Analisis Spektral Campuran Linier

untuk Deteksi Tutupan Lahan di Daerah Perkotaan

menggunakan Data Satelit Landsat ETM+
(Studi Kasus Kota Banjarbaru dan Sekitarnya)

Nurlina

Abstract: Evaluated from remote sensing perspective, urban region is a real

district heterogeneous, what gives reflectance from different some land cover
type and material. The limitation of the spatial resolution from middle resolution
sensor such as Landsat requires analysis at level sub-pixel. Mixture pixel in
remote sensing data is one of the source of error in accuracy assessment result
in conventional classification. This research tries to apply Linear Spectral Mixture
Analysis (LSMA) method to detect land cover change (vegetation, impervious
surface, bare soil and water) at level sub-pixel in Banjarbaru City based on
Landsat temporal data. LSMA is approach with analysis sub-pixel which can give
information of the fraction in each pixel, so that is a potential solution to classify
one pixel. Maximum Likelihood Classifier applied as comparable from LSMA.
Accuracy assessment to this method use a higher spatial resolution IKONOS
image. Some processing phases applied in this research to increase the
accuration, are Atmospheric Correction, Minimum Noise Fraction (MNF) and
Pixel Purity Index (PPI). The percentage of each land cover component in each
pixel shown by fraction image from method LSMA with RMS Error average is
0,016 indicated that each endmember land cover has been dissociated well with
small deviation standard. The accuration test result of abundance for each
endmember using IKONOS image equal to 95%, indicates that LSMA have a
high accuration to detect the endmember land cover at level sub-pixel.

Keywords: MNF, PPI, endmember, linear spectral mixture analysis

PENDAHULUAN Penginderaan Jauh, daerah perkota-

Pengukuran tutupan lahan an merupakan daerah yang sangat
secara langsung, meskipun tingkat heterogen, yang memberikan pantul-
ketelitiannya lebih tinggi akan tetapi an dari beberapa tipe tutupan lahan
dibatasi oleh luas cakupan dan dan material yang berbeda, diantara-
skala, apalagi jika diperlukan nya terdapat area lahan terbangun
prediksi perubahan tutupan lahan (jalan, atap bangunan, beton, dan
secara regional. Karena itu, masih lain-lain), vegetasi, tanah, dan air.
dibutuhkan citra dengan resolusi Biasanya untuk memetakan
spasial yang relatif rendah untuk penggunaan lahan dan tutupan
kajian secara regional yang meliputi lahan dari data penginderaan jauh
wilayah perkotaan dan perdesaan secara digital digunakan metode
seperti citra Landsat. Dari perspektif klasifikasi seperti Maximum

Staf Pengajar Program Studi Fisika, FMIPA, Universitas Lambung Mangkurat

1
2 Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)

Likelihood, Minimum Distance atau klasifikasi tutupan lahan. Secara

menggunakan Parallelepiped. Pada konseptual, LSMA adalah metode
metode klasifikasi konvensional deterministik yang lebih dari sebuah
tersebut, satu piksel citra metode statistik, selama itu berdasar
diasumsikan hanya mengandung pada model fisik dari campuran pola
satu jenis obyek saja (pure pixel). tanggap spektral yang berlainan. Hal
Namun pada kenyataannya, untuk ini dapat memberikan informasi yang
satu piksel pada citra satelit Landsat sangat berguna pada level sub-
yang memiliki resolusi spasial (30 x piksel, selama beberapa tipe tutupan
30) meter dapat memiliki lebih dari lahan dapat dideteksi dengan satu
satu jenis obyek didalamnya. piksel. Banyak tipe tutupan lahan
Adanya piksel campuran ini cenderung merupakan campuran
merupakan masalah yang sulit untuk yang heterogen, meskipun dilihat
keperluan klasifikasi tutupan lahan di pada citra dengan skala yang lebih
daerah perkotaan. baik. Karena itu, metode ini dapat
Spectral Mixture Analysis memberikan representasi yang lebih
menyediakan suatu strategi realistis mengenai kondisi permuka-
kuantitatif dalam mempelajari citra an yang sebenarnya apalagi jika
multispektral. Metode ini telah hanya terdapat satu klas pada setiap
dipergunakan untuk melakukan piksel (Lillesand, et al, 2004).
deteksi sub-piksel serta klasifikasi Penelitian ini mencoba
dari piksel campuran pada citra hasil menggunakan metode Spectral
penginderaan jauh (Aklein, 1998). Mixture Analysis untuk mendeteksi
Pada Linear Spectral Mixture perubahan tutupan lahan (vegetasi,
Analysis, nilai spektral pada piksel permukaan kedap air, tanah dan air)
dimodelkan sebagai kombinasi linear pada tingkat sub-piksel di Kota
dari pantulan setiap endmember, Banjarbaru Kalimantan Selatan
yang besarnya sesuai dengan dengan menggunakan model
persentasi tutupan dari setiap pemisahan linier (linier unmixing)
endmember di lapangan (Smith berdasarkan data Landsat ETM+
et.al., 1990). Tahun 2003. Untuk mengetahui
Linear Spectral Mixture sejauh mana kemampuan metode ini
Analysis berbeda dengan beberapa untuk mendeteksi tutupan lahan di
metode pemrosesan citra untuk daerah perkotaan dilakukan uji
 Nurlina, Analisis Spektral Campuran.............. 3

