untuk mengkuantifikasi
fraksional cover tutupan vegetasi dan singkapan batuan dengan berbasis pada citra

131

Hyperion dan ASTER. Dalam penelitian ini Yue dkk (2009) menyatakan bahwa
indikator ekologi utama dari gejala penyingkapan batuan yang adalah tutupan
vegetasi dan singkapan batuan dasar. Hasil penelitian tersebut menyatakan bahwa
model NDVI-SMA dapat digunakan dengan baik untuk penyadapan fraksional
tutupan vegetasi dan singkapan batuan dasar. Hasil analisis pada citra Hyperion
menunjukkan akurasi yang lebih tinggi dibandingkan dengan citra ASTER.

Huang dan Cai (2009) membangun Normalized Difference Rock Index
(NDRI) untuk mempetakan sebaran singkapan batuan sebagai penciri area
terpenyingkapan kuat. Indek NDRI dibangun berdasar pada karakteristik spektral
beberapa tutupan lahan pada band 3 dan band 5 citra Landsat TM. Fraksional
tutupan lahan yang digunakan sebagai sampel adalah tutupan hutan bertajuk lebat,
hutan bertajuk jarang, padang rumput, dan singkapan batuan. Persamaan indek
NDRI adalah NDRI = (band 5 – band 3) / (band 5 + band 3)

d. Analisis morfologi lahan

Analisis morfologi medan memerlukan perhitungan-perhitungan parameter
morfometris yang dapat diturunkan dari data DEM. Iguzquiza dkk (2013)
menyebutkan bahwa analisis morfometris memberikan penjelasan geometri dan
topologi dari fitur-fitur geomorfologi secara kuantitatif. Lebih lanjut dikatakan
bahwa analisis ini dapat digunakan sebagai pembeda dari parameter fisik seperti
pola, skala, kompleksitas dan variabilitas struktur geologis, dan indeks-indeks
numeris yang dapat dikorelasikan dengan berbagai parameter fisik lain.

Kemiringan lereng merupakan parameter morfologi yang sangat penting
dalam kajian lingkungan seperti proses hidrologi, gerakan massa tanah, erosi dan
lain-lain (Hickey, 2000; Kolecka, 2012). Data DEM sering digunakan sebagai dasar
perhitungan kemiringan lereng ini (Barringer dan Lilburne, 1997). Kemiringan
lereng dapat dihitung melalui banyak metode seperti diringkas dan diuji oleh Zhang
dkk (1999), Weith dan Mattson (2004), dan Warren dkk (2004). Hasil beberapa
pengujian tersebut menunjukkan bahwa perbedaan metode perhitungan kemiringan
lereng akan menghasilkan perbedaan nilai kemiringan. Namun demikian, temuan
dari beberapa peneliti tersebut menunjukkan bahwa resolusi DEM memberikan
132

pengaruh yang lebih besar terhadap akurasi hasil perhitungan kemiringan
dibandingkan dengan perbedaan metode yang digunakan.

Warren dkk (2004) menyebutkan bahwa secara konseptual terdapat dua
pendekatan dalam perhitungan kemiringan lereng yaitu melalui pendekatan
trigonometri dan pendekatan geometri diferensial. Pendekatan trigonometri
menghitung persentase kemiringan lereng sebagai perubahan ketinggian (∆z) pada
suatu jarak (∆s). Formulasi pendekatan ini dapat dituliskan dalam persamaan 2.3.

Slope(%) = 100(∆z/∆s) ........................................(2.3)

Keterangan :
∆z : beda tinggi titik grid terrendah dengan titik grid di sekelilingnya (meter).
∆s : jarak antara dua titik (meter)

Pendekatan geometri diferensial menghitung persentasi kemiringan sebagai
magnitude vektor kemiringan. Nilai kemiringan pada pendekatan ini dihitung dari
titik ke titik grid yang bersebelahan.

