Jurnal Matematika dan Sains

Vol. 9 No. 1, Maret 2004, hal 215 222

Aplikasi Analisis Komponen Utama dalam Pemodelan Penduga Lengas Tanah dengan
Data Satelit Multispektral
Erna Sri Adiningsih1) ,Mahmud2) ,dan Iskandar Effendi1)
1)
Pusat Pengembangan Pemanfaatan dan Teknologi Penginderaan Jauh LAPAN,
Jl. Lapan No. 70, Pekayon Pasar Rebo, Jakarta 13710
2)
Pusat Pemanfaatan Sains Atmosfer dan Iklim LAPAN, Jl. Dr. Junjunan no. 133, Bandung
Diterima Oktober 2002, disetujui untuk dipublikasikan Nopember 2003
Abstract
Principle Component Analysis (PCA) application in modeling the soil moisture estimate using multispectral satellite
data is meant to optimize spectral combination. PCA method has been applied to Landsat Thematic Mapper (TM)
satellite data with good results. However, Landsat data have low temporal resolution (16 days) compared with
daily NOAA-AVHRR (NOAA-Advanced Very High Resolution Radiometer) satellite data. So, NOAA-AVHRR data
are able to provide better information on daily soil moisture. The objective of the study is to develop soil moisture
estimation model based on daily 5-channel daily NOAA-AVHRR data using PCA method. The locations are West
Java and Central Java as case study, while the period is August-September 1999. Some field soil samples were also
taken from the two locations. The coefficient of variance shows that the three principle component (PC) can explain
the variance of soil moisture of 0-20 cm depth better than of >20 cm depth. This is due to more dynamic surface
soil moisture change rather than deeper soil layer. Among the three PCs, the first PC is the best parameter to
estimate soil moisture. The index resulted by the first PC can estimate soil moisture better than vegetation index.
Keywords : PCA, soil moisture, soil brightness index, greenness index, soil wetness index, multispectral satellite
data.
Abstrak
Penerapan analisis komponen utama (PCA) dalam pemodelan penduga lengas tanah menggunakan data satelit
multispektral dimaksudkan untuk mengoptimalkan kombinasi spektral. Metode PCA telah diterapkan untuk data
satelit Landsat Thematic Mapper (TM) dengan hasil yang baik. Namun data Landsat memiliki resolusi temporal
yang rendah (16 hari) dibandingkan dengan data satelit NOAA-AVHRR harian, sehingga penggunaan data NOAAAVHRR diharapkan dapat memberikan informasi tentang kondisi lengas tanah harian dengan lebih baik.
Penelitian bertujuan untuk mengembangkan model penduga lengas tanah berdasarkan data NOAA-AVHRR harian
5 kanal menggunakan metode PCA. Lokasi studi kasus adalah Jawa Barat dan Jawa Tengah dengan periode data
Agustus - September 1999. Beberapa contoh tanah diambil di lapangan pada 2 lokasi. Koefisien keragaman ketiga
komponen utama dapat menjelaskan lengas tanah pada kedalaman > 20 cm dengan lebih baik dibandingkan pada
kedalaman 0-20 cm. Hal ini disebabkan perubahan lengas tanah pada lapisan permukaan lebih dinamis daripada
lengas tanah pada lapisan lebih dalam. Komponen utama pertama yang diperoleh disebut sebagai indeks
kecerahan tanah, yang kedua adalah indeks kehijauan, dan yang ketiga adalah indeks kelembaban tanah. Diantara
ketiga komponen utama, komponen utama pertama merupakan parameter penduga lengas tanah yang terbaik.
Indeks yang dihasilkan dari komponen utama pertama juga menduga lengas tanah lebih baik jika dibandingkan
indeks vegetasi.
Kata kunci: Analisis komponen utama, lengas tanah, indeks kecerahan tanah, indeks kehijauan, indeks kelembaban
tanah, data satelit multispektral.
satu cara yang dapat diterapkan adalah dengan
memanfaatkan data satelit. Pemanfaatan data satelit
Landsat Thematic Mapper (TM) multispektral untuk
menduga lengas tanah telah diteliti oleh Dirgahayu,
dkk.1) untuk daerah perkebunan tebu di Jatitujuh,
Jawa Barat. Dengan menerapkan teknik analisis
komponen utama, para peneliti tersebut memperoleh
tiga jenis indeks untuk menduga lengas tanah
berdasarkan data empat kanal. Namun data Landsat
TM yang memiliki resolusi spasial 30 m2 hanya
sesuai untuk digunakan pada daerah tertentu dan
untuk waktu yang tertentu pula karena satelit ini
memiliki resolusi temporal 16 hari. Sementara itu,

1. Pendahuluan
Ketersediaan air tanah merupakan salah satu
faktor yang penting bagi pertanian secara umum, baik
pertanian tanaman pangan, hortikultura, perkebunan,
dan kehutanan. Oleh sebab itu informasi tentang
lengas tanah (soil moisture) sangat diperlukan untuk
perencanaan, pengelolaan dan pemantauan pertanian.
Pengukuran lengas tanah dengan peralatan
konvensional seperti tensiometer, neutron probe,
maupun teknik gravimetri dapat memberikan
informasi yang sangat akurat tetapi kurang efisien
untuk daerah pengukuran yang sangat luas. Salah
215

