ESTIMASI POPULASI PENDUDUK BERDASARKAN ANALISIS REGRESI MENGGUNAKAN CITRA LANDSAT 7 ETM+ (STUDI KASUS : KOTA BANDUNG)

TUGAS AKHIR
Karya tulis sebagai salah satu syarat untuk memperoleh gelar Sarjana

Oleh Trio Andross NIM. 15107062

PROGRAM STUDI TEKNIK GEODESI DAN GEOMATIKA
FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN INSTITUT TEKNOLOGI BANDUNG BANDUNG 2011

 

LEMBAR PENGESAHAN
Tugas Akhir Sarjana ESTIMASI POPULASI PENDUDUK BERDASARKAN ANALISIS REGRESI MENGGUNAKAN CITRA LANDSAT 7 ETM+ (STUDI KASUS : KOTA BANDUNG) Adalah benar dibuat saya sendiri dan belum pernah dibuat dan diserahkan sebelumnya baik sebagian ataupun seluruhnya, baik oleh saya maupun orang lain, baik di ITB maupun institusi pendidikan lainnya. Bandung, Oktober 2011 Penulis,

Trio Andross NIM. 15107062 Bandung, Pembimbing I, Oktober 2011 Pembimbing II

Pembimbing

Prof. Dr. Ir. Ketut Wikantika, M.Eng. NIP. 196612171994021001

Dr. Ir. Kosasih Prijatna, M.Sc. NIP. 196007021988101001

Disahkan Oleh: Ketua Program Studi Teknik Geodesi dan Geomatika Fakultas Ilmu dan Teknologi Kebumian Institut Teknologi Bandung

Dr. Ir. Eka Djunarsjah, M.T.

KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Allah SWT atas berkah dan rahmat yang telah diberikan sehingga penulis dapat menyelesaikan Tugas Akhir ini. Salawat dan salam penulis ucapkan kepada Rasulullah Muhammad SAW. Tugas Akhir ini membahas tentang estimasi populasi penduduk menggunakan citra satelit dengan menggunakan analisis regresi di Kota Bandung sebaga salah satu syarat untuk menyelesaikan program pendidikan Sarjana. Dengan segala kekurangan pada Tugas Akhir ini, penulis mengharapkan kritik dan saran. Semoga Tugas Akhir ini dapat bermanfaat bagi kita semua, khususnya bagi penelitian estimasi populasi penduduk menggunakan citra satelit lebih lanjut. Selain itu penulis mengucapkan terima kasih kepada berbagai pihak yang telah membantu dalam penyelesaian Tugas Akhir ini. Bandung, September 2011

Penulis

 

i  

LEMBAR PENGHARGAAN

 

ii  

ABSTRAK
Penginderaan jauh telah sering dimanfaatkan dalam estimasi populasi penduduk. Penelitian ini mengembangkan metode untuk estimasi populasi penduduk Kota Bandung menggunakan citra Landsat 7 ETM+ dan data penduduk tiap kecamatan Kota Bandung. Nilai band spektral citra, indeks vegetasi, dan temperatur tiap kecamatan menjadi variabel bebas untuk mengestimasi kepadatan penduduk sebagai variabel terikat. Analisis regresi linear digunakan untuk mengetahui korelasi antara kedua variabel tersebut dan membentuk persamaan matematika dimana kepadatan penduduk merupakan fungsi dari variabel-variabel bebas. Persamaan matematika untuk estimasi kepadatan penduduk Kota Bandung semakin baik dalam hal akurasi dan keandalan dengan disusun oleh beberapa variabel bebas, yaitu indeks vegetasi, band spektral citra, dan temperatur. Sehingga diperoleh hasil estimasi populasi penduduk untuk Kota Bandung pada tahun 2003 dengan tingkat kesalahan dibawah 8%. Kata Kunci : Landsat 7, band spektral, indeks vegetasi, komponen utama, temperatur, regresi linear, kepadatan penduduk

 

iii  

ABSTRACT
Remote sensing has been frequently used in population estimation. This research developed a method to estimate the population of Bandung City using Landsat 7 ETM+ imagery and the population data from each district of Bandung City. The spectral bands of imagery, vegetation indices, and temperature of each district becomes independent variables to estimate the population density as the dependent variable. Linear regression analysis used to determine the correlation between the two variables and develop mathematical equations where population density is a function of the independent variables. Mathematical equations to estimate the population density of Bandung City become better in terms of accuracy and reliability, composed by several independent variables, namely vegetation index, spectral band images, and temperature. The obtained result of population estimation of Bandung City in 2003 with an error rate below 8%. Keywords: Landsat 7, spectral bands, vegetation indices, principal component, temperature, linear regression, population density

 

iv  

DAFTAR ISI
KATA PENGANTAR ............................................................................................... LEMBAR PENGHARGAAN ................................................................................... ABSTRAK................................................................................................................. ABSTRACT .............................................................................................................. DAFTAR ISI ............................................................................................................. DAFTAR GAMBAR................................................................................................. DAFTAR TABEL ..................................................................................................... BAB I 1.1 1.2 1.3 1.4 1.5 BAB II 2.1 2.2 PENDAHULUAN .................................................................................... Latar Belakang ......................................................................................... Tujuan dan Sasaran ................................................................................... Ruang Lingkup .......................................................................................... Metodologi Penelitian ............................................................................... Sistematika Penulisan ............................................................................... DASAR TEORI ........................................................................................ Penduduk ................................................................................................... Penginderaan Jauh..................................................................................... i ii iii iv v vii viii 1 1 3 3 4 6 7 7 7 8 10 12 14 15 16 19 19 20 20 21 21 22 22

2.2.1 Landsat 7 ETM+ ....................................................................................... 2.2.2 Koreksi Geometrik .................................................................................... 2.2.3 Koreksi Radiometrik ................................................................................. 2.2.4 Indeks Vegetasi ......................................................................................... 2.2.5 Temperatur ................................................................................................ 2.3 3.1 3.2 3.3 Analisis Regresi ........................................................................................ Data ........................................................................................................... Area Studi ................................................................................................. Pengolahan Citra ....................................................................................... BAB III PENGOLAHAN DATA ...........................................................................

3.3.1 Koreksi Geometrik .................................................................................... 3.3.2 Pemotongan Citra ...................................................................................... 3.3.3 Koreksi Radiometrik ................................................................................. 3.3.4 Indeks Vegetasi .........................................................................................

 

v  

3.3.5 Temperatur ................................................................................................ 3.3.6 Variabel-Variabel Citra ............................................................................. 3.4 3.5 Pengolahan Data Penduduk ...................................................................... Analisis Regresi ........................................................................................

23 23 25 27 27 31 33 35 36 36 36 36 37 37 38 38 38 39

3.5.1 Eskplorasi Data ......................................................................................... 3.5.2 Regresi Linear ........................................................................................... 3.5.3 Pengujian Persamaan Regresi ................................................................... 3.6 4.1 4.2 4.3 4.4 4.5 BAB V 5.1 5.2 Estimasi Jumlah Penduduk ....................................................................... Data ........................................................................................................... Pengolahan Citra dan Data Penduduk ....................................................... Analisis Regresi ........................................................................................ Pengujian Persamaan Regresi ................................................................... Estimasi Jumlah Penduduk ....................................................................... KESIMPULAN DAN SARAN ................................................................. Kesimpulan ............................................................................................... Saran.......................................................................................................... BAB IV ANALISIS ................................................................................................

DAFTAR PUSTAKA ................................................................................................

 

vi  

DAFTAR GAMBAR
Gambar 1.1 Diagram alir Tugas Akhir .................................................................... Gambar 2.1 Efek kualitas citra Landsat 7 ETM+ sebelum dan sesudah terjadi Kerusakan Side Line Corrector (SLC) ................................................. Gambar 3.1 Kota Bandung dengan Batas Administrasi Kecamatan........................ Gambar 3.2 Sebaran ICP pada Citra Landsat 7 ETM+ ............................................ Gambar 3.3 Pemotongan Citra ................................................................................. Gambar 3.4 Fungsi Raster Calculator pada ArcGIS ................................................ Gambar 3.5 Delapan variabel yang diperoleh dari citra Landsat 7 ETM+ .............. Gambar 3.6 Diagram pencar kepadatan penduduk terhadap delapan variabel bebas Gambar 3.7 Diagram residu untuk 13 kecamatan yang digunakan dalam pembentukan persamaan regresi .......................................................... Gambar 3.8 Diagram residu untuk 13 kecamatan yang digunakan dalam pengujian persamaan regresi ................................................................ 35 33 8 20 21 22 23 24 30 5

 

vii  

DAFTAR TABEL
Tabel 2.1 Karakteristik Band Citra Satelit Landsat 7 ETM+ dan Kegunannya ........ Tabel 2.2 Nilai LMAX dan LMIN Citra Landsat 7 ETM+ tanggal 18 Meti 2003 ... Tabel 2.3 Nilai-Nilai Konstanta Pada Perhitungan Nilai Reflektansi ....................... Tabel 2.4 Formula Indeks Vegetasi .......................................................................... Tabel 3.1 Nilai variabel yang digunakan dalam analisis regresi ............................... Tabel 3.2 Koefisien Determinasi antara kepadatan penduduk dan variabel bebas ... Tabel 3.3 26 Kecamatan Kota Bandung ................................................................... Tabel 3.4 Variabel terikat dan variabel bebas yang digunakan pada regresi linear .. Tabel 3.5 Persamaan Regresi Kepadatan Penduduk ................................................. Tabel 3.6 Hasil Pengujian Persamaan Regresi .......................................................... Tabel 3.7 Estimasi Jumlah Penduduk Kota Bandung ............................................... 9 13 14 15 26 30 31 31 32 34 35

 

viii  

BAB I PENDAHULUAN
1.1 Latar Belakang keputusan untuk perencanaan wilayah perkotaan, perencanaan