Perhitungan nilai kemiringan dari data DEM sering dilakukan menggunakan
template grid 3x3 yang dioperasikan terhadap data DEM tersebut. Bentuk template
dan notasi masing-masing grid yang digunakan oleh Weith (2004) dapat dilihat
seperti pada Gambar 2.1.

z1 z8 z7

z2 z0 z6

z3 z4 z5

Gambar 3. Template grid 3 x 3 untuk perhitungan nilai kemiringan
Grid pada gambar diatas adalah template yang menunjukkan posisi piksel
pada citra yang akan diproses dalam formulasi. Kemiringan lereng pada posisi
piksel z0 akan dihitung berdasar nilai-nilai elevasi pada posisi Z1 hingga Z8.

133

Selanjutnya nilai kemiringan pada posisi z0 dihitung menggunakan
Formulasi 2.5.

∅ = √( 2 + ( 2 ....................................(2.4)

) )


dimana nilai dari

( ) = ⁡ [ 2 − 6]/2 ∗ ∆ , dan



( ) = ⁡ [ 4 − 8]/2 ∗ ∆



Keterangan :

∅ : sudut kemiringan

Z2, Z4, Z6, Z8 : nilai elevasi pada posisi z indeks grid template

∆ , ∆ : jarak antar titik grid Zn-m dalam aksis X atau Y (meter)

Kekasaran permukaan merupakan variabel yang dapat digunakan untuk

mengidentifikasi dan membedakan bentuk lahan secara individual (Grohmann dkk,

2009). Kekasaran permukaan dapat dipahami sebagai suatu perbandingan area

(ratio area) antara keadaan permukaan medan seperti keadaan sebenarnya

berbanding dengan area datar pada suatu DEM (Jenness, 2004; Grohmann dkk,

2009). Hollaus dkk (2011) menguraikan tiga tingkatan kekasaran permukaan yaitu

tingkat kekasaran mikro (micro-level roughness), tingkat sedang (meso-level

roughness), dan tingkat makro (macro-level roughness). Kekasaran pada tingkat

mikro merupakan kekasaran yang dibentuk oleh parameter penutup lahan dengan

ukuran antara beberapa milimeter hingga sentimeter seperti rumput-rumputan.

Kekasaran pada tingkat sedang dibentuk oleh objek-objek dan vegetasi dengan

ukuran antara beberapa desimeter hingga meter. Sedangkan kekasaran pada tingkat

makro dibentuk oleh fitur medan dan topografi dengan ukuran hingga ratusan

meter.

Terdapat berbagai cara untuk mengukur kekasaran permukaan melalui data
DEM. Proyek RISC (2003) menilai kekasaran permukaan melalui analisis visual
terhadap kerapatan kontur dan bentuk visual tiga dimensionalnya. Kekasaran

134

permukaan karst (karst roughness). Grafik visual kekasaran permukaan dapat
dilihat pada Gambar 2.2.

Skala 1: 1500 Kekasaran relatif

Halus Sedang Tinggi Sangat Tinggi

Kontur 0.5 m

Pandangan perspektif

Halus

Sedang

Tinggi

Sangat Tinggi

Gambar 4. Grafik visual contoh penilaian kekasaran permukaan karst
Sumber gambar : RISC (2003)

Jenness (2004) melakukan penilaian kekasaran permukaan dengan cara
membandingkan nilai DEM dengan nilai interpolasi TIN. Hollaus dkk (2011)
memanfaatkan lebar pantulan (echo width) gelombang ALS untuk membedakan
tingkat kekasaran medan. Sementara itu Kazmierowski dkk (2015) mengukur
kekasaran permukaan dengan mendasarkan pada standar deviasi DEM, residual,
dan prominensi, kemudian pada skala mikro parameter kekasaran diperluas dengan
memanfaatkan parameter intensitas, nilai perbedaan titik terrendah dengan
sekelilingnya (exposition), rentang, dan tekstur rata-rata DEM. Riley dkk (1999)
dan Wilson dkk (2007) menggunakan dasar template yang diterapkan pada data
DEM untuk perhitungan indeks kekasaran permukaan. Wilson (2007) secara teknis

135

menguraikan indeks kekasaran permukaan sebagai rerata perbedaan nilai piksel
pada tengah template dengan seluruh nilai piksel di sekelilingnya seperti pada
Gambar 2.3.