216

JMS Vol. 9 No. 1, Maret 2004

informasi tentang lengas tanah seringkali dibutuhkan

untuk pemantauan secara terus-menerus karena
informasi dini tentang kekeringan lahan sangat
penting untuk mengantisipasi dampak yang
ditimbulkan. Salah satu cara yang dapat diandalkan
untuk memantau lengas tanah pada daerah yang luas
setiap hari adalah dengan memanfaatkan data satelit
National Oceanic and Atmospheric Administration
(NOAA). Hal ini dimungkinkan karena salah satu
sensor satelit NOAA, yaitu Advanced Very High
Resolution
Radiometer
(AVHRR)
memiliki
karakteristik multispektral. Sejak 1980 hingga saat
ini data NOAA-AVHRR dapat diterima setiap hari
oleh stasiun bumi milik Lapan yang ada di Jakarta
dan Biak. Karakteristik data yang dihasilkan untuk
setiap kanal dari sensor AVHRR disajikan pada
Tabel 1.
Tabel 1. Karakteristik Spektral Data NOAA-AVHRR
Kanal
1

Spektrum
0.580.68 m (tampak)

0.731.10 m
merah dekat)

3.553.95 m (infra
merah menengah)

10.311.3 m
merah jauh)

11.512.5 m (infra
merah jauh)

(infra

(infra

Kegunaan
Menghitung
albedo
permukaan bumi dan
puncak
awan,
mendeteksi permukaan
darat
dan
laut,
memantau pertumbuhan
dan
perkembangan
tanaman
Memantau
vegetasi
(peka terhadap klorofil),
mendeteksi
awan,
mendeteksi lapisan salju
dan es di permukaan
bumi,
mendeteksi
albedo permukaan darat
dan laut.
Menghitung
suhu
permukaan
laut,
mendeteksi
distribusi
awan pada siang dan
malam hari, mendeteksi
kebakaran hutan karena
kanal ini peka terhadap
sumber
panas
di
permukaan bumi.
Pada prinsipnya kanal 4
dan kanal 5 mempunyai
kegunaan yang sama
yaitu
untuk
mengekstraksi
nilai
suhu permukaan laut,
suhu permukaan darat,
mendeteksi awan pada
siang dan malam hari,
memantau
gunung
berapi yang aktif, dan
mendeteksi suhu puncak
awan.

Pendugaan lengas tanah menggunakan data

satelit NOAA telah dilakukan dengan menggunakan
indeks vegetasi dalam bentuk Normalized Difference
Vegetation Index (NDVI) berdasarkan data kanal 1
dan 2 saja, sedangkan indeks-indeks lainnya belum
dikembangkan di Indonesia. Dalam penelitian ini,
parameter penduga lengas tanah diperoleh dengan

teknik analisis komponen utama (Principle

Component Analysis atau PCA) menggunakan data
NOAA-AVHRR lima kanal. Kelima kanal tersebut
meliputi kanal tampak, infra merah dekat, infra
merah termal, dan infra merah jauh. Hal ini karena
kelima kanal tersebut memberikan perbedaan respon
spektral yang kontras terhadap ketiga jenis bahan
utama di daratan yaitu tanah, vegetasi, dan air.
Analisis komponen atau PCA adalah metode
analisis peubah multi yang bertujuan memperkecil
dimensi peubah asal sehingga diperoleh peubah baru
(komponen utama) yang tidak saling berkorelasi
tetapi menyimpan sebagian besar informasi yang
terkandung dalam peubah asal2). Di dalam aplikasi
data penginderaan jauh (inderaja), PCA merupakan
salah satu metode statistika yang digunakan untuk
menggali informasi dari data citra inderaja, terutama
dalam hubungannya dengan multidimensi peubah.
Horler dan Ahern3) melakukan transformasi
komponen utama pada citra satelit Landsat-4 TM
daerah barat Ontario dan daerah hutan Arkansas.
Hasilnya
memperlihatkan
bahwa
Principle
Component atau Komponen Utama ke-1 dan ke-2
(PC1 dan PC2) mampu menyerap 64% dan 28%
keragaman data.
PC1 menunjukkan kecerahan
(brightness) yang merupakan weighed value (nilai
terbobot) dari semua kanal dimana kanal 4 dan 5
memiliki bobot yang terbesar. PC2 merupakan
kontras kanal visible (tampak) dan kanal infra merah
dekat yang menjadi ukuran kehijauan (greenness).
PC3 adalah kontras antara kanal SWIR dan empat
kanal pertama yang disebut sebagai SWIRness3).
Teknik transformasi PCA juga telah diteliti
oleh Abdurrazak4) dengan data Landsat-5 TM untuk
mempelajari profil awan dan asap kebakaran di
daerah Kalimantan Timur. Penelitian ini menghasil
kan tiga komponen utama yang mampu menyerap
keragaman 98.6 %. Ketiga komponen utama tersebut
berhubungan dengan 3 dimensi fundamental spektral
citra Landsat-5 TM yaitu brightness (kecerahan),
greenness (kehijauan), dan wetness (kelembaban).
PC1 yang dihasilkan memiliki koefisien atau
pembobot yang besar dan negatif, sehingga
dinyatakan sebagai kecerahan negatif (blackness).
PC3 yang dihasilkan dapat membedakan asap
kebakaran dari awan dengan lebih baik dibandingkan
teknik klasifikasi citra multispektral yang umum
digunakan, seperti metode maximum likelihood dan
sebagainya.
Penerapan teknik transformasi komponen
utama untuk menentukan tahap pertumbuhan padi
dengan data Landsat TM juga telah diteliti oleh
Ernawati5) untuk areal pertanaman padi di Sukamandi
- Jawa Barat. Hasilnya menunjukkan bahwa tiga
komponen utama pertama dapat menjelaskan lebih
dari 90% keragaman data. Masing-masing komponen
utama pertama menggambarkan kehijauan (85.9%),
kecerahan (8.9%), dan kelembaban (2.5%).
Selanjutnya citra Landsat TM dalam bentuk komposit
yang terdiri dari tiga komponen utama dapat