Jumlah penduduk diperlukan sebagai salah satu informasi pendukung dalam pengambilan pembangunan, pengelolaan sumber daya, dan alokasi pelayanan masyarakat. Salah satu metode untuk estimasi jumlah penduduk yang digunakan adalah sensus penduduk. Sensus penduduk merupakan kegiatan perhitungan jumlah penduduk suatu wilayah secara periodik, data yang diperoleh berupa jumlah orang, jenis kelamin, usia, ras, dan hal-hal lain yang dianggap perlu. Akan tetapi, sensus penduduk memiliki beberapa kendala, antara lain biaya mahal, waktu lama, sumber daya manusia yang banyak, dan interval waktu yang lama. Sedangkan dinamika kependudukan di suatu wilayah dapat berubah dengan cepat, karena tiga faktor, yaitu kelahiran, kematian, dan dan Weng, 2005). Teknik penginderaan jauh telah sering dimanfaatkan dalam estimasi jumlah penduduk, karena memiliki beberapa kelebihan, diantaranya luas area pengamatan, akurasi baik, dan biaya rendah (Lo, 1995). Menurut Lo (1986), secara umum, estimasi jumlah penduduk dengan menggunakan penginderaan jauh dapat diklasifikasikan dalam 4 (empat) pendekatan, sebagai berikut, (1) Berdasarkan perhitungan jumlah tempat tinggal; (2) Berdasarkan pengukuran luas area terbangun; (3) Berdasarkan pengukuran luas area terhadap guna lahan; dan (4) Berdasarkan nilai spektral. Dalam Tugas Akhir ini, pendekatan berdasarkan nilai spektral citra satelit digunakan untuk mengestimasi jumlah penduduk. Penelitian terkait dengan penginderaan jauh untuk estimasi penduduk berdasarkan spektral dan variabel turunannya dari citra satelit telah pernah dilakukan sebelumnya. Iisaka dan Hegedus (1982) mempelajari distribusi populasi penduduk pada kawasan pemukiman di Tokyo, Jepang. Dua persamaan regresi linear berganda dibentuk dimana populasi penduduk merupakan fungsi dari nilai rata-rata reflektansi berukuran 10 x 10
 

migrasi

sehingga diperlukan metode estimasi jumlah penduduk yang akurat, tepat, dan cepat (Li

1  

piksel grid untuk masing-masing band pada Landsat MSS sebagai variabel bebas. Hasilnya diperoleh nilai koefisien determinasi sebesar 0.77 dan 0.899 untuk tahun 1972 dan 1979. Selanjutnya Lo (1995) mengestimasi jumlah penduduk dengan menggunakan nilai spektral setiap piksel dan jumlah piksel dari citra satelit multispectral SPOT untuk setiap rumah di Kownloon, Hongkong. 4 buah persamaan dibentuk dengan regresi linear dimana jumlah penduduk merupakan fungsi dari beberapa variabel bebas, diantaranya, band 1, 2, dan 3 dari citra SPOT, jumlah piksel untuk perumahan dengan kepadatan penduduk tinggi dan rendah. Harvey (2002a) menggunakan 45 jenis variabel yang diperoleh dari citra Landsat TM untuk mengestimasi populasi penduduk di Ballarat, Sydney, Australia. Penelitian tersebut mengkaji hubungan antara variabel penduduk dan variabel dari citra menggunakan regresi linear dan diperoleh hasil estimasi populasi penduduk Kota Ballarat dengan tingkat kesalahan sekitar 3%. Li dan Weng (2005), mengestimasi jumlah penduduk menggunakan citra Landsat 7 ETM+ di Kota Indianapolis, Indiana, Amerika Serikat. Mereka mengestimasi jumlah penduduk dengan menggunakan pendekatan berdasarkan nilai spektral dan turunannya yang diperoleh dari citra. Penelitian tersebut, mengkaji dan menganalisis hubungan antara variabel yang diperoleh dari citra dan penduduk dengan analisis regresi sehingga diperoleh model matematika, dimana kepadatan penduduk merupakan fungsi dari satu atau lebih variabel citra yang digunakan. Pada model regresi linear tersebut, penelitian tersebut menggunakan tiga jenis variabel terikat, yaitu kepadatan penduduk, kuadrat kepadatan penduduk, dan bentuk logaritmik kepadatan penduduk, dan 24 jenis variabel bebas yang diperoleh dari citra, yang terdiri dari enam variabel band spektral citra, enam jenis indeks vegetasi, tiga variabel dari analisis komponen utama, enam jenis variabel tekstur, dua variabel dari analisis campuran spektral, dan satu variabel temperatur. Penelitian oleh Li dan Weng (2005) tersebut menjadi patokan dan panduan dalam mengerjakan tugas akhir ini. Pada tugas akhir ini, menggunakan citra Landsat 7 ETM+ untuk mengestimasi jumlah penduduk Kota Bandung dengan menggunakan analisis regresi linear.

 

2  

1.2

Tujuan dan Sasaran

Tujuan penelitian ini adalah untuk memperoleh persamaan regresi estimasi jumlah penduduk berdasarkan variabel-variabel yang diperoleh dari citra Landsat 7 ETM+ dengan analisis regresi untuk area studi berupa Kota Bandung. Sasaran yang ingin dicapai, sebagai berikut : a. b. Memahami hubungan variabel-variabel yang diperoleh dari citra Landsat 7 ETM+ dan kepadatan penduduk. Mengidentifikasi tingkat kesalahan antara jumlah penduduk yang diperoleh persamaan regresi estimasi kepadatan penduduk dengan data penduduk yang ada. 1.3 a. b. c. d. Ruang Lingkup Area studi melingkupi seluruh kecamatan di Kota Bandung, berjumlah 26 kecamatan pada tahun 2003. Data yang digunakan adalah citra Landsat 7 ETM+ dan data penduduk Kota Bandung tahun 2003. Peta Rupa Bumi wilayah Kota Bandung dengan dilengkapi batas administrasi kecamatan Kota Bandung. Analisis regresi linear digunakan untuk mengetahui korelasi antara variabel terikat dan variabel bebas dan untuk memperoleh persamaan regresi dimana kepadatan penduduk merupakan fungsi dari variabel-variabel yang diperoleh dari citra. e. f. g. Kepadatan penduduk sebagai variabel terikat dan variabel-variabel yang diperoleh dari citra sebagai variabel bebas. Basis area untuk variabel bebas dan variabel terikat adalah kecamatan. Variabel-variabel yang diperoleh dari citra yang akan digunakan ada 8 variabel antara lain, dua band spektral citra (band 5 dan band 7), lima indeks vegetasi (Simple Vegetation Index, Ratio Vegetation Index, Transformed Normalized Vegetation Index, Ratio Vegetation Index, dan Soil Adjusted Vegetation Index), dan temperatur permukaan.

Ruang lingkup dalam penelitian ini adalah :

 

3  

1.4

Metodologi Penelitian

Metodologi yang dilakukan dalam tugas akhir ini, secara umum terbagi dalam enam tahapan, sebagai berikut : a. Studi literatur, yang terkait dengan tugas akhir ini dan pengumpulan data berupa, Peta Rupa Bumi Kota Bandung, Citra Landsat 7 ETM+, dan data penduduk Kota Bandung. b. Prapengolahan citra Landsat 7 ETM+ tahun 2003, untuk Kota Bandung, dimulai koreksi geometri, pemotongan citra, dan koreksi radiometrik. c. Koreksi radiometrik berupa menkonversi nilai digital citra ke nilai radiansi dan selanjutnya menkonversi nilai radiansi ke nilai reflektansi citra. d. Transformasi Citra berupa tranformasi citra yang telah terkoreksi baik secara geometrik maupun radiometrik ke lima jenis indeks vegetasi yang digunakan dan temperatur. e. Dari citra Landsat 7 ETM+, diperoleh 8 variabel bebas, yaitu, Band 5, Band 7, SVI, RVI, TNDVI, RDVI, SAVI, dan Temperatur. Kemudian menghitung rata-rata nilai digital untuk setiap variabel bebas per kecamatan Kota Bandung. f. Pengolahan data penduduk Kota Bandung, dimulai dari jumlah penduduk kecamatan, menghitung luas kecamatan, dan menghitung kepadatan penduduk untuk setiap kecamatan. g. Explorasi data antara setiap variabel bebas terhadap variabel kepadatan penduduk sebagai variabel terikat untuk mempelajari hubungan antara kedua variabel tersebut. h. Analisis regresi linear berganda untuk pembentukan persamaan regresi, dimana kepadatan penduduk merupakan fungsi dari variabel-variabel yang diperoleh dari citra. i. Pengujian persamaan regresi yang diperoleh dengan menghitung nilai residu antara kepadatan penduduk dari data penduduk terhadap kepadatan penduduk hasil estimasi persamaan regresi. j. Estimasi jumlah penduduk Kota Bandung menggunakan persamaan regresi yang diperoleh. k. Analisis, kesimpulan, dan saran. Berikut diagram alir dari tugas akhir ini secara keseluruhan, pada Gambar 1.1 :

 

4  

Gambar 1.1 Diagram alir tugas akhir
 

5  

  1.5 Sistematika Penulisan Sistematika penulisan tugas akhir ini, sebagai berikut : BAB I PENDAHULUAN Pada bab ini akan membahas tentang latar belakang, tujuan, ruang lingkup, metodologi, dan sistematika penelitian. BAB II DASAR TEORI Pada bab ini akan menguraikan secara singkat mengenai demografi, variabel transformasi citra yang digunakan, dan konsep analisis regresi. BAB III PENGOLAHAN DATA Dalam bab ini akan dilakukan penerapan dari metodologi penelitian, yang meliputi tahapan pra pengolahan citra, pengolahan citra, transformasi citra, pengolahan data penduduk, explorasi data, analisis regresi, pembentukan persamaan regresi estimasi jumlah penduduk, pengujian persamaan regresi, dan estimasi jumlah penduduk. BAB IV ANALISIS Bab ini berisi hasil penelitian dan analisis terhadap data yang digunakan, proses pengolahan, penggunaan metode penelitian, hingga analisis hasil akhir. BAB V KESIMPULAN DAN SARAN Pada bab ini berisi kesimpulan dari keseluruhan pelaksanaan penelitian dan juga saran untuk penelitian selanjutnya.