Gambar 5. Template 3 x 3 untuk perhitungan indeks kekasaran permukaan Riley
Riley dkk (1999) dan Wilson (2007).

Berdasar pada nilai yang didapat menggunakan template seperti pada Gambar
2.3., selanjutnya formulasi dasar perhitungan indeks kekasaran permukaan adalah
sebagai seperti Persamaan 2.5.

= (| (−1,1)| + | (−1,1)| + | (−1,1)| + | (−1,1)| + | (−1,1)| + | (−1,1)| + | (−1,1)| + | (−1,1)|)/8

Keterangan :
TRI : Topographic Roughness Index
z(-n,n) : nilai piksel
(-n,n) : posisi piksel pada template.

Nilai TRI memiliki tingkatan klasifikasi kekasaran permukaan.
Klasifikasi kekasaran permukaan yang banyak digunakan adalah klasifikasi
kekasaran permukaan oleh Riley dkk (1999). Bentuk klasifikasi lain adalah
model indeks kekasaran permukaan oleh Wilson dkk (2007). Perhitungan
indeks kekasaran permukaan pada model Wilson dkk (2007) didasarkan pada
model Riley dkk (1999) tersebut.

136

2. Penginderaan Jauh dan SIG untuk kajian perkotaan

Perkotaan merupakan wilayah yang dinamis baik secara fisik maupun sosial.
Bentuk dan pergerakan manusia dalam wilayah kota selalu mengalami perubahan
dari waktu ke waktu. Perkembangan fisik kota sering terjadi dengan tidak terkontrol
sejalan dengan perkembangan aktivitas perekonomian masyarakat (Mallouk dkk,
2019). Pengelolaan wilayah perkotaan ini, diperlukan data dan informasi yang
akurat terkait perkembangan fisik kota ini. Satu teknologi yang dapat memberikan
data dan informasi adalah penginderaan jauh dan sistem informasi geografis. Kajian
perkotaan seperti ini telah banyak dilakukan oleh banyak peneliti, diantaranya
adalah Taubenbock (2018), Latha dkk (2019), Mallouk dkk (2019), Xia dkk (2019),
dan Zhu dkk (2019).

Data yang digunakan dalam penginderaan jauh ini bervariasi dari data citra
hingga foto menggunakan wahana drone. Analisis berbasis citra dilakukan pada
kajian pada skala kota besar hingga lingkup antar negara. Latha dkk (2019)
mempetakan karakteristik bangunan perkotaan di kota Andhra Pradesh. Wahana
yang digunakan adalah drone aerial yang dimanfaatkan untuk merekam posisi,
bentuk dan ukuran bangunan. Analisis dilakukan secara dua dan tiga dimensional
yang dibangun dari data-data foto drone tersebut yang dipadukan dengan data
LIDAR. Data LIDAR memberikan informasi bentuk dan tinggi bangunan. Metode
ini dinyatakan mampu memberikan informasi dan gambaran karakteristik bangunan
dalam suatu kota secara cepat dan efisien.

Metode analisis digital dan visual merupakan perpaduan yang teknik yang
cukup andal dalam analisis perkembangan wilayah kota. Metode digital
memberikan informasi karakteristik wilayah kota berdasar analisis spektral.
Metode yang sering digunakan adalah seperti klasifikasi dan operasi aritmetik citra
seperti indeks. Metode digital memiliki kelebihan pada kecepatan proses karena
didasarkan pada sistem komputasi. Pada bagian lain, metode visual memberikan
informasi berdasar kajian secara visual analog analog. Satu bentuk metode visual
adalah interpretasi visual baik dua atau tiga dimensional. Metode ini memiliki
kelebihan pada kesesuaian yang lebih baik terhadap kondisi faktual. Namun