akurasi dengan menggunakan Citra Analysis (LSMA) perubahan tutupan

IKONOS. Sejumlah teknik pengolah- lahan yang diterapkan pada
an citra juga diterapkan untuk penelitian ini menggunakan Citra
meningkatkan akurasi hasil dari Landsat ETM+ Tanggal 31 Mei
metode LSMA, seperti koreksi Tahun 2003 (TM 7) row/path 117/62.
atmosferik, Minimum Noise Fraction, Dimensi data daerah penelitian
dan Pixel Purity Index. ditentukan 1072 x 751 piksel, yaitu
Adapun tujuan dari penelitian berada pada posisi antara
o o
ini adalah mendeteksi tutupan lahan 3 21’38,92” dan 3 33’51,24” LS, dan
(vegetasi, permukaan kedap air, antara 114o 38’46,40” dan 114o56’
tanah terbuka dan air) di daerah 5,91” BT dimana 1 piksel mewakili
perkotaan dengan menggunakan (30 x 30) meter persegi, sehingga
metode Linear Spectral Mixture luas daerah penelitian seluruhnya
Analysis (LSMA) dari data Landsat berkisar 73.016,97 hektar.
ETM+ dan menguji tingkat akurasi Pada awal pemrosesan ini
metode Linear Spectral Mixture Nilai Digital Number (DN) dari
Analysis (LSMA) menggunakan data saluran 1 – 5 dan saluran 7 yang
satelit IKONOS. direkam dalam 8 bit terlebih dahulu
dikonversi ke dalam satuan exo-
METODE atmospheric reflectance atau dari
Uji coba terhadap sistem soft DN ke radians dengan mengguna-
klasifikasi Linear Spectral Mixture kan persamaan:

 Lmax  Lmin 
Radiance    QCal  QCalmin   Lmin
 QCalmax  QCalmin  ………… (1)
Dalam hal ini Lmax, Lmin menghasilkan nilai surface reflectan
adalah nilai spektral radians menggunakan FLAASH (Fast Line-
maksimum dan minimum yang of-sight Atmospheric Analysis of
terekam oleh sensor pada setiap Spectral Hypercubes) yang dikem-
saluran QCalmax, QCalmin adalah bangkan oleh Spectral Sciences,Inc.
Nilai digital number (DN) maksimum Koreksi atmosferik dengan meng-
dan minimum pada setiap saluran. gunakan model FLAASH mengacu
Selanjutnya diterapkan pro- pada persamaan standar spektral
ses koreksi atmosferik untuk radians pada piksel sensor L, yang
4 Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)

diaplikasikan pada range panjang a. transformasi Minimum Noise

gelombang matahari pada permuka- Fraction, transformasi ini diguna-
an Lambertian. Persamaannya ada- kan untuk mengetahui sifat
lah sebagai berikut: dimensi data juga untuk
memisahkan noise serta untuk
 A   Be 
L       La mereduksi kinerja komputer pada
1  S
e   1  S
e  proses selanjutnya. Penelitian
(2)
Keterangan: sebelumnya menunjukkan bahwa
 : piksel surface reflektan penerapan proses MNF dapat

e : rata-rata pantulan permukaan meningkatkan kualitas dari citra

piksel pada daerah sekitar fraksi (Van der Moor and De

S : spherical albedo Jong, 2000).