 

6  

BAB II DASAR TEORI
2.1 Penduduk

Penduduk adalah semua orang yang berdomisili di wilayah geografis Republik Indonesia selama enam bulan atau lebih dan atau mereka yang berdomisili kurang dari enam bulan tetapi bertujuan untuk menetap. Di Indonesia, data kependudukan yang dikumpulkan bersumber pada (BPS, 2003): 1. 2. Sensus penduduk. Pelaksanaan dilakukan setiap 10 tahun sekali, tahun yang berakhiran nol. Survey Penduduk Antar Sensus. Pelaksanaanya dilakukan setiap 5 tahun sekali (diantara 2 sensus penduduk), tahun yang berakhiran angka lima (5). 3. Registrasi Penduduk. Pelaksanaannya dilakukan pada setiap pertengahan tahun dan akhir tahun. Kepadatan penduduk adalah persebaran banyaknya penduduk persatuan wilayah, untuk menghitung kepadatan penduduk digunakan rumus jumlah pneduduk dibagi luas wilayah. Jumlah penduduk yang digunakan sebagai pembilang dapat berupa seluruh penduduk di wilayah tersebut atau bagian-bagian penduduk tertentu seperti: penduduk daerah pedesaan, atau penduduk yang bekerja dibidang pertanian, sedangkan penyebut dapat berupa luas seluruh wilayah, luas daerah pertanian, atau luas daerah pedesaan (Mantra, 1985). 2.2 Penginderaan Jauh

Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang suatu objek, daerah, atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa kontak langsung dengan objek, daerah, atau fenomena yang dikaji (Lilesand & Kiefer, 1997). Data yang diperoleh dari hasil penginderaan jauh berupa citra yang menggambarkan objek yang mirip dengan wujud dan letaknya dipermukaan bumi dalam liputan yang luas (Purwadhi & Santojo, 2008). Salah satu alat yang digunakan dalam penginderaan jauh adalah satelit Landsat 7 ETM+.
 

7  

2.2.1 Landsat 7 ETM+ Landsat merupakan misi satelit untuk pengamatan bumi yang dikembangkan oleh National Aeronautics and Space Administration (NASA) dan United States Geological Survey (USGS), sistem satelit ini ditujukan untuk mengumpulkan informasi bumi dari luar angkasa. Misi satelit Landsat dimulai dengan diluncurkannya satelit Earth Resources Technology Satellite 1 (ERTS 1) yang selanjutnya dikenal sebagai Landsat 1 pada tahun 1972. Sampai saat ini misi satelit Landsat memiliki tujuh generasi mulai dari Landsat 1 hingga Landsat 7 ETM+. Satelit Landsat 7 Enhanced Thematic Mapper Plus (ETM+) merupakan generasi ketujuh dari misi satelit Landsat yang diluncurkan pada 15 April 1999 dengan tujuan untuk melakukan pembaruan dari arsip global citra di seluruh dunia dan menyediakan citra yang terbarukan dan bebas dari kontaminasi awan. Dibandingkan dengan generasi sebelumnya, Landsat 7 ETM+ memiliki peningkatan dalam hal resolusi spasial untuk band termal, penambahan band pankromatik, dan pengingkatan akurasi baik geometrik maupun radiometrik. Pada 31 Mei 2003, terjadi kerusakan pada Scan Line Corrector (SLC) di instrument sensor ETM+ sehingga menghasilkan kualitas citra bergaris-garis seperti yang terlihat pada Gambar 2.1. Untuk itu, data citra Landsat 7 ETM+ dengan kualitas baik hanya tersedia mulai dari April 1999 hingga Mei 2003.

Gambar 2.1 Efek kualitas citra Landsat 7 ETM+ sebelum dan sesudah terjadi kerusakan Side Line Corrector (SLC).

 

8  

Landsat 7 ETM+ memiliki enam band multispektral dengan resolusi spasial 30 meter (band 1, 2, 3, 4, 5, dan 7), dua band inframerah termal (band 6a dan 6b) dengan resolusi spasial 60 meter, dan satu band pankromatik (band 8) dengan resolusi spasial 15 meter. Setiap band spektral pada Landsat 7 ETM+ memiliki karakteristik dan kegunaan masing-masing yang disajikan pada Tabel 2.1. Dalam penelitian ini, digunakan band 5 dan band 7 karena band 5 sensitif terhadap kelembaban tanah dan band 7 untuk pembedaan antara batuan, tanah, dan air. Selain itu, pada penelitian oleh Li dan Weng (2005) menunjukkan band 5 dan band 7 memiliki pengaruh terhadap variabel penduduk. Tabel 2.1 Karakteristik band spektral citra satelit Landsat 7 ETM+ dan kegunaannya Band 1 2 3 4 5 6 7 Panjang Gelombang (µm) 0.45 – 0.52 0.52 - 0.60 0.63 – 0.69 0.76 – 0.90 1.55 – 1.75 10.40 – 12.50 2.08 – 2.35 Spektral Biru Hijau Merah Inframerah Dekat Inframerah Sedang I Inframerah Termal Inframerah Sedang II Kegunaan Penetrasi tubuh air, analisis penggunaan lahan, tanah, dan vegetasi. Berguna dalam pemetaan area pesisir. Pengamatan puncak pantulan vegetasi pada saluran hijau unutk mengetahui kesehatan vegetasi. Membedakan jenis vegetasi. Penyerapan oleh klorofil. Memudahkan pembedaan lahan terbuka dan lahan bervegetasi. Peka terhadap biomassa vegetasi. Berguna untuk delineasi air dan tanah Pembedaan jenis vegetasi, kandungan air pada tanaman, dan kondisi kelembaban tanah. Berguna juga dalam membedakan antara salju dan awan. Untuk membedakan formasi batuan dan untuk pemetaan hidrotermal. Klasifikasi vegetasi, pembedaan kelembaban tanah, analisis gangguan vegetasi, pembedaan antara tanah, batuan, dan air.

8

0.52 – 0.90

Sinar Tampak & Observasi objek di permukaan bumi dengan Inframerah resolusi spasial lebih tinggi. Dekat (Sumber : Gao, 2009)

 

9  

2.2.2 Koreksi Geometrik Kesalahan geometrik pada citra satelit dapat terjadi secara sistematis dan non-sistematis (Jenson, 1996). Sistematis didokumentasikan dengan baik oleh sistem satelit, beberapa diantaranya adalah scan skew, mirror-scan velocity, distorsi panorama, kecepatan platform, perspektif dan rotasi bumi. Sedangkan secara non-sistematis atau acak disebabkan oleh variasi waktu dalam sudut posisi, sikap dari platform satelit, sikap sensor pada saat satelit mengindera bumi, kelengkungan bumi, rotasi bumi, dan adanya perbedaan ketinggian dari permukaan bumi yang diindera. Akibat dari kesalahan geometrik ini, maka posisi piksel dari citra satelit tersebut tidak sesuai dengan posisi yang sebenarnya. Untuk memperbaiki kesalahan geometrik yang terjadi, maka harus dilakukan koreksi geometrik. Koreksi geometrik pada citra satelit terdiri dari tiga tahap, yaitu penentuan titik kontrol tanah, transformasi koordinat citra, dan interpolasi perhitungan ulang (resampling) nilai digital (Zainuddin, 2010). Titik kontrol tanah (Ground Control Point, GCP) merupakan titik atau objek yang dapat diidentifikasi pada citra dan pada peta referensi yang digunakan sebagai titik sekutu dalam transformasi koordinat. Setelah itu dapat dibentuk hubungan matematis untuk melakukan transformasi koordinat. Proses transformasi koordinat yang dilakukan menggunakan model polinomial derajat satu atau transformasi affine-2D, metode ini digunakan karena distorsi pada citra yang tidak terlalu besar. Berikut adalah persamaan dasar dari transformasi affine-2D (Soedomo & Sudarman, 2004): ! = !  ! + !  ! + !! ! = !  ! + !  ! + !! (2.1) (2.2)

Dimana (X,Y) adalah koordinat titik pada sistem koordinat setelah transformasi , (x,y) adalah koordinat titik pada sistem koordinat sebelum transformasi, serta a, b, c, d, C1, dan C2 adalah parameter transformasi. Untuk menentukan 6 parameter transformasi tersebut diperlukan minimal 6 persamaan sehingga butuh minimal 3 titik sekutu. Setelah parameter transformasi dipecahkan, maka dilakukan transformasi koordinat dari sistem koordinat citra lama ke sistem koordinat citra yang baru.

 

10  

Tahap terakhir adalah menghitung ulang nilai digital (resampling) untuk piksel dalam citra hasil transformasi berdasarkan nilai piksel dalam citra sebelum transformasi. Image resampling adalah suatu proses pengisian intensitas grid citra hasil transformasi berdasarkan intensitas grod citra sebelum transformasi untuk mencari nilai kecerahan pada citra hasil transformasi (Wibowo, 2010). Proses ini dilakukan untuk menempatkan nilai kecerahan dari piksel citra masukan dan mengisinya pada piksel citra keluaran. Salah satu metode yang digunakan dalam image resampling adalah metode tetangga terdekat (nearest neighbor). Metode ini merupakan metode paling sederhana dalam proses image resampling, prinsipnya adalah nilai intensitas piksel pada koordinat yang baru ditentukan berdasarkan nilai intensitas piksel pada koordinat asal dengan menghitung jarak yang paling dekat. Keuntungan dalam penerapan metode tetangga terdekat adalah nilai kecerahan pada masing-masing piksel yang terdapat di citra keluaran akan sama pada citra aslinya, karena metode ini tidak membuat nilai intensitas yang baru yang dapat mengubah informasi yang ada di dalam citra masukan, sehingga informasi yang terdapat pada citra masukan dan keluaran akan tetap sama. Untuk mengetahui penyimpangan koordinat titik hasil transformasi dengan koordinat titik pada peta atau citra referensi yang direpresentasikan dengan harga deviasi standar. Deviasi standar mengindikasikan tingkat kepresisian GCP pada citra dan tingkat kepresisian dari perataan yang dilakukan (Ramadhani, 2010). !! =    !! =  
! ! !!!(!! !  !! )

!!!
! ! !!!(!! !  !! )

(2.3) (2.4) (2.5)

!!!

!!,! =   !! ! +   !! !  