JMS Vol. 9 No. 1, Maret 2004

217

digunakan untuk mengidentifikasi kelompok tanaman

padi di Sukamandi sesuai tahap pertumbuhannya.
Dirgahayu,
dkk.1)
telah
memodifikasi
perumusan tiga indeks untuk menduga lengas lahan
dari data Landsat TM, yaitu Indeks Kecerahan Lahan
(IKcL), Indeks Kehijauan Lahan (IKhL), dan Indeks
Kebasahan Lahan (IKbL). Ketiga indeks tersebut
diperoleh dengan menggunakan empat kanal Landsat
TM yaitu kanal 2, 3, 4, dan 5. Persamaan ketiga
indeks yang didapatkan adalah sebagai berikut:

NOAA-AVHRR dengan menerapkan analisis

komponen utama terhadap kelima kanal AVHRR.
Data yang digunakan untuk PCA adalah data
AVHRR harian Pulau Jawa selama periode
September 1998 sampai September 1999. Sebagai
studi kasus dipilih beberapa lokasi di Jawa Barat dan
Jawa Tengah untuk validasi model lengas tanah.

IKcL = 0.185 K2+0.308 K3+0.238 K4+0.269 K5

IKhL = -0.179 K2-0.447 K3+0.940 K4+0.060 K5+k
IKbL = 0.255 K2+0.458 K3+0.286 K4-0.797 K5+k

Data yang digunakan untuk PCA adalah data

NOAA-AVHRR harian untuk Pulau Jawa yang
terdiri dari dari 137 data selama periode September
Desember 1998 dan Maret September 1999.
Penggunaan data tersebut disesuaikan dengan kondisi
penutupan awan. Data bulan Januari Februari 1999
tidak digunakan karena penutupan awan dengan
persentase sangat tinggi yang pada bulan-bulan
tersebut merupakan puncak musim hujan. Contoh
citra NOAA-AVHRR yang belum ditransformasi
disajikan pada Gambar 1.

Konstata k ditambahkan agar tidak ada nilai negatif

pada citra. Menurut Dirgahayu, dkk1) kondisi lahan
dengan kandungan lengas tinggi dicirikan oleh nilai
IKhL dan IKbL yang tinggi dan IkcL yang rendah,
dan demikian pula sebaliknya.
Penelitian ini bertujuan untuk menyusun
model penduga lengas tanah dengan data satelit

2. Metodologi
2.1 Data dan Alat

Gambar 1. Contoh citra NOAA-AVHRR yang belum ditransformasi dalam bentuk kombinasi RGB (Red Green
Blue).
Untuk validasi persamaan atau indeks-indeks
yang diperoleh dengan data lengas tanah di lapangan,
digunakan hasil pengukuran lengas tanah pada
kedalaman 0-20 cm pada bulan September 1999 di 9
lokasi di Pekalongan dan sekitarnya, Jawa Tengah
(Kedungwuni, Bligo Buaran, Babalan Kidul Bojong,
Kampir Bojong, Getas Wonopringgo, Karanganyar,
Wiradesa, Pekalongan Selatan, dan Kajen) yang telah
dilakukan oleh Adiningsih, dkk.6). Untuk melengkapi
data lengas tanah digunakan pula hasil pengukuran
Badan Meteorologi dan Geofisika (BMG) untuk
kedalaman 0-20 cm dan >20 cm pada bulan Agustus
1999 di 8 stasiun klimatologi/meteorologi pertanian
di Jawa Barat (Darmaga Bogor, Chinchoma
Bandung, Margahayu Lembang, Sukamandi
Subang, Jatisari Karawang, Sukapura Cirebon,
dan Cipanas Cianjur).

Peralatan untuk melakukan pengolahan awal

data AVHRR adalah seperangkat PC dengan
perangkat lunak Erdas Imagine, sedangkan
pengolahan lanjut untuk analisis PCA dilakukan
dengan perangkat lunak MINITAB dan Microsoft
Excel.
2.2 Metode Penelitian
2.2.1 Pengolahan Data Lapangan
Analisis kadar lengas tanah dilakukan di
Laboratorium Tanah dengan metode gravimetri, yaitu
dengan pemanasan contoh tanah selama 24 jam pada
suhu 100 oC dan dilakukan penimbangan sebelum
dan sesudah pemanasan. Kadar lengah tanah (dalam
% berat) adalah selisih antara berat sebelum dan
sesudah dipanasi terhadap total berat contoh tanah
sebelum pemanasan.