La : pantulan balik radians oleh b. Pixel Purity Index, digunakan

atmosfer (Path Radiance) untuk menentukan spektral piksel
A dan B : koefisien untuk kondisi murni pada citra (Boardman et.
atmosfir dan geometrik. al., 1995). Hasilnya adalah citra
dengan nilai digital dari setiap
Konversi dari nilai digital ke
piksel yang dihasilkan berdasar-
nilai surface reflectan secara
kan jumlah total waktu yang
substansial dapat meningkatkan
direkam ekstrem, dengan demi-
kualitas citra yang digunakan
kian nilai piksel yang cerah pada
(Huang et. al., 2002). Selanjutnya
citra menunjukkan lokasi pantul-
pada citra kemudian dilakukan
an dari endmember. Hasil dari
koreksi geometrik. Selain citra
tahap pemrosesan inilah yang
Landsat, citra lain yang digunakan
akan dijadikan input pada metode
pada penelitian ini adalah citra satelit
LSMA.
IKONOS yang digunakan untuk uji
akurasi kedua metode klasifikasi
Linear Spectral Mixture Analysis
yang digunakan. (LSMA)
Selain koreksi atmosferik, Setiap obyek di permukaan
juga diterapkan 2 (dua) tahap bumi yang terekam oleh satelit
pemrosesan yang dianggap perlu penginderaan jauh memantulkan
untuk meningkatkan akurasi hasil atau memancarkan gelombang
dari metode LSMA ini yaitu: elektromagnetik yang juga disebut
 Nurlina, Analisis Spektral Campuran.............. 5

dengan nilai kecerahan (brightness Rem,b : nilai pantulan spektral dari

value). Obyek-obyek tersebut endmember setiap saluran
dibentuk dalam piksel-piksel pada Fem,b : nilai fraksi dari endmember
citra satelit yang merupakan bagian setiap piksel setiap saluran
terkecil dari suatu citra. Untuk satelit
εb : error atau kesalahan antara
Landsat TM yang memiliki resolusi
nilai kecerahan yang
spasial (30 x 30) m dan meliputi
dimodelkan dan yang diukur
wilayah yang heterogen seperti kota-
dalam setiap saluran,
kota di Indonesia, tentunya dalam
n : jumlah endmember
setiap satu pikselnya tidak hanya
Sebagai batasan, jumlah dari
terdiri dari satu obyek saja, sehingga
semua fraksi endmember sama
terdapat kemungkinan bahwa dalam
dengan satu (Aklein, 1998):
satu piksel citra terdapat campuran
dari beberapa obyek (spectral n

mixing), dengan menggunakan SMA F

j 1
j 1 ................. (4)

dengan model pemisahan spektral

f i1  f i 2  f i 3  .......  f in  1
linier (LSMA), maka obyek-obyek
dan 0  f in  1 ................. (5)
yang terdapat dalam satu piksel
dapat diidentifikasi dan dapat
RMS (root – mean - square)
ditentukan proporsi spasialnya. Pada
error dihitung untuk setiap piksel
model pemisahan spektral linier ini,
berdasarkan pada perbedaan antara
obyek yang akan diidentifikasi serta
nilai kecerahan yang dimodelkan
dihitung proporsi spasialnya diistilah-
dan nilai kecerahan yang diukur dari
kan sebagai endmember.
setiap piksel dalam setiap saluran
Kecerahan dari piksel
dinyatakan dengan [Aklein, 1998]:
tunggal dalam saluran tunggal 1
2
1 m 2
dimodelkan sebagai berikut (Aklein,  i    Rij  Rmod el   .... (6)
1998):  m j 1 
1
2 2
n 1 m  n
  .. (7)
 i     Rij   r jk * f ik  
Rmeas,b   R
em1
em,b Fem,b    b
 m j 1  k 1  
.. (3)
Keterangan:
Keterangan:
i : error pada piksel ke i
Rmeas,b : nilai kecerahan hasil
m : jumlah saluran
pengamatan setiap saluran
6 Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)

n : jumlah endmember j : indeks saluran (1,2,3,..., m)

Rij : nilai kecerahan pada piksel ke-i
saluran ke-j
rjk : nilai piksel murni pada saluran
ke- j endmember k
fk : fraksi piksel ke-i, endmember k
i : indeks piksel (1,2,3,...,jumlah
baris x jumlah kolom)
k : indeks endmember (1,2,3,..., n)
Proses ini akan menghasilkan
citra fraksi dari setiap endmember
tutupan lahan dan citra fraksi RMSE
yang dihasilkan dari persamaan (7).
Gambar 1 adalah tahap pemrosesan
menggunkan model LSMA.