Dimana (X,Y) adalah koordinat citra hasil koreksi geometrik, (!, !) adalah koordinat titik kontrol tanah pada bidang referensi, n adalah jumlah pengamatan, u adalah jumlah parameter, σX adalah deviasi standar komponen X, σY adalah deviasi standar komponen Y, dan σX,Y adalah deviasi standar resultan. Untuk mengetahui tingkat ketelitian koordinat citra yang telah dikoreksi geometrik dapat dilakukan dengan menempatkan Independent Check Point (ICP) secara merata
 

11  

didalam kawasan cakupan GCP pada citra yang dikoresi. Tingkat ketelitian dari ICP dapat ditentukan oleh nilai dari akar kuadrat rata-ratanya (Root Mean Square Error, RMSE) dengan persamaan (Zainuddin, 2010) : !"#!""#" =  
! ! ! !!!(!! !  !! ) !  (!! !  !! )

!

(2.6)

Dimana (X,Y) adalah koordinat citra hasil koreksi geometrik, (!, !) adalah koordinat titik kontrol tanah pada bidang referensi, dan n adalah jumlah pengamatan. Perhitungan RMSE dilakukan dengan menguji beberapa titik pada citra hasil koreksi geometrik terhadap titik kontrol tanah yang telah direferensi menggunakan sistem proyeksi tertentu. Prinsip dari perhitungan RMSE ini dilakukan untuk mengetahui tingkat keakurasian geometrik citra yang dikoreksi. Koreksi geometrik yang baik dapat dilihat dari hasil perhitungan nilai standar deviasi dan RMSE-nya. Secara umum nilai-nilai tersebut kurang dari satu pada setiap piksel. Apabila nilainya lebih besar dari satu, maka terdapat kemungkinan bahwa citra tersebut masih mengalami distorsi (Purwadhi & Santojo, 2008). 2.2.3 Koreksi Radiometrik Pada saat satelit memindai permukaan bumi, sensor yang terdapat di satelit menerima pantulan gelombang elektromagnetik yang dipantulkan oleh permukaan bumi dan menyimpan informasi-informasi tersebut dalam nilai spektral yang direpresentasikan dalam nilai digital (digital number, DN) untuk setiap piksel pada citra (Smith, 2005). Informasi yang disimpan berdasarkan pada kondisi kalibrasi sensor dan lingkungan pada waktu pemindaian permukaan bumi, maka data citra satelit yang diambil pada waktu yang berbeda juga memiliki informasi yang berbeda pula. Oleh karena perbedaan informasi itu, harus dilakukan suatu koreksi yakni dengan mengubah nilai digital setiap piksel ke nilai reflektan untuk setiap piksel pada citra satelit sebagai kompensasi dari perbedaan kondisi kalibrasi sensor dan lingkungan pada setiap waktu pengambilan data oleh satelit (Gao, 2009). Koreksi radiometrik diperlukan karena pendekatan yang digunakan dalam penelitian ini untuk mengestimasi populasi penduduk, yaitu berdasarkan nilai spektral citra, untuk itu diperlukan nilai reflektansi dari objek permukaan bumi.

 

12  

Untuk mengubah DN ke nilai reflektan, maka DN harus diubah ke nilai radiansi terlebih dahulu, setelah itu nilai radiansi dikonversi ke nilai reflektansi (Smith, 2005). Radiansi didapatkan dari DN dengan persamaan sebagai berikut :
!"# !! = !!!"# !!" . !" − !"!"# +   !!"# !"# !"#

!

!!

(2.7)

Dimana L adalah nilai radiansi setiap piksel dalam (W m-2 sr-1 m-1), λ adalah band spektral, DNMIN = 1, DNMAX = 255, LMIN dan LMAX adalah nilai radiansi untuk setiap band pada DNMIN dan DNMAX. Dan DN merupakan nilai digital untuk setiap piksel pada citra satelit. Nilai LMINλ dan LMAXλ dalam (W m-2 sr-1 m-1) untuk data citra Landsat 7 ETM+ tanggal 18 Mei 2003 yang diperoleh dari metadata citra tersaji pada Tabel 2.2. Tabel 2.2 Nilai LMAX dan LMIN citra Landsat 7 ETM+ tanggal 18 Mei 2003 Band Band 1 Band 2 Band 3 Band 4 Band 5 Band 7 Band 61 Band 62 LMAX 191.6 196.5 152.9 241.1 31.06 10.8 17.04 12.65 LMIN -6.2 -6.4 -5 -5.1 -1 -0.35 0 3.2

Nilai radiansi dikonversi menjadi nilai reflektansi dengan persamaan (Smith, 2005) : ρ! = !
!.!! .! !
!"#$ .!"#(!! )

(2.8)

Dimana ρ adalah nilai reflektansi pada lapisan atas atmosfir untuk setiap piksel pada citra, Lλ adalah nilai radiansi diperoleh dari persamaan 2.7, Esunλ adalah konstanta radiansi exoatmosferik matahari, θs adalah sudut zenith matahari dalam derajat, π sebesar 3.14159 dan d adalah jarak bumi-matahari dalam unit astronomi (UA). Tabel 2.3 menampilkan nilai-nilai konstanta yang digunakan dalam perhitungan nilai reflektansi untuk band multispektral pada citra Landsat 7 ETM+.

 

13  

Tabel 2.3 Nilai – nilai konstanta pada perhitungan nilai reflektansi Band 1 2 3 4 5 7 2.2.4 Indeks Vegetasi Indeks vegetasi adalah nilai yang diperoleh dari algoritma matematika yang melibatkan 2 atau lebih band spektral pada citra untuk memperoleh informasi dan karakteristik mengenai vegetasi (Jackson dan Huete, 1991). Fenomena penyerapan cahaya merah oleh klorofil (0.4 µm – 0.7 µm) pada vegetasi dan pemantulan cahaya inframerah dekat oleh jaringan mesofil (0.7 µm – 1.1 µm) pada daun akan membuat nilai kecerahan yang diterima sensor berbeda (Sudiana & Diasmara, 2008). Indeks vegetasi dapat dihitung secara rasio, selisih, selisih rasio, penjumlahan, perkalian, dan kombinasi linear lainnya dari band spektral sehingga muncul berbagai jenis indeks vegetasi tergantung algoritma matematika yang digunakan untuk memperoleh informasi dan karakteristik mengenai vegetasi (Jackson dan Huete, 1991). Jackson dan Huete (1991), menyatakan ada dua jenis algoritma matematika yang digunakan untuk memperoleh indeks vegetasi secara umum, yaitu indeks vegetasi dengan rasio dan kombinasi linear. Indeks vegetasi dengan rasio merupakan perbandingan antara dua band spektral, atau perbandingan jumlah, selisih, atau perkalian dari band spektral. Sedangkan indeks vegetasi dengan kombinasi linear adalah algoritma atau formula matematika berupa persamaan linear dari n band spektral. Munculnya berbagai jenis indeks vegetasi disebabkan beberapa faktor dalam memperoleh informasi dan karakteristik mengenai vegetasi (Jackson dan Huete, 1991), diantaranya efek atmosfer, tingkat kejenuhan, efek pantulan dari tanah, efek struktur kanopi, dan efek topografi. ESUN 1969 1840 1551 1044 225.7 82.07 θs 39.7683105 39.7683105 39.7683105 39.7683105 39.7683105 39.7683105 D (UA) 1.011 1.011 1.011 1.011 1.011 1.011

 

14  

Pada tugas akhir ini akan digunakan beberapa indeks vegetasi, yaitu SVI (Simple Vegetation Index), RVI (Ratio Vegetation Index), TNDVI (Transformed Normalized Difference Vegetation Index), RDVI (Renormalized Difference Vegetation Index), dan SAVI (Soil Adjusted Vegetation Index). Asumsinya, pada daerah bervegetasi tinggi maka memiliki area terbangun yang kecil sehingga memiliki kepadatan penduduk rendah, begitupula sebaliknya, pada daerah bervegetasi rendah memiliki area terbangun yang luas sehingga memiliki kepadatan penduduk tinggi. Kelima jenis indeks vegetasi digunakan untuk mengetahui indeks vegetasi yang lebih berpengaruh terhadap kepadatan penduduk berdasarkan analisis regresi. Formula untuk setiap indeks vegetasi pada tabel 2.4 dimana pada Landsat 7 ETM+, NIR merupakan nilai reflektansi Band 4 dan RED merupakan nilai reflektansi Band 3. Tabel 2.4 Formula indeks vegetasi Indeks Vegetasi SVI RVI TNDVI !"# − !"# !"# !"# !"# − !"# + 0.5 !"# + !"# !"# − !"# !"# + !"# 1 + ! !"# − !"# !"# + !"# + ! ! = 0.5 (Sumber : Li dan Weng, 2005) 2.2.5 Temperatur Temperatur permukaan diperoleh dari band 6 citra Landsat 7 ETM+ dengan melalui 3 tahap (Li dan Weng, 2005), yaitu (1) Konversi nilai setiap piksel ke nilai radiansi; (2) Konversi nilai radiansi ke nilai temperatur dalam Kelvin; dan (3) konversi temperatur dari Kelvin ke Celcius. Konversi nilai setiap piksel ke nilai radiansi menggunakan persamaan 2.7, selanjutnya nilai radiansi band 6 dikonversi ke temperatur permukaan menggunakan persamaan (Schott dan Volchok, 1985) : Formula (2.9) (2.10) (2.11)

RDVI

(2.12)

SAVI

(2.13)

 

15  

!!   °! =

!"

!! !!  ×  ! !! !!