218

JMS Vol. 9 No. 1, Maret 2004

1 + 2 + + p = tr()

2.2.2 Pengolahan Data NOAA-AVHRR

Data NOAA-AVHRR terlebih dahulu
dikoreksi geometrik dengan menggunakan sejumlah
Ground Control Point (GCP) yang tersebar merata
pada citra. Selanjutnya dilakukan resampling dengan
metode nearest neighbourhood interpolation karena
metode ini paling efisien dan tidak mengubah nilai
digital number (DN) yang asli. Resampling dilakukan
dengan mengambil sample beberapa picture element
(pixel) yang dijadikan GCP, selanjutnya diolah
dengan metode nearest neighbourhood interpolation
dan hasilnya adalah persamaan transformasi
geometrik data. Kemudian dilakukan eliminasi GCP
yang menyebabkan root mean square error (RMSE)
tinggi sampai didapatkan nilai RMSE < 0.5 pixel.
Pengolahan PCA selanjutnya dilakukan
dengan data lima kanal untuk memperoleh nilai PC1,
PC2, dan PC3 untuk semua kanal. Dari nilai ketiga
komponen utama (PC) harian dapat dihitung rata-rata
PC untuk satu musim maupun rata-rata seluruh
tanggal. Berdasarkan penelitian sebelumnya, maka
nilai PC1, PC2, dan PC3 masing-masing
menunjukkan indeks yang disebut dengan Soil
Brightness Index (SBI), Greenness Vegetation Index
(GVI), dan Soil Wetness Index (SWI). Nilai masingmasing indeks pada lokasi-lokasi tertentu diekstraksi
untuk divalidasi dengan hasil pengukuran kadar
lengas tanah, baik dengan data dari pengukuran
langsung maupun data dari stasiun klimatologi.
2.2.3 Analisis Komponen Utama
Nilai digital (Digital Number) data NOAAAVHRR pada setiap kanal dianggap sebagai peubah
acak X1, X2, , Xp yang menyebar menurut sebaran
tertentu dengan vektor nilai tengah dan matriks
peragam . Komponen utama merupakan kombinasi
linier terboboti dari peubah-peubah asal yang mampu
menerangkan keragaman data secara maksimum.
Komponen utama ke-j dari sejumlah p peubah dapat
dinyatakan sebagai:
yj = a1j x1 + a2jx2 + + apjxp = a'x

(1)

Dan keragaman komponen utama ke-j adalah:

Var (yj) = j; j=1, 2, , p

(3)

dengan 1>2> >p>0. Vektor ciri a sebagai

pembobot dari transformasi linier peubah asal
diperoleh dari persamaan:
| - j I| aj = 0
(4)
Total keragaman komponen utama adalah:

dan persentase total keragaman data yang mampu

dijelaskan oleh komponen utama ke-j adalah:
(j / tr()) x 100%

(6)

Persentase keragaman dianggap cukup mewakili total

keragaman jika 75% atau lebih mampu dijelaskan
oleh 4 atau 5 komponen utama pertama2).
Dari analisis keragaman belum dapat
diketahui hubungan antara peubah asal dengan
komponen utamanya. Untuk mengetahui keeratan
hubungan antara peubah ke-i dengan komponen
utama ke-j dilakukan analisis korelasi yang
dinyatakan sebagai:
rxiyj = (ai 1j) / Si

(7)

dengan 1j adalah akar ciri matriks peragam S

(penduga ).
Perhitungan PCA dengan persamaanpersamaan tersebut di atas dilakukan secara otomatis
dengan perangkat lunak Erdas Imagine.
Hasil
akhirnya berupa nilai-nilai koefisien korelasi antara
komponen utama dengan Digital Number (DN) setiap
kanal untuk seluruh tanggal atau data yang diolah.
Dari nilai yang diperoleh untuk seluruh data
kemudian dihitung nilai bulanannya, serta rata-rata
total dan rata-rata musim. Untuk musim hujan, nilai
koeisien rata-rata dihitung berdasarkan nilai pada
bulan Oktober sampai Maret, sedangkan untuk
musim kemarau dihitung dari nilai pada bulan April
sampai September.
2.2.4 Analisis Data NDVI
Analisis perbandingan korelasi komponen
utama dengan lengas tanah dan NDVI dengan lengas
tanah dilakukan berdasarkan hasil penelitian
Adiningsih, dkk.6). Nilai NDVI diperoleh dengan
menggunakan data kanal 1 dan 2 dari persamaan:
NDVI = (C2 C1) / (C1 + C2),
dengan C1 dan C2 masing-masing adalah DN pada
kanal 1 dan 2 AVHRR.
3. Hasil dan Pembahasan

(2)

1, 2, , p adalah akar ciri yang diperoleh dari

persamaan:
| - j I| = 0

(5)

Dari perhitungan tranformasi komponen

utama diperoleh nilai koefisien transformasi untuk
kelima kanal data NOAA-AVHRR harian yang
seluruhnya berjumlah 137 data. Oleh karena hasil
pengolahan yang diperoleh sangat banyak, maka
untuk memudahkan analisis dan pembahasan nilainilai koefisien transformasi tersebut selanjutnya
dihitung rata-rata bulanannya untuk periode
September 1998 sampai dengan September 1999.
Nilai koefisien komponen utama yang diperoleh
untuk setiap bulan disajikan pada Tabel 2 berikut.