Citra
Fraksi
RMS
Reflektan
Landsat Penentuan Error Formatted: Font: (Default) Arial, 10 pt
Reflektan nilai
Landsat Spektral murni Citra
Reflektan Setiap
Band 1 Fraksi
Landsat endmember
Reflektan (PPI) Vegetasi
Linear Formatted: Font: 8.5 pt, Font color: Auto,
Landsat
Landsat Spectral Swedish (Sweden)
Band 23
Band
Reflektan Mixture Citra
Landsat Analysis Fraksi Formatted: Font: 9 pt, Font color: Auto
Band 4
Reflektan Perm.
Formatted: Font: 10 pt
Landsat Kedap Air
Band 5
Reflektan Formatted: Font: 10 pt
Citra
Landsat Fraksi Formatted: Font: 10 pt, Swedish (Sweden)
Band 7 Tanah Formatted: Font: 10 pt

Citra Formatted: Font: 10 pt

Fraksi Air Formatted: Font: (Default) Arial, 10 pt
Formatted: Font: 10 pt
Formatted: Font: (Default) Arial, 10 pt
Gambar 1. Diagram alir metode LSMA

Uji akurasi digunakan untuk Square Error (RMSE) seperti

menguji secara kuantitatif akurasi
fraksi atau persentase dari hasil
klasifikasi dengan model LSMA. Uji
akurasi ini menggunakan pendekat-
an selisih antara nilai
dihasilkan dari perhitungan suatu
model dengan nilai yang sebenarnya
hasil pengukuran lapangan atau
yang dikenal sebagai Root Mean
diberikan oleh persamaan (8).
fdifference = (fLSMA – f IKONOS) ..... (8)
yang Dalam hal ini:
fLSMA : fraksi hasil LSMA pada tiap
piksel dari data Landsat
f Ikonos : persen setiap komponen
tutupan lahan data IKONOS
 Nurlina, Analisis Spektral Campuran.............. 7

CITRA
Citra IKONOS
LANDSAT ETM+
Tahun 2003
(2004)

RESTORASI
CITRA (Koreksi
Atmosferik dan Koreksi

Pemotongan
Citra

CITRA TERKOREKSI
(Atmosferik dan Geometrik)

Minimum Noise
Fraction

Pixel Purity
Index

Spectral Endmember
nD Visualizer Vegetasi, Tanah terbuka,
Permukaan Kedap Air,
dan Air

Linear Spectral
Mixture Analysis
(LSMA)

Citra Fraksi Endmember

Tutupan Lahan
(% vegetasi, % permukaan
kedap air, % tanah terbuka
dan % air) per Piksel
& Citra RMSError

Uji Akurasi
(RMS Error)

Gambar 2. Diagram alir penelitian

8 Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)