(2.14)

!!   °! merupakan temperatur permukaan dalam kelvin, !! adalah nilai radiansi diperoleh dari persamaan 2.7, ! adalah konstanta emisivitas bernilai 0.95, !! dan !! merupakan konstanta kalibrasi satelit diperoleh dari buku manual satelit Landsat. Nilai !! dan !! untuk satelit Landsat 7 ETM+ adalah 666.09 dan 1282.71. Untuk memperoleh temperatur permukaan dalam Celsius : !!   °! =   !!   °! − 273 (2.15)

Dalam penelitian ini, temperatur permukaan digunakan sebagai salah satu variabel yang diasumsikan memiliki pengaruh terhadap kepadatan penduduk, karena pada daerah yang memiliki temperatur permukaan lebih tinggi yang disebabkan oleh area terbangun dan aktivitas manusia yang tinggi sehingga menyebabkan memiliki kepadatan penduduk yang tinggi. 2.3 Analisis Regresi

Regresi merupakan suatu prosedur untuk menganalisis hubungan antara sebuah variabel tidak bebas dengan satu atau lebih variabel bebas, untuk itu, dalam regresi ada dua tujuan utama (Mangkuatmodjo, 2004) : 1. Memperoleh suatu persamaan dan suatu garis yang menyajikan persamaan itu untuk menggambarkan bentuk hubungan antara variabel-variabel. Persamaan dan gambar itu disebut persamaan regresi dan garis regresi. 2. Menaksir suatu variabel tidak bebas dari variabel-variabel bebas berdasarkan hubungan yang digambarkan dengan persamaan regresi Regresi melibatkan dua buah jenis variabel, yaitu variabel bebas dan variabel tidak bebas. Variabel bebas (atau variabel tidak bergantung atau independent atau prediktor atau X) merupakan variabel yang berubah-ubah tanpa adanya pengaruh variabel atau variabel-variabel yang lain. Tetapi sebaliknya, sesuatu perubahan yang terjadi pada variabel bebas akan mengakibatkan terjadinya perubahan pada variabel terikat. Variabel tidak bebas (atau variabel terikat atau dependent atau Y) merupakan variabel yang

 

16  

hanya akan berubah manakala terjadi perubahan pada variabel bebas. Kedua jenis variabel tersebut kadang-kadang saling berhubungan satu sama lainya tetapi juga tidak. Bentuk hubungan antara variabel bebas (X) dan variabel terikat (Y) dapat berupa hubungan negatif atau positif dan hubungan linear atau nonlinear. Salah satu bentuk hubungan matematis antara variabel terikat (Y) dan variabel bebas X berupa hubungan linear yang dikenal sebagai regresi linear (Sudjana, 2003). Regresi Regresi linear adalah prosedur regresi yang digunakan untuk mengetahui hubungan linear antara variabel terikat (dependent, Y) dengan satu atau lebih variabel bebas (independent, X). Jika hanya ada satu variabel terikat dan satu variabel bebas dikenal sebagai regresi linear sederhana. Sedangkan, untuk satu variabel terikat dengan lebih dari satu variabel bebas disebut sebagai regresi linear berganda. Bentuk umum persamaan regresi linear, (Sudjana, 2003) : ! = ! + !! !! + !! !! + ⋯ + !! !! (2.16)

Dimana, Y adalah variabel terikat, X adalah variabel bebas, a merupakan konstanta persamaan regresi, dan b merupakan nilai koefisien dari tiap variabel bebas. Apabila ada lebih dari 1 pengamatan (m), maka :
! ! ! ! !! = ! + !!  !! + !!  !! + !!  !! + ⋯ + !!  !! ! ! ! ! !! = ! + !!  !! + !!  !! + !!  !! + ⋯ + !!  !! ! ! ! ! !! = ! + !!  !! + !!  !! + !!  !! + ⋯ + !!  !!

⋮ (2.17)

! ! ! ! !! = ! + !!  !! + !!  !! + !!  !! + ⋯ + !!  !!

Dalam bentuk matriks, ! = !  !
! !! 1 !! ! !! 1 !! ! !! =   1 !! ⋮ ⋮        ⋮   ! 1 !! !! ! !! ! !! ! !!      ⋮     ! !! ! !! ⋯ ! !! ⋯ ! !! ⋯    ⋮       ⋱ ! !! ⋯

(2.18) ! ! !! !! ! !! !! ! !!     !! ⋮ ⋮ ! !! !! (2.19) 17  

! =    ! !    !  
 

!!

     ! !    !  

Dimana, ! merupakan vektor variabel terikat, ! merupakan matrik dari variabel bebas, dan ! adalah vektor koefisien dari persamaan regresi. Koefisien determinasi (R2) adalah ukuran yang dapat digunakan untuk mengetahui besarnya perngaruh variabel bebas terhadap variabel terikat dan untuk mengetahui seberapa baik persamaan regresi yang diperoleh (Mangkuatmodjo, 2004). Nilai R2 berkisar dari 0 hingga 1 artinya jika R2 bernilai 0 maka variabel bebas tidak memiliki pengaruh sama sekali terhadap variabel terikat dan persamaan regresi yang dihasilkan tidak bisa digunakan untuk memprediksi nilai variabel terikat (Y), begitupula sebaliknya jika nilai R2 semakin mendekati 1 maka variabel bebas semakin berpengaruh terhadap variabel terikat. Nilai R2 diperoleh dengan menggunakan persamaan sebagai berikut (Sudjana, 2003) : !! =  
! !    ! !    !  !    !  ! !    ! !    !  !    !  ! !

(2.20)

! ! merupakan transpose dari vektor !, ! ! adalah transpose matriks !, dan !′ adalah transpose matrik !. !, X, dan ! diperoleh dari persamaan (2.17). ! merupakan rata-rata nilai variabel terikat dari setiap pengamatan dan m merupakan jumlah pengamatan. Persamaan regresi yang dihasilkan dapat digunakan untuk memprediksi atau mengestimasi nilai variabel terikat (Y) dengan masukan berupa nilai variabel bebas (X) (Sudjana, 2003). Nilai estimasi variabel terikat (Y) dari persamaan regresi yang diperoleh, memiliki perbedaan antara nilai sebenarnya (true value) dan nilai estimasi (estimated value) yang dikenal sebagai nilai residual. Maka, pengujian persamaan regresi yang diperoleh dilakukan dengan menghitung nilai residual, antara kepadatan penduduk kecamatan dari data penduduk dengan kepadatan penduduk kecamatan hasil estimasi persamaan regresi.

 

18  

BAB III PENGOLAHAN DATA
3.1 1. Data Data citra Landsat 7 ETM+ tahun 2003 (Sumber : LAPAN). Citra Landsat 7 ETM+ tahun 2003 (Row/Path:122/065) diambil pada tanggal 18 Mei 2003. Citra Landsat 7 ETM+ yang digunakan dalam tugas akhir ini terdiri dari enam band multispektral (band 1, 2, 3, 4, 5, dan 7) dan satu band termal (band 6). 2. Data penduduk Kota Bandung tahun 2003. Data penduduk Kota Bandung tahun 2003 berupa data jumlah penduduk untuk setiap kecamatan di Kota Bandung, diperoleh dari ‘Bandung Dalam Angka Tahun 2003’ dikeluarkan oleh kerjasama Badan Pusat Statistik Kota Bandung dan Badan Perencanaan Daerah Kota Bandung. 3. Peta Rupa Bumi Indonesia Kota Bandung dan Jawa Barat (Sumber : Center Of Remote Sensing Institut Teknologi Bandung). Digunakan untuk dalam proses koreksi geometrik citra Landsat 7 ETM+, pemotongan citra untuk Kota Bandung, dan digitasi batas administrasi kecamatan Kota Bandung. Dalam pengerjaan tugas akhir ini digunakan beberapa peralatan pendukung untuk pengolahan data, sebagai berikut : 1. 2. Satu set komputer. ArcGIS 9.3, digunakan dalam proses pengolahan citra, digitasi batas administrasi kecamatan Kota Bandung, perhitungan luas kecamatan, dan perhitungan nilai ratarata variabel yang diperoleh dari citra untuk setiap kecamatan. 3. 4. MatLAB untuk regresi linear antara variabel-variabel bebas yang diperoleh dari citra dan variabel terikat berupa kepadatan penduduk tiap kecamatan. Microsoft Excel, digunakan sebagai alat bantu untuk perhitungan dan penyusunan data yang diperoleh.

Data yang digunakan secara umum ada 2 data utama dan 1 data pendukung, yaitu :

 

19  

3.2

Area Studi

Kota Bandung terletak di wilayah Jawa Barat dan merupakan Ibukota Propinsi Jawa Barat. Kota Bandung terletak pada posisi 6o 50’ 23.24” LS – 6o 58’ 05.48” LS dan 107o 33’ 37.37” BT – 107o 44’ 20.54” BT dengan wilayah seluas 152.833 km2. Pada tahun 2003, Kota Bandung memiliki 26 kecamatan yang terlihat pada Gambar 3.1 dan berdasarkan ‘Bandung Dalam Angka Tahun 2003’ Kota Bandung memiliki jumlah penduduk sebanyak 2.228.267 jiwa.

Gambar 3.1 Kota Bandung dengan batas administrasi kecamatan 3.3 Pengolahan Citra

Pengolahan citra mencakup tahap prapengolahan citra, tahap transformasi citra, dan tahap penghitungan nilai rata-rata variabel-variabel bebas untuk setiap kecamatan. Tahap prapengolahan citra dimulai dari koreksi geometrik citra, pemotongan citra, dan koreksi radiometrik citra. Hasil tahap prapengolahan citra akan dilakukan transformasi citra menghasilkan 8 variabel bebas. Kemudian, untuk setiap variabel bebas yang diperoleh akan dihitung nilai digital rata-rata piksel yang tercakup dalam tiap kecamatan Kota Bandung.
 

20  

3.3.1 Koreksi Geometrik Dalam tugas akhir ini, citra Landsat 7 ETM+ yang digunakan telah terkoreksi geometrik sehingga sistem koordinat citra sudah dalam sistem proyeksi Universal Transverse Mercator (UTM). Untuk itu, citra Landsat 7 ETM+ yang telah terkoreksi tersebut akan diuji kembali menggunakan Independent Check Point (ICP) dengan membandingkan koordinat citra yang telah terkoreksi dengan koordinat referensi, dalam hal ini digunakan peta RBI. Independent Check Point (ICP) yang dipilih haruslah dapat diidentifikasi pada citra dan pada peta RBI dan sebaran ICP merata. Ketelitian dari ICP ini ditentukan oleh nilai Root Mean Square Error (RSME) yang dihitung menggunakan persamaan 2.6. ICP yang digunakan sebanyak 12 titik dengan objek yang dapat diidentifikasi dan diketahui koordinatnya pada citra satelit dan peta RBI berupa perpotongan sungai, tepi danau, dan perpotongan jalan. Sebaran ICP terlihat pada Gambar 3.2 dan hasil dari pengecekan ketelitian diperoleh RMSE sebesar 8.895 meter.    