JMS Vol. 9 No. 1, Maret 2004

219

Tabel 2. Koefisien Komponen Utama Pertama,

Kedua, dan Ketiga untuk Lima Kanal Data NOAAAVHRR Pulau Jawa.
Principle Tahun
Bulan
Component
PC1
1998 September
Oktober
November
Desember
1999 Maret
April
Mei
Juni
Juli
Agustus
September

1
0,3953
0,3214
0,3363
0,3877
0,3706
0,3877
0,3020
0.3983
0,3200
0.3780
0,2743

2
-0,0300
0,5457
0,3463
0,3162
-0,1400
0,3162
0,6620
-0,0558
0,0420
-0,0350
0,0371

Kanal
3
-0,0547
0,0186
0,1863
0,0262
0,1529
0,0262
0,1580
-0,1117
-0,0200
-0,2480
-0,0871

4
-0,5567
-0,386
-0,6381
-0,6477
-0,6535
-0,6477
-0.6600
-0,6625
-0,4080
-0,3680
-0,2321

5
0,1280
0,1257
0,1200
0,0954
0,1000
0,0954
0,0540
0.0633
0,0640
0,1190
0,1607

-0,0920
-0,0214
0,0794
0,0206
0,0982
-0,0146
0,0220
-0,1908
-0,0940
-0,2510
-0,0821

0,7147
0,7514
0,7494
0,7500
0,7435
0,7454
0.7420
0,7067
0,4340
0,6290
0,5400

-0,0773
-0,0450
-0,0863
-0,0675
-0,0576
-0,0438
0,0080
0,0083
0,0180
-0,0450
-0,0729

PC2

1998 September
Oktober
November
Desember
1999 Maret
April
Mei
Juni
Juli
Agustus
September

0,3493
0,2821
0,3006
0,3244
0,3247
0,3392
0,2700
0,3458
0,2540
0,3060
0,1857

-0,0780
0,4729
0,3081
0,1781
-0,0953
0,1631
0,6080
-0,1633
-0,0420
-0,0650
0,0607

PC3

1998 September
Oktober
November
Desember
1999 Maret
April
Mei
Juni
Juli
Agustus
September

0,2187
0,4650
0,4844
0,4256
0,4206
0,3562
0,4040
0,3750
0,3840
0,3140
0,5207

0,3347 -0,1473
-0,3336 0,4114
-0,1094 0,4619
-0,0331 0,4156
0,1965 0,3765
0,0006 0,4808
-0,3080 0,8520
0,3533 0,0467
0,3840 0,2640
0,4720 -0,2080
0,3307 -0,1250

0,1173 0,0267
0,0579 -0,0036
0,0275 0,0306
0,0306 0,0438
0,0453 0.0453
0,0862 0.0585
0,0840 0,1740
0,1558 -0,0550
0,0340 0,0820
0,0920 0,0570
0,0471 0,0586

Dari Tabel 2 terlihat bahwa koefisien

transformasi data kanal 1 untuk PC1, PC2, dan PC3
bernilai positif. Nilainya untuk PC1 berkisar antara
0.2743 hingga 0.3983, untuk PC2 antara 0.1957
hingga 0.3493, dan untuk PC3 antara 0.2187 hingga
0.5207. Perbedaan nilai antar bulan untuk setiap PC
disebabkan oleh perbedaan nilai digital number (DN)
data aslinya akibat perbedaan penutupan awan.
Adanya awan cenderung meningkatkan DN pada
kanal 1 karena awan bersifat memantulkan radiasi
pada spektrum tampak (spektrum kanal 1). Nilai
koefisien transformasi PC1 pada bulan September
1999 terlihat lebih rendah dari pada bulan September
1998 karena kondisi cuaca pada tahun 1998 lebih
berawan dibandingkan dengan cuaca pada tahun
1999. Hal ini juga berkaitan dengan terjadinya
fenomena La Nina pada tahun 1998 yang
menyebabkan cuaca lebih berawan. Perbedaan nilai
koefisien pada bulan September tahun 1998 dan 1999
juga terlihat dari nilai koefisien komponen utama
kedua (PC2) untuk data kanal 1, sedangkan nilai
koefisien komponen utama ketiga (PC3) untuk data
kanal 1 pada bulan September 1998 lebih rendah
daripada bulan September 1999.
Hasil PCA untuk data kanal 2 tampak sangat
beragam untuk ketiga PC. Nilai koefisien PC1 untuk
kanal ini berkisar antara -0,1400 hingga 0,5457, PC2
berkisar antara -0,1633 hingga 0,6080, dan PC3
berkisar antara -0,3336 hingga 0,4720. Beragamnya
nilai koefisien untuk data kanal 2 berhubungan
dengan spektrum kanal 2 yaitu inframerah dekat yang
menyebabkan nilai DN data aslinya sebagian
dipengaruhi oleh gabungan antara karakteristik