HASIL DAN PEMBAHASAN Hasil dari proses MNF

Citra Landsat yang diguna- memperlihatkan nilai eigen terkecil
kan setelah melalui proses kalibrasi pada seluruh saluran yang
radiometrik dari nilai digital ke nilai digunakan sama dengan 2, artinya
radians, selanjutnya dilakukan bahwa pada proses ini jumlah
koreksi atmosferik. Terdapat dua saluran keluaran yang digunakan
koreksi atmosferik yang dilakukan tetap sama dengan inputnya yaitu 6
pada penelitian ini, yaitu koreksi saluran dengan pertimbangan
atmosferik dengan menggunakan bahwa dari nilai eigen yang
model FLAASH dengan perangkat dihasilkan dapat dikatakan tidak
lunak ENVI 4.4 dan DOS (Dark terdapat nilai eigen yang mendekati
Object Subtraction) dengan 1, juga dengan pertimbangan bahwa
menggunakan IDRISI. Untuk proses jumlah saluran dalam penentuan
selanjutnya citra yang digunakan nilai spektral dari piksel murni yang
adalah citra hasil koreksi atmosferik digunakan pada proses PPI harus
dengan menggunakan DOS model, sama dengan jumlah saluran pada
dengan alasan bahwa citra hasil citra surface reflectan yang menjadi
koreksi atmosferik dengan menggu- input pada proses LSMA. Citra hasil
nakan DOS model menghasilkan MNF ini kemudian menjadi nput
rentang nilai surface reflectan dari 0 pada proses PPI. Input dari tahap ini
sampai dengan 1. Selanjutnya citra merupakan citra hasil MNF yang
landsat dilakukan koreksi geometrik bebas noise yang telah dilakukan
menggunakan proyeksi Universal pada tahap sebelumnya. Pada
Transverse Mercator (UTM) pada proses ini jumlah iterasi yang
datumWGS 84. Hasil dari koreksi digunakan yaitu sebesar 104.
geometrik ini diperoleh nilai RMS Beberapa penelitian terdahulu yang
Error sebesar 0,26 dari 20 GCP menggunakan metode ini pada data
(Ground Control Point). Citra surface hyperspectral, memberikan kesim-
reflectan yang telah direktifikasi pulan bahwa jumlah iterasi yang
kemudian digunakan sebagai input memberikan hasil yang maksimal
dalam proses MNF dan PPI, dimana adalah 104 dan 105 (Plaza dan
kedua tahap pemrosesan ini akan Chang, 2008). Selain itu, jumlah
digunakan untuk menentukan nilai iterasi di atas 104 akan memberikan
spektral murni setiap endmember. hasil yang relatif sama. Hasil dari
 Nurlina, Analisis Spektral Campuran.............. 9

proses ini merupakan citra sebaran endmember tersebut dengan melihat

piksel murni yang ada di daerah kondisi tutupan lahan di daerah
penelitian. Dari citra inilah kemudian penelitian secara umum yang
ditentukan pantulan spektral murni dianggap telah mewakili sebagian
dari setiap endmember yang besar jenis tutupan lahan yang ada.
digunakan. Pantulan spektral untuk
Jumlah endmember ditetap- keempat jenis tutupan lahan
kan harus kurang dari jumlah dihasilkan dari kurva pantulan pada
saluran yang digunakan, biasanya proses nD Visualizer melalui proses
untuk data Landsat TM jumlah pemilihan dengan mengambil nilai
endmember tidak lebih dari empat rata-rata pantulan dari setiap
(Drake dan Settle, 1989). Penelitian endmember. Gambar 3 memperli-
ini menggunakan 6 jumlah saluran hatkan kurva pantulan spektral rata-
yaitu saluran 1 – 5 dan saluran 7, rata keempat endmember tutupan
sedangkan jumlah endmember di- lahan yang dihasilkan dari proses
tentukan adalah 4 jenis endmember nD-Visualizer. Keempat endmember
yang obyeknya berbeda secara inilah yang nantinya akan dipisahkan
extrem, yaitu vegetasi, air, pada setiap piksel pada proses
permukaan kedap air dan tanah klasifikasi dengan menggunakan
terbuka. Pemilihan keempat metode LSMA.

Gambar 3. Kurva pantulan spektral endmember vegetasi, air, tanah terbuka, dan
permukaan kedap air citra Landsat ETM+ tahun 2003
10 Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)

Citra fraksi yang dihasilkan terklasifikasi namun memiliki nilai

menunjukkan persentase end- pantulan yang lebih rendah dari nilai
member pada setiap piksel yang pantulan spektral yang digunakan
ditunjukkan dengan tingkat kecerah- untuk endmember yang bersangkut-
an piksel, yaitu semakin tinggi an, begitu pula sebaliknya untuk nilai
persentase suatu endmember, maka fraksi di atas 1 berarti bahwa
tingkat kecerahannya semakin terdapat objek yang terklasifikasi
mendekati putih, dan sebaliknya namun memiliki nilai pantulan yang
semakin rendah persentase suatu lebih tinggi dari nilai spektral yang
endmember akan semakin gelap digunakan. Hal tersebut dapat terjadi
atau mendekati hitam. mengingat bahwa pada daerah
Secara umum dari nilai kajian memiliki tutupan lahan yang
minimum dan maksimum masing- beragam, tidak hanya terdiri atas
masing citra fraksi terlihat bahwa obyek vegetasi, tanah, permukaan
nilai dari setiap endmember tidak kedap air dan air, namun masih
berada pada rentang 0 sampai terdapat unsur-unsur tutupan lahan
dengan 1 sebagaimana mestinya. lainnya yang kemudian terklasifikasi
Nilai fraksi di bawah 0 menunjukkan menjadi endmember vegetasi,
bahwa terdapat obyek yang tanah, permukaan kedap air dan air.