Gambar 3.2 Sebaran ICP pada Citra Landsat 7 ETM+ 3.3.2 Pemotongan Citra Citra satelit Landsat 7 ETM+ yang digunakan mencakup wilayah Propinsi Jawa Barat, untuk kemudahan dalam pengolahan citra, visualisasi, dan spesifikasi area studi, maka citra Landsat 7 ETM+ tersebut dipotong sesuai dengan area studi berupa Kota Bandung pada Gambar 3.3.

 

21  

Gambar 3.3 Pemotongan citra 3.3.3 Koreksi Radiometrik Citra Landsat 7 ETM+ terdiri dari 6 band spektral. Pada saat perekaman dan penyimpanan citra nilai dari tiap piksel yang disimpan berkisar dari 0 – 255 dan bukan nilai sebenarnya dari objek atau informasi yang ada dipermukaan bumi. Untuk itu perlu dilakukan koreksi radiometrik untuk setiap band pada citra satelit untuk mengembalikan nilai sebenarnya berupa nilai reflektansi dari objek atau informasi tersebut. Untuk menkonversi nilai digital (digital number, DN) ke nilai reflektansi, ada 2 tahap, yaitu tahap pertama, menkonversi DN ke nilai radiansi menggunakan persamaan 2.7 dan tahap kedua, menkonversi nilai radiansi ke nilai reflektansi menggunakan persamaan 2.8. Hasil dari koreksi radiometrik berupa nilai reflektansi dari tiap band multispektral (band 1, 2, 3, 4, 5, dan 7) citra Landsat 7 ETM+, dimana band 5 dan band 7 digunakan sebagai variabel bebas untuk analisis regresi linear, sedangkan band 3 dan band 4 digunakan untuk transformasi citra ke beberapa indeks vegetasi. 3.3.4 Indeks Vegetasi Indeks vegetasi yang digunakan sebagai variabel bebas ada lima jenis indeks vegetasi. Untuk menghitung indeks vegetasi diperlukan masukan berupa band 3 dan band 4 dari citra Landsat 7 ETM+ yang telah terkoreksi. Selanjutnya dengan menggunakan raster calculator pada toolbar Spatial Analyst (Gambar 3.4) di ArcGIS 9.3 dan formula pada Tabel 2.4 maka menghasilkan lima citra indeks vegetasi.

 

22  

Gambar 3.4 Fungsi Raster Calculator pada ArcGIS 3.3.5 Temperatur Temperatur permukaan diperoleh dari konversi DN ke nilai radiansi (persamaan 2.7), konversi nilai radiansi ke temperatur dalam Kelvin (persamaan 2.14), dan konversi temperatur dalam Kelvin ke Celcius (persamaan 2.15). Ketiga tahapan tersebut diproses menggunakan raster calculator pada toolbar Spatial Analyst dengan masukan berupa band 6 citra Landsat 7 ETM+. 3.3.7 Variabel-Variabel Citra Penelitian menggunakan 8 variabel bebas yang diperoleh dari citra Landsat 7 ETM+, yaitu band 5 (B50), band 7 (B70), Simple Vegetation Index (SVI), Ratio Vegetation Index (RVI), Transformed Normalized Difference Vegetation Index (TNDVI), Renormalized Difference Vegetation Index (RDVI), Soil Adjusted Vegetation Index (SAVI), dan Temperatur (TEMP). Hasil pengolahan citra untuk 8 variabel bebas tersebut disajikan pada Gambar 3.5.

 

23  

(a) Band 5

(b) Band 7

(c) SVI

(d) RVI

(e) TNDVI

(f) RDVI

(g) SAVI

(h) TEMP

Gambar 3.5 Delapan variabel yang diperoleh dari citra Landsat 7 ETM+

 

24  

Dalam analisis regresi, dibutuhkan variabel bebas yang berhubungan dengan variabel terikat berupa kepadatan penduduk tiap kecamatan. Untuk itu, setiap variabel bebas akan dihitung rata-rata dari nilai digital setiap piksel yang tercakup dalam tiap kecamatan. Sehingga satu kecamatan memiliki 8 nilai rata-rata variabel bebas. Untuk menghitung nilai rata-rata setiap variabel bebas untuk 26 kecamatan menggunakan fungsi Zonal Statistics pada toolbar Spatial Analyst di ArcGIS 9.3. Fungsi Zonal Statistics memiliki masukan berupa citra raster dalam hal ini delapan variabel bebas pada Gambar 3.5 dan batas administratif kecamatan Kota Bandung dalam data vektor dengan format shapefile dan menghasilkan keluaran berupa nilai rata-rata tiap variabel bebas untuk 26 kecamatan, yang disajikan pada Tabel 3.1. 3.4 Pengolahan Data Penduduk

Sumber data penduduk yang digunakan dalam penelitian ini berupa publikasi Badan Pusat Statistik yang masih dalam bentuk jumlah penduduk. Sedangkan untuk analisis regresi yang digunakan sebagai variabel terikat (Y) adalah kepadatan penduduk. Kepadatan penduduk merupakan rasio antara jumlah penduduk dan luas wilayah, dalam hal ini, kepadatan penduduk untuk tiap kecamatan adalah rasio jumlah penduduk kecamatan dan luas kecamatan. Luas kecamatan diperoleh dengan menghitung luas wilayah tiap kecamatan dengan batas administrasi kecamatan diperoleh dari peta RBI. Untuk itu, batas administrasi perlu didigitasi ke dalam bentuk vektor dengan fungsi Calculate Geometry pada ArcGIS dapat diperoleh luas setiap kecamatan Kota Bandung. Kepadatan penduduk untuk tiap kecamatan disajikan pada Tabel 3.1.

 

25  

Tabel 3.1 Nilai Variabel yang Digunakan Dalam Analisis Regresi
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 Kecamatan Rancasari Cidadap Arcamanik Ujungberung Sukasari Bandung Kidul Cibiru Margacinta Bandung Wetan Sumurbandung Bojongloa Kidul Cibeunying Kaler Cicendo Lengkong Bandung Kulon Babakan Ciparay Coblong Regol Cicadas Sukajadi Kiaracondong Astana Anyar Andir Batununggal Cibeunying Kidul Bojongloa Kaler Luas (km2) 13.960 7.683 6.669 7.595 7.545 4.292 7.445 9.780 3.082 3.074 5.408 4.931 6.337 4.993 8.033 7.759 7.091 4.036 5.014 5.024 5.219 2.992 4.141 4.205 3.731 2.783 Jumlah Piksel 15512 8537 7411 8439 8384 4769 8273 10867 3425 3416 6009 5479 7042 5548 8926 8622 7879 4485 5572 5583 5799 3325 4602 4673 4146 3093 Jumlah Penduduk (Jiwa) 64320 48599 62389 76670 76345 44518 79198 106065 36683 38231 75848 69802 90442 73162 126860 126114 117532 77164 98423 99833 124753 71847 100022 119221 108636 115590 Kepadatan Penduduk (Jiwa/km2) 4607.185 6325.276 9353.813 10094.666 10117.817 10372.078 10636.743 10844.759 11900.405 12435.271 14024.888 14155.462 14270.251 14652.327 15791.570 16252.223 16574.579 19116.561 19626.505 19868.449 23903.163 24009.022 24149.403 28347.480 29114.005 41523.871 Band 5 0.130 0.137 0.143 0.157 0.145 0.151 0.165 0.136 0.144 0.146 0.147 0.154 0.148 0.158 0.182 0.168 0.155 0.155 0.146 0.146 0.151 0.145 0.161 0.170 0.172 0.160 Band 7 0.083 0.078 0.092 0.109 0.096 0.108 0.112 0.097 0.106 0.111 0.109 0.101 0.113 0.123 0.146 0.133 0.109 0.122 0.099 0.108 0.110 0.115 0.124 0.132 0.136 0.131 SVI 0.083 0.135 0.099 0.091 0.102 0.081 0.106 0.072 0.057 0.050 0.068 0.108 0.053 0.055 0.056 0.058 0.087 0.052 0.095 0.065 0.075 0.044 0.060 0.065 0.057 0.035 RVI 2.044 3.220 2.250 2.100 2.393 1.987 2.373 1.878 1.704 1.593 1.784 2.604 1.590 1.608 1.557 1.634 2.161 1.606 2.209 1.792 1.907 1.509 1.659 1.752 1.651 1.361 TNDVI 0.890 0.989 0.915 0.902 0.927 0.886 0.924 0.875 0.861 0.844 0.863 0.935 0.840 0.844 0.830 0.838 0.900 0.836 0.911 0.869 0.876 0.819 0.835 0.856 0.838 0.797 RDVI 0.113 0.159 0.12 0.121 0.132 0.112 0.136 0.103 0.088 0.081 0.099 0.136 0.083 0.087 0.087 0.088 0.117 0.083 0.125 0.097 0.106 0.071 0.088 0.096 0.086 0.062 SAVI 0.159 0.260 0.187 0.173 0.196 0.155 0.200 0.141 0.116 0.102 0.131 0.207 0.105 0.109 0.106 0.111 0.168 0.103 0.182 0.129 0.145 0.087 0.112 0.126 0.110 0.070 TEMP 30.511 28.210 30.747 29.800 30.138 32.590 29.728 32.277 32.802 33.288 32.873 30.616 33.042 33.991 32.69 33.071 32.056 33.963 31.082 32.251 32.693 33.682 34.069 32.956 33.038 34.507

 

26  

3.5

Analisis Regresi

Regresi linear memiliki dua jenis variabel, yaitu variabel terikat dan variabel bebas. Ada delapan variabel bebas yang digunakan dalam penelitian ini, yaitu nilai rata-rata tiap kecamatan untuk band 5, band 7, SVI, RVI, TNDVI, RDVI, SAVI, dan temperatur. Sedangkan sebagai variabel terikat adalah kepadatan penduduk kecamatan. Dalam penelitian ini, regresi linear memiliki dua tujuan : 1. 2. Untuk mengevaluasi dan menjelaskan hubungan antara kepadatan penduduk dan setiap variabel bebas. Untuk membentuk persamaan regresi, dimana kepadatan penduduk merupakan fungsi dari variabel bebas yang diperoleh dari citra dengan melibatkan lebih dari satu variabel bebas. Untuk mengetahui hubungan antara kepadatan penduduk sebagai variabel terikat dengan setiap variabel bebas yang diperoleh dari citra Landsat 7 ETM+. Tingkat hubungan antara kedua jenis variabel tersebut dapat dilihat pada diagram pencar (scatter plot) dan koefisien determinasi (R2). 3.5.1 Ekplorasi Data Sebelum melakukan analisis regresi, terlebih dahulu dilakukan eksplorasi data untuk melihat keadaan dan fenomena antara variabel bebas dan variabel terikat. Salah satu metodenya dengan menggunakan diagram pencar antara kepadatan penduduk sebagai variabel terikat terhadap setiap variabel bebas (Gambar 3.6). Selain menggunakan diagram pencar, untuk mengetahui besarnya pengaruh tiap variabel bebas terhadap kepadatan penduduk dapat menggunakan koefisien determinasi (R2) yang diperoleh dengan persamaan 2.20 dan hasilnya pada Tabel 3.3.