137

demikian nilai subyektivitas dari interpreter sangat berpengaruh pada hasil
interpretasi ini. Metode yang merupakan campuran antara kedua metode tersebut
adalah metode visual digital. Metode ini oleh Suharyadi (2011) disebut sebagai
metode hibrida.

a. Analisis kepadatan bangunan perkotaan

Proses pertumbuhan perkotaan membutuhkan penyediaan ruang untuk tempat
tinggal dan pembangunan fasilitas umum (Treman, 2012). Proses pertumbuhan kota
ini memicu munculnya pemadatan bangunan perkotaan yang terjadi dalam dua
bentuk pemadatan, yaitu pemadatan secara horisontal dan secara vertikal.
Pemadatan secara horisontal menghasilkan pertumbuhan wilayah kota secara
spasial. Pada pemadatan jenis ini terjadi pertumbuhan luas wilayah yang memiliki
karakteristik kekotaan seperti pertambahan jumlah bangunan dan akses jalan.
Pemadatan secara vertikal dicirikan oleh perubahan bentuk bangunan. Atap
bangunan menjadi lebih tinggi dengan bertambahnya jumlah lantai banguan
tersebut. Peruntukan dari bangunan menjadi lebih bervariatif, dari peermukiman
hingga jasa dan industri.

Suharyadi (2011), dan Wijaya dan Umam (2015) menganalisis kepadatan
bangunan melalui data penginderaan jauh dan sistem informasi geografis. Data
yang digunakan adalah data citra resolusi menengah dan tinggi. Sementara itu
Treman (2012) memanfaatkan data foto udara dan ikonos untuk analisis kepadatan
ini. Data tersebut digunakan sebagai dasar analisis area terbangun yang berupa
bangunan baik untuk permukiman atau penggunaan lainnya.

Metode yang diaplikasikan oleh Suharyadi (2011) adalah melalui teknik
klasifikasi beracuan yang digunakan sebagai awal analisis kepadatan permukiman
kota. Klasifikasi dilakukan pada data citra Landsat dan Aster multi temporal.
Kepadatan bangunan diklasifikasi berdasar nilai spektral citra. Kepadatan bangunan
masing-masing tahun ditunjukkan oleh citra klasifikasi pada perekaman tahun
tersebut. Pemadatan diketahui dari perbandingan antar citra klasifikasi tersebut
antar tahun. Tahap selanjutnya, analisis visual dilakukan terhadap data citra
Quickbird untuk menghitung kepadatan pada lokasi sampel. Bentuk bangunan
138

dapat dengan mudah teridentifikasi pada citra resolusi tinggi ini. Kepadatan
dihasilkan dari perhitungan jumlah bangunan per satuan luas lahan. Validasi
dilakukan secara terestrial di lokasi sebenarnya dari hasil analisis kepadatan
tersebut.

Hasil analisis menghasilkan informasi densifikasi bangunan perkotaan terkait
dengan pola (arah densifikasi bangunan, hubungan antara densifikasi bangunan
dengan jarak dari pusat kegiatan di daerah perkotaan, jarak dari jalan utama, dan
jarak dari pusat kegiatan), dan kecepatan densifikasi bangunan. Jarak dari pusat
kota dan jalan utama menunjukkan pengaruh yang kuat terhadap proses pemadatan
bangunan di wilayah perkotaan. Pada kajiannya Wijaya dan Umam (2015)
menghasilkan persamaan regresi antara perubahan tutupan lahan non terbangun
menjadi lahan terbangun dengan variabel jarak.

Y = 6,9430 - 3,121600*X1 - 3,592608*X2 – 4,318929*X3

Dimana :
Y : logit perubahan lahan non terbangun menjadi lahan terbangun
X1 : jarak terhadap jalan non-utama
X2 : jarak terhadap jalan utama
X3 : jarak terhadap pusat kegiatan

Temuan ini menunjukkan bahwa semakin dekat jarak ke pusat kota, terjadi
peningkatan kepadatan bangunan yang juga sejalan dengan kemudahan
aksesibilitas pada tempat tersebut. Temuan ini diperkuat oleh temuan dari Wijaya
dan Umam (2015), yang menyatakan bahwa dengan semakin dekat jarak dengan
jalan akan semakin besar perubahan tutupan lahan non terbangun menjadi lahan
terbangun seperti bangunan. Prediksi perkembangan pertumbuhan pemadatan
bangunan dalam kajian ini selanjutnya diprediksi dengan menggunakan persamaan
regresi di atas.