pantulan dan karakteristik emisi dari obyek-obyek

yang dipindai (di-scan) oleh sensor satelit. Selain itu,
perbedaan nilai koefisien yang cukup beragam untuk
kanal 2 juga disebabkan oleh keragaman nilai DN
data kanal 2 dalam menunjukkan karakteristik
kecerahan tanah (soil brightness) dari seluruh obyek
yang digambarkan oleh PC1, karateristik kehijauan
yang digambarkan oleh PC2, dan karakteristik
kelembaban yang digambarkan oleh PC3.
Hasil PCA untuk data kanal 3 juga tampak
beragam untuk ketiga PC seperti halnya data kanal 2.
Nilai koefisien PC1 untuk kanal 3 berkisar antara 0.2480 hingga 0.1863, untuk PC2 antara -0.2510
hingga 0.0982, dan untuk PC3 antara -0.2080 hingga
0.8520. Perbedaan nilai koefisien yang cukup
beragam untuk kanal 3 juga berhubungan dengan
keragaman nilai DN data kanal 3 dalam menunjukkan
karakteristik kecerahan tanah (soil brightness) dari
seluruh obyek yang digambarkan oleh PC1,
karateristik kehijauan yang digambarkan oleh PC2,
dan karakteristik kelembaban yang digambarkan oleh
PC3.
Hasil PCA untuk kanal 4 menunjukkan bahwa
nilai koefisien PC1 seluruhnya bertanda negatif yaitu
berkisar antara -0,2321 hingga 0,6625, sedangkan
untuk PC2 bertanda positif yaitu berkisar antara
0,4340 hingga 0,7514, dan untuk PC3 bertanda
positif yaitu berkisar antara 0,0275 hingga 0,1558.
Hasil PCA untuk kanal 4 yang konsisten untuk setiap
PC. Hal ini menunjukkan bahwa data kanal 4 yang
dihasilkan pada spektrum infra merah termal
mempunyai DN yang cukup baik dalam
menggambarkan karakteristik kecerahan tanah (soil
brightness) dari seluruh obyek yang digambarkan
oleh PC1, karateristik kehijauan yang digambarkan
oleh PC2, dan karakteristik kelembaban yang
digambarkan oleh PC3.
Hasil PCA untuk data kanal 5 juga tampak
beragam untuk PC2 dan PC3 seperti halnya data
kanal 2 dan kanal 3, tetapi relatif homogen untuk
PC1. Nilai koefisien PC1 untuk kanal 5 berkisar
antara 0,0540 hingga 0,1607, sedangkan untuk PC2
antara -0,0863 hingga 0,0180, dan untuk PC3 antara 0,0550 hingga 0,1740. Hal tersebut menunjukkan
bahwa data kanal 5 yang dihasilkan pada spektrum
inframerah
jauh
menunjukkan
karakteristik
kecerahan tanah (soil brightness) dari seluruh obyek
yang digambarkan oleh PC1 dengan cukup baik.
Sementara itu perbedaan nilai koefisien PC2 dan PC3
yang cukup beragam untuk kanal 5 bahwa data kanal
5 memiliki nilai DN yang kurang konsisten dalam
menggambarkan
karateristik
kehijauan
yang
ditunjukkan oleh PC2, dan karakteristik kelembaban
yang digambarkan oleh PC3.
Berdasarkan uraian di atas dapat dikemukakan
bahwa nilai koefisien transformasi berbeda antar
kanal. Umumnya koefisien bernilai positif, kecuali
beberapa nilai negatif yang diperoleh untuk kanal 2,
3, 4, dan 5. Koefisien transformasi untuk PC1 pada
kanal 1 dan 5 seluruhnya bernilai positif , untuk kanal

220

2 dan 3 sebagian bernilai positif dan sebagian lagi

bernilai negatif, sedangkan untuk kanal 4 seluruhnya
bernilai negatif. Koefisien transformasi untuk PC2
bernilai positif seluruhnya pada kanal 1 dan 4,
sedangkan pada kanal 2, 3, dan 5 sebagian bernilai
positif dan sebagian lagi bernilai negatif. Koefisien
transformasi untuk komponen utama ketiga (PC3)
bernilai positif pada kanal 1 dan 4, sedangkan pada
kanal 2, 3, dan 5 sebagian bernilai positif dan
sebagian bernilai negatif. Berdasarkan hasil tersebut
dapat dikemukakan bahwa pada kanal 1 responnya
adalah positif untuk ketiga komponen utama. Hal ini
menunjukkan bahwa hasil transformasi kanal 1
bersifat konsisten untuk semua komponen utama.
Pada kanal 4 responnya adalah negatif untuk PC1,
tetapi negatif untuk PC2 dan PC3 sehingga bersifat
konsisten untuk masing-masing komponen utama.
Sementara itu pada kanal 2, 3 dan 5 responnya tidak
konsisten. Hal ini disebabkan karakteristik spektral
kanal 2 yang mendekati kanal 1 dan karakteristik
spektral kanal 3 dan 5 mendekati kanal 4.
Koefisien transformasi yang diperoleh untuk
seluruh data sangat banyak, sehingga akan
menyulitkan dalam menerapkan hasil PCA untuk
memperoleh persamaan transformasi umum terhadap
data NOAA-AVHRR untuk mendapatkan model
pendugaan lengas tanah. Oleh sebab itu dilakukan
perhitungan nilai rata-rata total untuk seluruh PC.
Jika koefisien tersebut dirata-ratakan untuk seluruh
data yang diolah maupun untuk setiap musim, maka
diperoleh nilai akhir seperti yang disajikan pada
Tabel 3. Perhitungan rata-rata dilakukan dengan
mengelompokkan ke dalam musim karena keragaman
DN data asli cukup besar antar musim yang
diakibatkan oleh perbedaan penutupan awan.
Dari Tabel 3 dapat dilihat bahwa koefisien
transformasi rata-rata total untuk PC1 memiliki nilai
positif tertinggi untuk kanal 1, diikuti dengan kanal
2, kanal 5, dan kanal 3, sedangkan untuk kanal 4
bernilai negatif. Hal ini berarti bahwa kanal 1
memberikan bobot terbesar diikuti kanal 2, 5, dan 3,
dimana hubungannya adalah semakin besar nilai DN
setiap kanal makin besar nilai PC1. Sementara itu
hubungan yang berkebalikan diberikan oleh kanal 4,
dimana makin besar DN kanal 4 makin rendah nilai
PC1. Keadaan ini berkaitan dengan karakteristik
spektral kanal 1 dan 4 dalam merespon kondisi
lengas di permukaan bumi. Karena korelasi PC1
dengan lengas tanah adalah terbesar dibandingkan
dengan PC2 dan PC3, maka kanal 1 yang responsif
terhadap albedo permukaan dan kanal 4 yang
responsif terhadap suhu permukaan memberikan
kontribusi yang besar terhadap informasi tentang Soil
Brightness Index untuk menduga lengas tanah.