Gambar 4. Citra fraksi vegetasi hasil LSMA

 Nurlina, Analisis Spektral Campuran.............. 11

Gambar 5. Citra fraksi tanah terbuka hasil LSMA

Gambar 6. Citra fraksi permukaan kedap air hasil LSMA

12 Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)

Gambar 7. Citra Fraksi Endmember Air Hasil LSMA

Gambar 8. Citra fraksi kesalahan (RMS Error) hasil LSMA

 Nurlina, Analisis Spektral Campuran.............. 13

Hasil citra fraksi secara Kesulitan ini menjadikan citra fraksi

keseluruhan (Gambar 4–8) menun- pada endmember permukaan kedap
jukkan bahwa pada citra fraksi air dan citra fraksi tanah terbuka
endmember vegetasi juga terdapat yang dihasilkan dari proses LSMA
tutupan-tutupan lahan lainnya yang menjadi kurang akurat, sehingga
terpisahkan menjadi endmember untuk hasil yang lebih baik
vegetasi, seperti air dan tanah sebaiknya penentuan spektral murni
terbuka. Pada endmember per- dari setiap endmember dilakukan
mukaan kedap air juga terjadi hal dengan pengukuran langsung di
demikian, seperti tanah kering dan lapangan menggunakan spectro-
pasir sisa pendulangan intan, pasir meter. Dalam hal ini telah dilakukan
pada timbunan yang terdefinisi beberapa kombinasi nilai spektral
sebagai endmember permukaan dari setiap endmember, sampai
kedap air, dikarenakan pantulan akhirnya menemukan hasil klasifi-
spektral yang relatif sama. Selain itu, kasi LSMA dengan nilai rata-rata
input dari pantulan spektral setiap RMS Error yang paling rendah yaitu
endmember yang digunakan dalam sebesar 0,016.
proses pemisahan spektral linier Hasil tersebut menunjukkan
juga sangat berpengaruh. Adanya bahwa metode LSMA mempunyai
kesulitan untuk membedakan antara standar deviasi kesalahan yang kecil
pantulan spektral permukaan kedap sehingga mampu mengklasifikasikan
air yang hampir sama dengan tutupan lahan dengan baik, juga
pantulan spektral pada obyek mengingat bahwa nilai fraksi setiap
berupa pasir yang memang endmember apabila dijumlahkan
mempunyai rona yang hampir sama. akan menghasilkan nilai sama
Jenis pasir yang terklasifikasi dengan 1 (satu) (Tabel 1), hal
sebagai permukaan kedap air tersebut masih memenuhi fungsi
adalah jenis pasir kwarsa yang batas dari model pemisahan spektral
memang banyak terdapat di daerah linier yang tercantum pada
penelitian. Kandungan mineral persamaan (4), sehingga hasil
kwarsa pada pasir inilah yang penelitian ini dapat diandalkan.
memberikan rona yang sangat cerah Kemampuan metode LSMA yang
sehingga pantulannya hampir sama secara kuantitatif dapat memberikan
dengan permukaan kedap air. informasi persentase setiap
14 Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)

endmember tutupan lahan pada metode klasifikasi konvensional

setiap piksel menjadikan metode ini sepeti Maximum Likelihood. Apalagi
dapat direkomendasikan sebagai jika metode ini diterapkan pada
salah satu metode klasifikasi yang daerah yang heterogen seperti
lebih akurat dibandingkan dengan daerah perkotaan.