139

Gambar 6. Prediksi perkembangan lahan terbangun kota Yogyakarta tahun 2023.
Sumber : Wijaya dan Umam (2015).

Gambar 6 tersebut adalah prediksi perkembangan lahan terbangun di kota
Yogyakarta pada tahun 2023. Prediksi dilakukan dengan menggunakan formulasi
yang dihasilkan dalam kajiannya di atas. Berdasar gambar tersebut, nampak proses
pemadatan akan terjadi dengan arah menuju pusat kota. Pemadatan diluar kota
terjadi searah dengan jalur jalan utama yang menghubungkan pusat kota dengan
daerah penyangganya. Berdasar temuan-temuan tersebut diketahui bahwa variabel
terbesar terhadap perubahan lahan terbangun adalah jarak terhadap pusat kegiatan,
diikuti jarak terhadap jalan utama, dan jarak terhadap jalan non utama. Pusat
kegiatan dan pusat kota menjadi pemicu terjadinya pemadatan bangunan seperti
ditunjukkan dalam penelitian Suharyadi (2011) dan Wijaya dan Umam (2015).

140

b. Analisis kualitas permukiman perkotaan

Pertumbuhan kota sering terjadi dengan tidak terkendali. Pertumbuhan terjadi
secara alamiah sejalan dengan peningkatan kebutuhan masyarakat. Pertumbuhan
fisik kota akan berkaitan dengan kualitas permukiman yang ada pada wilayah
tersebut. Pertumbuhan fisik kota harus diimbangi dengan penambahan sarana dan
fasilitas umum yang memadai. Pada kondisi inilah sangat diperlukan pemantauan
dan penilaian kualitas permukiman perkotaan secara kontinyu.

Penginderaan jauh dan sistem informasi geografis memberikan banyak
manfaat dan kemudahan dalam hal pemantauan dan penilaian ini. Beberapa
penelitian terkait kualitas permukiman dilakukan oleh Priyono dkk (2013) dan
Farizki dan Anurogo (2017). Kedua penelitian tersebut memanfaatkan data
penginderaan jauh resolusi tinggi. Data ini memberikan kemudahan dalam
mengidentifikasi kondisi bangunan dan lingkungan pada wilayah analisis.
Interpretasi dilakukan melalui metode interpretasi visual pada data citra tersebut.

Parameter yang digunakan dari kedua penelitian tersebut adalah kepadatan
permukiman, kerapatan vegetasi, lebar jalan masuk lingkungan permukiman,
kondisi jalan masuk lingkungan permukiman, pola permukiman, kondisi halaman
permukiman, lokasi permukiman terhadap sumber polusi, dan pohon pelindung.
Farizki dan Anurogo (2017) menilai kualitas permukiman dengan kriteria sebagai
berikut :

- Kepadatan permukiman jarang (<40%)
- Tata letak bangunan teratur dengan luasan lebih dari 50% luas area.
- Jalan masuk memiliki lebar lebih dari 6 meter dapat dilalui 2 hingga 3 mobil

dengan kondisi diperkeras semen atau aspal.
- Lokasi permukiman jauh dari sumber polusi seperti terminal, pabrik

perdagangan dan jasa, serta jalan utama.
- Terdapat pohon perindang pada jalan masuk blok permukiman.

Parameter-parameter di atas dapat diturunkan dari data citra Quickbird
dengan baik melalui interpretasi visual. Parameter selalnjutnya diberi bobot dalam
persamaan penilaiannya. Parameter kepadatan dan lebar jalan masuk mendapat
bobot 3, sedangkan parameter lain mendapat bobot 2. Secara jelas, persamaan

141