 

27  

(a)

(b)

(c)
 

28  

(d)

(e)

(f)
 

29  

(g)

(h) Gambar 3.6 Diagram pencar kepadatan penduduk terhadap : (a) Band 5, (b) Band 7, (c) Simple Vegetation Index, (d) Ratio Vegetation Index, (e) Transformed Normalized Difference Vegetation Index, (f) Renormalized Difference Vegetation Index, (g) Soil Adjusted Vegetation Index, dan (h) Temperatur permukaan. Tabel 3.2 Koefisien Determinasi (R2) antara Kepadatan Penduduk dan Variabel Bebas No 1 2 3 4 5 6 7 8
 

Variabel B50 B70 SVI RVI TNDVI RDVI SAVI TEMP

Koefisien Determinasi 0.245 0.426 0.341 0.302 0.398 0.372 0.354 0.410 30  

3.5.2 Regresi Linear Kota Bandung memiliki 26 kecamatan, pada Tabel 3.3, sehingga 13 kecamatan akan digunakan untuk membentuk persamaan regresi dengan regresi linear berganda dan 13 kecamatan sisanya digunakan untuk pengujian persamaan regresi yang diperoleh. Pemilihan 13 kecamatan yang digunakan dalam untuk membentuk persamaan regresi dilakukan secara acak dengan memperhatikan hubungan linear antara kepadatan penduduk dan tiap variabel bebas pada Gambar 3.6. Dari eksplorasi data (Gambar 3.6), koefisien determinasi (Tabel 3.2), dan jumlah variabel bebas yang diperlukan, maka dibentuk tiga buah persamaan regresi dengan variabel bebas yang digunakan pada Tabel 3.4. Tabel 3.3 26 Kecamatan Kota Bandung No 1 2 3 4 5 6 7 8 9 10 11 12 13 Kecamatan yang digunakan dalam pembentukan persamaan regresi Rancasari Cidadap Arcamanik Margacinta Bandung Wetan Sumurbandung Lengkong Bandung Kulon Coblong Sukajadi Astana Anyar Cibeunying Kidul Bojongloa Kaler Kecamatan yang digunakan dalam pengujian persamaan regresi Ujungberung Sukasari Bandung Kidul Cibiru Bojongloa Kidul Cibeunying Kaler Cicendo Babakan Ciparay Regol Cicadas Kiaracondong Andir Batununggal

Tabel 3.4 Variabel terikat dan variabel bebas yang digunakan pada regresi linear No A B C Variabel Terikat Y Kepadatan Penduduk Kepadatan Penduduk Kepadatan Penduduk Variabel Bebas X1 SVI SVI Band 5 X2 RVI RVI Band 7 X3 TNDVI TNDVI SVI X4 RDVI RDVI RVI X5 SAVI SAVI TNDVI X6 TEMP RDVI X7 SAVI X8 TEMP

 

31  

Sehingga, pada regresi linear ini menggunakan 13 kecamatan sehingga terdapat 13 persamaan (m) dan 8 variabel bebas (!!!" , !!!" , !!"# , !!"# , !!"#$% , !!"#$ , !!"#$ , dan !!"#$ ). Untuk menghitung nilai koefisien regresi (bn) ketiga persamaan regresi tersebut maka disusun persamaan regresi sebanyak 13 buah persamaan (persamaan 2.17) dengan jumlah variabel bebas sesuai dengan persamaan regresi yang akan dibentuk, lalu dibentuk matrik (persamaan 2.18), kemudian dihitung nilai b (persamaan 2.19) dan R2 (persamaan 2.20) sehingga diperoleh persamaan regresi kepadatan penduduk untuk kecamatan pada Tabel 3.5 dan nilai residu tiap persamaan regresi pada Gambar 3..7 Tabel 3.5 Persamaan Regresi Kepadatan Penduduk
NO Persamaan Regresi !" ! =  4120939.993   −  21070106.477  !!"#   −  178417.853  !!"#   −  5334066.100  !!"#$%   −  3955100.052  !!"#$ +  20092474.799  !!"#$   !" ! =  5437228.722   −  28899280.344  !!"#   −  215812.091  !!"#   − B  6963952.252  !!"#$%   −  3828159.454  !!"#$ +  26064541.701  !!"#$ −  3330.935  !!"#$     !" =  5228320.970   +  1095651.819  !!!"   −  912387.322  !!!"   − C  28034738.891  !!"# −  245455.231  !!"#   −  6624499.130  !!"#$% −  5458705.852  !!"#$   +  26239785.279  !!"#$ −  3827.247  !!"#$     8 0.938
!

Jumlah Variabel 5

R2

A

0.893

6

0.903

(a)

 

32  

(b)

(c) Gambar 3.7 Diagram residu untuk 13 kecamatan yang digunakan dalam pembentukan persamaan regresi untuk : (a) Persamaan Regresi A, (b) Persamaan Regresi B, dan (c) Persamaan Regresi C 3.5.3 Pengujian Persamaan Regresi Pengujian persamaan regresi dilakukan denga menghitung nilai estimasi kepadatan penduduk untuk ketiga persamaan regresi dan dihitung nilai residunya dengan membandingkan terhadap kepadatan penduduk sebenarnya. Setiap persamaan regresi akan memiliki masukan berupa nilai rata-rata tiap kecamatan untuk variabel yang diperlukan dan keluaran berupa kepadatan penduduk kecamatan tersebut. Jumlah kecamatan yang digunakan dalam pengujian persamaan regresi ada 13 kecamatan yang tertera pada Tabel 3.3. Hasil dari pengujian persamaan regresi tersaji pada Tabel 3.6 dan visualisasi nilai residu untuk ketiga persamaan pada Gambar 3.8.

 

33  

Tabel 3.6 Hasil Pengujian Persamaan Regresi
No 1 2 3 4 5 6 7 8 9 10 11 12 13 Kecamatan Ujungberung Sukasari Bandung Kidul Cibiru Bojongloa Kidul Cibeunying Kaler Cicendo Babakan Ciparay Regol Cicadas Kiaracondong Andir Batununggal Kepadatan Penduduk (Jiwa/km2) 10094.666 10117.817 10372.079 10636.743 14024.889 14155.462 14270.252 16252.223 19116.561 19626.506 23903.163 24149.404 28347.481 Estimasi Kepadatan Penduduk (Jiwa/Km2) Persamaan Persamaan Persamaan Regresi A Regresi B Regresi C 15098.094 8419.729 9437.181 8873.031 13883.418 10523.007 15916.224 21999.894 17051.986 18240.475 15463.207 13213.845 9372.267 20552.335 9481.120 5423.393 10158.916 11541.241 9452.827 15774.744 22332.651 14325.564 19849.845 15025.582 4615.090 5790.977 23673.714 8918.798 3864.773 13229.721 9059.597 10700.094 15325.770 21124.720 11858.747 19570.564 12496.596 4145.009 7550.235 Residu (Jiwa/Km2) Persamaan Regresi A -5003.428 1698.088 934.898 1763.712 141.470 3632.455 -1645.972 -5747.671 2064.575 1386.031 8439.956 10935.559 18975.213 Persamaan Regresi B 10457.669 636.697 4948.685 477.827 2483.647 4702.635 -1504.492 -6080.428 4790.997 -223.339 8877.581 19534.314 22556.504 Persamaan Regresi C 13579.048 1199.019 6507.306 -2592.977 4965.291 3455.368 -1055.518 -4872.497 7257.814 55.942 11406.567 20004.395 20797.245

(a)

(b)
 

34  

(c) Gambar 3.8 Diagram residu untuk 13 kecamatan yang digunakan dalam pengujian persamaan regresi untuk : (a) Persamaan Regresi A, (b) Persamaan Regresi B, dan (c) Persamaan Regresi C 3.6 Estimasi Jumlah Penduduk

Ketiga persamaan regresi menghasilkan estimasi kepadatan penduduk tiap kecamatan maka perlu dikalikan kembali dengan luas tiap kecamatan agar diperoleh jumlah penduduk tiap kecamatan. Sehingga estimasi jumlah penduduk Kota Bandung dihitung dengan menjumlahkan jumlah penduduk setiap kecamatan. pada Tabel 3.7. Tabel 3.7 Estimasi Jumlah Penduduk Kota Bandung No 1 2 3 Persamaan Regresi A B C 2228267 Jumlah Penduduk Data Penduduk Estimasi 2093771 2067328 2035334 (%) 6.04 7.22 8.66 Residu (Jiwa) 134496 160939 192933 Hasil estimasi jumlah penduduk Kota Bandung untuk ketiga persamaan regresi dan nilai residu dalam persen

 

35  

BAB IV ANALISIS
4.1 Data

Secara umum, data yang digunakan ada tiga jenis data, yaitu data citra Landsat 7 ETM+ dan data penduduk Kota Bandung, hubungan antara kedua data tersebut adalah kecamatan Kota Bandung yang diperoleh dari peta RBI. Untuk itu, jumlah kecamatan, nama kecamatan, dan batas kecamatan diusahakan sama antara data penduduk dan batas administratif kecamatan yang diperoleh dari peta RBI. Sebab, batas administratif kecamatan tersebut akan digunakan pada citra satelit untuk memperoleh nilai rata-rata untuk variabel bebas bagi tiap kecamatan Kota Bandung. Data citra Landsat 7 ETM+ dan data penduduk haruslah berada pada tahun yang sama agar dapat merepresentasikan fenomena dan informasi yang tidak terlalu berbeda. Dengan beberapa pertimbangan tersebut, maka dipilih citra Landsat 7 ETM+ dan data penduduk pada tahun 2003. 4.2 Pengolahan Citra dan Data Penduduk