JMS Vol. 9 No. 1, Maret 2004

Tabel 3. Koefisien Rata-rata Komponen Utama

Pertama, Kedua, dan Ketiga Untuk Lima Kanal
AVHRR.
Pinciple
Periode
Component
PC 1
Rata-rata Total
Rata-rata ms.hujan
Rata-rata ms.kemarau

1
0,3493
0,3371
0,3594

2
0,1728
0,2223
0,1316

KANAL
3
0,0047
0,0189
-0,0071

4
-0,5552
-0,5415
-0,5666

5
0,1038
0,1291
0,0826

PC 2

Rata-rata Total
Rata-rata ms.hujan
Rata-rata ms.kemarau

0,2984
0,2884
0,3066

0,1225
0,1884
0,0676

-0,0478
-0,0191
-0,0717

0,6824
0,7011
0,6668

-0,0419
-0,0698
-0,0187

PC 3

Rata-rata Total
Rata-rata ms.hujan
Rata-rata ms.kemarau

0,3971
0,4229
0,3756

0,1171
0,0379
0,1831

0,2571
0,2033
0,3020

0,0707
0,0561
0,0829

0,0471
0,0312
0,0603

Nilai koefisien transformasi rata-rata untuk

PC2 memiliki nilai positif tertinggi untuk kanal 4,
diikuti dengan kanal 1, dan 2, sedangkan untuk kanal
3 dan 5 bernilai negatif. Hal ini menunjukkan bahwa
kanal 4 dan 1 sangat responsif terhadap informasi
tentang kehijauan (greenness) yang digambarkan
oleh PC2. Hal yang sama juga masih berlaku untuk
nilai rata-rata pada musim hujan maupun musim
kemarau, meskipun nilai koefisien pada musim
kemarau umumnya lebih kecil (kecuali untuk kanal 1
yang lebih besar) daripada musim hujan.
Koefisien transformasi rata-rata total untuk
PC3 memiliki nilai positif untuk semua kanal, yaitu
tertinggi untuk kanal 1, diikuti kanal 3, 2, 4, dan 5.
Hal ini menunjukkan bahwa kanal 1 paling responsif
terhadap informasi tentang kelembaban (wetness)
yang digambarkan oleh PC3. Hal yang sama juga
berlaku untuk rata-rata musim hujan dan musim
kemarau, meskipun nilai koefisien pada musim
kemarau umumnya lebih kecil daripada musim hujan.
Hubungan antara PC1, PC2, dan PC3 dengan
lengas tanah secara linier menunjukkan korelasi yang
berbeda untuk setiap komponen utama maupun untuk
kedua kedalaman tanah (0-20 cm dan >20 cm).
Komponen utama ke-1 (PC1) dapat menduga lengas
tanah pada kedalaman > 20 cm dengan koefisien
keragaman 61.4 % dan pada kedalaman 0 20 cm
dengan koefisien keragaman 83.3 %. Sementara itu
komponen utama ke-2 (PC2) dapat menduga lengas
tanah pada kedalaman > 20 cm dengan koefisien
keragaman 26.5 % dan pada kedalaman 0 20 cm
dengan koefisien keragaman 32.42 %. komponen
utama ke-3 (PC3) dapat menduga lengas tanah pada
kedalaman > 20 cm dengan koefisien keragaman 0.15
% dan pada kedalaman 0 20 cm dengan koefisien
keragaman 14.33 %. Perbedaan keragaman hasil
validasi disebabkan kondisi lengas tanah permukaan
relatif lebih dinamis dibandingkan dengan lengas
tanah di bagian yang lebih dalam. Dari analisis
keragaman tersebut terlihat bahwa PC1 merupakan
penduga kadar lengas tanah yang terbaik
dibandingkan dengan kedua komponen utama
lainnya. Persamaan korelasi antara PC1 atau SBI
dengan lengas tanah untuk dua kedalaman tanah
adalah sebagai berikut:

JMS Vol. 9 No. 1, Maret 2004

Kedalaman 0-20 cm: Lengas tanah (dalam %) = 2.47 + 0.220 SBI (R2 = 61.4 %)
Kedalaman >20 cm: Lengas tanah (dalam %) = -3.66
+ 0.202 SBI (R2 = 83.3 %)
Pada Gambar 2 disajikan citra PC1 untuk
Pulau Jawa. Hasil PC1 juga dibandingkan dengan
analisis indeks vegetasi (NDVI) yang biasa
digunakan untuk menduga lengas tanah. Hasilnya
menunjukkan bahwa koefisien keragaman (R2) antara
NDVI dengan lengas tanah adalah 67.12 % untuk
kedalaman 0-20 cm dan 65.61 % untuk kedalaman
>20 cm, sehingga dapat dijadikan penduga yang agak
lebih baik untuk lengas tanah permukaan daripada
korelasi PC1 dengan lengas tanah, tetapi NDVI
kurang baik untuk dijadikan penduga lengas tanah
Lengas tanah (%) = 0.8697 NDVI 63.068
Lengas tanah (%) = 1.6116 NDVI 134.89

221

pada kedalaman > 20 cm. Hal ini karena indeks

vegetasi hanya diturunkan dari data dua kanal
(tampak dan infra merah dekat), sehingga tidak
semua informasi kanal dapat ditampilkan. Selain itu
NDVI dapat menduga lengas dengan baik apabila
permukaan tanah tertutup oleh vegetasi, sedangkan
pada kondisi tanah terbuka nilai NDVI akan menduga
lengas tanah lebih rendah (under estimate).
Sebaliknya, indeks yang dihasilkan dari komponen
utama pertama (PC1) dapat menduga lengas tanah
pada kedua kondisi (dengan maupun tanpa vegetasi).
Hubungan antara NDVI dengan lengas tanah telah
diteliti Adiningsih, dkk.6). Adapun persamaannya
yang didapat untuk Pulau Jawa adalah:

(untuk kedalaman tanah 0-20 cm)

(untuk kedalaman tanah >20 cm)

Gambar
Principal
Component
1 atau Soil
Brightness
Index PulauIndex
Jawa dari
dataJawa
AVHRR
G
ambar2.2.Citra
Citra
Principal
Component
1 atau
Soil Brightness
Pulau
darikanal
data1, 2
dan 3 tanggal 25 Agustus 1999.
AVHRR kanal 1, 2 dan 3 tanggal 25 Agustus 1999.
4. Kesimpulan
Dari hasil penelitian ini dapat disimpulkan
bahwa transformasi komponen utama dari data
NOAA-AVHRR dapat diterapkan untuk menduga
kadar lengas tanah di Pulau Jawa. Koefisien
transformasi rata-rata total untuk PC1 memiliki nilai
positif tertinggi untuk kanal 1, diikuti dengan kanal
2, kanal 5, dan kanal 3, sedangkan untuk kanal 4
bernilai negatif. Koefisien transformasi rata-rata total
untuk PC2 memiliki nilai positif tertinggi untuk kanal
4, diikuti dengan kanal 1, dan 2, sedangkan untuk
kanal 3 dan 5 bernilai negatif. Koefisien transformasi
rata-rata total untuk PC3 memiliki nilai positif untuk
semua kanal, yaitu tertinggi untuk kanal 1, diikuti
kanal 3, 2, 4, dan 5.
Kanal 1 sangat responsif terhadap kondisi
lengas tanah, kehijauan (greenness), dan kelembaban
(wetness) seperti yang digambarkan oleh nilai PC1,

PC2, dan PC3. Kanal 4 juga responsif terhadap

kondisi lengas tanah, kehijauan (greenness), tetapi
kurang responsif terhadap kelembaban (wetness).
Komponen utama pertama (PC1) atau disebut
pula Soil Brightness Index merupakan penduga
lengas tanah terbaik dibandingkan dengan PC2 dan
PC3 maupun NDVI, yaitu dengan korelasi 61.4 %
untuk kedalaman tanah 0-20 cm dan 83.3 % untuk
kedalaman tanah >20 cm.
Daftar Pustaka
1. Dirgahayu, D., Sitanggang, G., Carolita, I., Arifin,
S., dan Surlan, Penggunaa data radar dan optik
untuk memprediksi kelengasan lahan (Studi kasus
pada areal tanaman tebu), Proyek Perencanaan
dan Peningkatan Ketatalaksanaan, Lapan, Jakarta,
1997.

222

2. Morisson, D.F., Multivariate Statistical Method,

3rd ed. McGrawHill Publishing Company,
Singapura, 1990.
3. Horler, D.N. & Ahern, F.J., Forestry information
contents of thematic data, Int. J. Remote Sensing,
7, 405-428, (1986).
4. Abdurrazak, M. N., Profil Nilai Digital Awan
dan Asap Kebakaran, Skripsi, Jurusan Statistika,
FMIPA, Institut Pertanian Bogor, Bogor, 1999.
5. Adiningsih, E.S., Prasasti, I., Effendi, I.,
Khomarudin, M.R., Wiweka, Las, I., & Impron,

JMS Vol. 9 No. 1, Maret 2004

Penentuan awal musim tanam menggunakan data

satelit lingkungan dan cuaca di pulau jawa.
Prosiding Seminar Internasional Penginderaan
Jauh dalam Pengembangan Ekonomi dan
Pelestarian Lingkungan Hidup, Jakarta, 11-12
April 2000.
6. Ernawati, Transformasi Komponen Utama Data
Citra Landsat TM5 pada Areal Tanaman Padi,
Skripsi, Jurusan Statistika, FMIPA, Institut
Pertanian Bogor, Bogor, 2001.