Penyusunan dan pengelolaan data masukan dan keluaran dari pengolahan citra dan data penduduk diperlukan karena ukuran dan jumlah data yang banyak. Citra Landsat 7 ETM+ merupakan masukan dalam pengolahan citra dan memiliki tiga keluaran berbeda, band spektral, indeks vegetasi, dan temperatur. Pemotongan citra Landsat 7 ETM+ sebelum koreksi radiometrik dan transformasi citra perlu dilakukan untuk mengurangi ukuran citra dan waktu pengolahan. Dalam penelitian satu kecamatan diperoleh delapan variabel bebas dengan asumsi kecamatan tersebut homogen sehingga satu kecamatan dapat direpresentasikan oleh rata-rata nilai untu tiap variabel bebas. Padahal dalam satu kecamatan terdapat objek dan tutupan lahan yang berbeda-beda. 4.3 Analisis Regresi

Pada Gambar 3.6 dan Tabel 3.2, indeks vegetasi memiliki kecenderungan linear dan dapat didekati dengan garis lurus, selain itu juga terlihat fenomena bahwa didaerah dengan vegetasi yang rendah memiliki kepadatan penduduk yang tinggi, artinya pengaruh indeks vegetasi terhadap kepadatan penduduk berkorelasi negatif. Sedangkan
 

36  

band 5, band 7, dan temperatur terhadap kepadatan penduduk berkorelasi positif, artinya semakin besar nilai band 5, band 7, dan temperatur maka semakin tinggi kepadatan penduduk. Untuk pemilihan kecamatan yang dilibatkan dalam regresi linear dipilih secara acak sebanyak 13 kecamatan dengan pertimbangan hubungan linear antara kepadatan penduduk dan tiap variabel bebas pada Gambar 3.6. Dalam 13 kecamatan tersebut dipilih kecamatan dengan kepadatan penduduk terendah dan tertinggi agar hasil estimasi dari persamaan regresi tidak diluar selang 26 kecamatan Kota Bandung, hal ini perlu dilakukan karena kepadatan penduduk antar kecamatan Kota Bandung mengalami kecenderungan perbedaan yang cukup besar, seperti kecamatan kepadatan penduduk tertinggi, Kecamatan Bojongloa Kaler (41524 jiwa/km2) dan kecamatan kepadatan penduduk kedua tertinggi, Cibeunying Kidul (29114 jiwa/km2) jika dibandingkan selisih kepadatan penduduk antar kecamatan lainnya. 4.4 Pengujian Persamaan Regresi

Ketiga persamaan regresi kepadatan penduduk menghitung estimasi kepadatan penduduk untuk 13 kecamatan, memiliki hasil estimasi dengan nilai residu yang rendah pada kecamatan yang berkepadatan penduduk sedang. Sedangkan untuk kecamatan dengan kepadatan penduduk rendah dan tinggi, sebagaimana halnya pada 4 kecamatan, yaitu Ujungberung, Kiaracondong, Andir, dan Batununggal, memiliki tingkat kesalahan yang cukup besar. 4.5 Estimasi Jumlah Penduduk

Persamaan regresi yang diperoleh menghasilkan estimasi kepadatan penduduk untuk Kota Bandung dengan tingkat kesalahan dibawah 8%. Persamaan regresi tersebut bisa digunakan untuk mengestimasi jumlah penduduk Kota Bandung pada tahun tertentu dengan masukan nilai rata-rata tiap kecamatan untuk variabel bebas yang diperoleh dari citra Landsat 7 ETM+ pada tahun yang sama, misal untuk mengestimasi jumlah penduduk Kota Bandung tahun 2010 diperlukan citra Landsat 7 ETM+ pada tahun 2010, menghitung nilai rata-rata tiap kecamatan untuk variabel bebas yang diperlukan dalam persamaan regresi , dan diperoleh kepadatan penduduk dan jumlah penduduk.

 

37  

BAB V KESIMPULAN DAN SARAN
5.1 1. 2. 3. Kesimpulan Citra Landsat 7 ETM+ dapat digunakan untuk mengestimasi jumlah penduduk Kota Bandung, dengan tingkat kesalahan dibawah 8%. Persamaan regresi yang diperoleh menunjukkan bahwa variabel indeks vegetasi memiliki korelasi yang baik dengan kepadatan penduduk. Persamaan regresi yang diperoleh baik digunakan untuk mengestimasi jumlah penduduk untuk kecamatan yang memiliki kepadatan penduduk sedang. 5.2 Saran

Dari pengerjaan dan analisis, maka dapat disimpulkan, sebagai berikut :

Berikut saran-saran yang dapat diberikan dari penelitian ini untuk pihak-pihak berkepentingan dan juga untuk penelitian tentang estimasi populasi penduduk selanjutnya, diantaranya : 1. 2. Perlu adanya data penduduk dan data batas administrasi yang jelas, benar, dan mudah diperoleh. Mengkaji lebih lanjut variabel-variabel lain yang bisa diperoleh dan diekstrak dari citra serta kombinasi variabel-variabel tersebut dalam hubungannya dengan data penduduk. 3. Mengkaji lebih lanjut penggunaan citra multispektral lainnya untuk mengestimasi populasi penduduk.

 

38  

DAFTAR PUSTAKA Badan Pusat Statistik Kota Bandung. 2003. Bandung Dalam Angka Tahun 2003. Publikasi Kerjasama Badan Pusat Statistik Kota Bandung dan Badan Perencanaan Daerah Kota Bandung. Bandung. ESRI. 2001. ArcGIS Spatial Analyst : Advanced GIS Spatial Analysis Using Raster And Vector Data. ESRI White Paper. USA. Iisaka, Joji & Hegedus Emoke. 1982. Population Estimation From Landsat Imagery. Remote Sensing Of Environment 12:259-272(1982). Jackson, Ray & Alfredo Huete. 1991. Interpreting Vegetation Indices. Preventive Veterinary Medicine, 11 (1991) 185-200. Elsevier Science Publication B.N. Amsterdam. Jensen, J. R. 1996. Introductory Digital Image Processing : A Remote Sensing Perspective, Second Edition. Prentice Hall. New Jersey. USA. Li, Gulying & Qihao Weng. 2005. Using Landsat ETM+ Imagery to Measure Population Density in Indianapolis, Indiana, USA. Photogrammetric Engineering & Remote Sensing, Vol. 71, No. 08, August 2005, pp. 947-958. Lillesand, T. M. & R. W. Kiefer. 1997. Penginderaan Jauh dan Interpretasi Citra. Penerbit Universitas Gadjah Mada. Yogyakarta. Lo, C. P. 1985. Penginderaan Jauh Terapan, Cetakan Pertama. Penerbit Universitas Indonesia. Jakarta. Mangkuatmodjo, Soegyarto. 2004. Statistika Lanjutan. Penerbit Rineka Cipta. Jakarta. Mantra, Ida Bagus. 1985. Pengantar Studi Demografi. Penerbit Nur Cahaya. Yogyakarta. Perdana, Aji Putra. 2008. Pengolahan Citra Digital Menggunakan Software ArcGIS. Yogyakarta. Purwadhi, F. S. & T. B. Santojo. 2008. Pengantar Interpretasi Citra Penginderaan Jauh. Lembaga Penerbangan dan Antariksa Nasional dan Universitas Negeri Semarang. Semarang. Ramadhani, S. A. 2010. Analisis Backscattering Coefficient Citra ENVISAT ASAR untuk Identifikasi Tumpahan Minyak (Oil Spill). Tugas Akhir. Program Studi

 

39  

Teknik Geodesi dan Geomatika Fakultas Ilmu dan Teknologi Kebumian Institut Teknologi Bandung. Bandung. Sari, Meilania. 2008. Analisis Distribusi Kepadatan Penduduk Menggunakan Citra Quickbird dengan Metode Pembobota Land Use Density (Studi Kasus : Kelurahan Tamansari Bandung). Tugas Akhir. Program Studi Teknik Geodesi dan Geomatika Fakultas Ilmu dan Teknologi Kebumian Institut Teknologi Bandung. Bandung. Schott, J. R. & W. J. Volchok. 1985. Thematic Mapper Thermal Infrared Calibration. Photogrammetric Engineering and Remote Sensing, Vol. 51, No. 9, 1351-1357. Smith, R. B. 2005. Computing Radiances, Reflectance and Albedo from DN’s. Yale Universoty. Yale. USA. Soedomo, A. S. & Sudarman. 2004. Sistem dan Transformasi Koordinat. Diktat Kuliah. Departemen Teknik Geodesi Fakultas Teknik Sipil dan Perencanaan Institut Teknologi Bandung. Bandung Sudiana, Dodi & Elga Diasmara. 2008. Analisis Indeks Vegetasi Menggunakan Data Satelit NOAA/AVHRR dan TERRA/AQUA-MODIS. Optoelectrotechnique and Remote Sensing (OPRES) Research Group Departemen Teknik Elektro Fakultas Teknik Universitas Indonesia. Jakarta. Sudjana. 2003. Teknik Analisis Regresi dan Korelasi Bagi Para Peneliti. Penerbit Tarsito. Bandung. Taylor, M. P. 2010. Landsat 7 Science Data Users Handbook. National Aeronautics and Space Administration (NASA). Maryland. USA. Wibowo, P. E. 2010. Identifikai Perubahan Tutupan Lahan Pulau Panggang, Pulau Pramuka, dan Pulau Karya antara Tahun 2004 dan Tahun 2008. Tugas Akhir. Program Studi Teknik Geodesi dan Geomatika Fakultas Ilmu dan Teknologi Kebumian Institut Teknologi Bandung. Bandung. Zainuddin, Tarman. 2010. Analisis Regresi Untuk Distribusi Kepadatan Penduduk Menggunakan Citra Satelit Quickbird (Studi Kasus : Kelurahan Tamansari Bandung). Tugas Akhir. Program Studi Teknik Geodesi dan Geomatika Fakultas Ilmu dan Teknologi Kebumian Institut Teknologi Bandung. Bandung.

 

40  

 

41