Tabel 1. Nilai Fraksi setiap endmember hasil klasifikasi LSMA

Nilai Fraksi Endmember
Piksel Permukaan RMS Error
Vegetasi Tanah Air
Kedap Air
1 -0.9761 1.4436 -0.5881 1.1202 0.0079
2 0.5526 0.4463 0.0003 0.0007 0.0082
3 0.8006 0.1756 0.0227 0.0010 0.0122
4 0.9562 0.0414 0.0008 0.0016 0.0191
5 0.9027 -0.0071 0.1039 0.0004 0.0050
6 0.9449 -0.1167 0.1708 0.0010 0.0116
7 0.7957 0.0321 0.1709 0.0012 0.0143
8 0.7487 -0.3352 0.5856 0.0008 0.0099
9 0.8881 -0.1044 0.2153 0.0009 0.0114
10 0.8330 0.1123 0.0528 0.0019 0.0230

Hasil analisis uji akurasi fraksi dari setiap endmember

metode LSMA dengan mengguna- tutupan lahan pada setiap piksel
kan citra IKONOS seperti yang dapat menjadikan metode ini
disajikan pada Lampiran menunjuk- sebagai salah satu metode alternatif
kan akurasi yang sangat baik, yaitu yang lebih akurat dalam
diperoleh rata-rata RMS Error untuk mengklasifikasikan tutupan lahan
seluruh tutupan lahan sebesar 0,049 pada suatu wilayah, apalagi jika
atau dengan akurasi rata-rata diterapkan pada wilayah yang
sebesar 95%. Hal ini menunjukkan heterogen seperti daerah perkotaan
bahwa metode LSMA mampu meng- yang telah dilakukan pada peneltian
klasifikasikan setiap endmember ini.
tutupan lahan pada satu piksel
Landsat dengan sangat baik dan KESIMPULAN
dengan akurasi yang relatif sama di 1. Citra fraksi yang dihasilkan dari
setiap piksel. Selain itu keutamaan metode Linear Spectral Mixture
dari metode ini yang mampu Analysis (LSMA) mampu
memberikan nilai presentase atau memberikan informasi secara
 Nurlina, Analisis Spektral Campuran.............. 15

kuantitatif jumlah persentase SARAN

setiap endmember tutupan 1. Sebaiknya dalam penentuan nilai
lahan dalam setiap piksel piksel murni dari setiap
Landsat atau dalam setiap endmember digunakan juga data
luasan (30 x 30) m, dengan dari spectral library atau
jumlah total fraksi dalam setiap melakukan pengukuran langsung
piksel sama dengan 1. Hal ini ke lapangan dengan mengguna-
menunjukkan bahwa metode kan alat spectrometer sehingga
LSMA dapat mendeteksi tutupan hasil yang diperoleh lebih
lahan vegetasi, tanah terbuka, optimal.
permukaan kedap air dan air 2. Perlu dilakukan pemilihan
dalam setiap piksel dengan endmember yang tepat dan
sangat baik (RMS Error rata-rata memaksimalkan dari jumlah
0,016) yang berarti bahwa endmember yang digunakan
metode LSMA memiliki standar agar error yang dihasilkan dari
deviasi kesalahan yang kecil proses LSMA jauh lebih kecil,
dalam mendeteksi setiap dan akurasinya lebih tinggi.
endmember tutupan lahan juga
menunjukkan bahwa setiap DAFTAR PUSTAKA
endmember tutupan lahan telah Aklein, 1998, “Spectral Mixture
Analysis of Landsat Thematic
terpisahkan secara baik dengan
Mapper Images Applied to the
tingkat akurasi yang relatif sama. Detection of the Transient
Snowline on Tropical Andean
2. Uji akurasi fraksi metode LSMA
Glacier”. Thesis.
citra IKONOS diperoleh hasil
Boardman, J.W., 1993, Automating
yang sangat baik dengan tingkat Spectral Unmixing of AVIRIS
DATA Using Geometry
kesalahan relatif kecil yaitu RMS
Concepts, In Summaries of the
Error rata-rata sebesar 0,049 Fourth Annual JPL Airborne
Geoscience Workshop, JPL
atau akurasi rata-rata sebesar
Publ. 93-26, Vol. 1, Jet
95%. Hal ini menunjukkan Propulsion Laboratory,
Pasadena, CA, pp. 11-14.
bahwa metode LSMA memiliki
Drake, N.A., Settle, J.J.,1989, Linear
akurasi yang tinggi sehingga mixture modeling of Thematic
dapat menjadi salah satu metode Mapper Data of the Peruvian
Andes. In: Proc.9th EARSeL
alternatif yang lebih akurat dalam
Symp, Helsinki, Finland, 27
klasifikasi tutupan lahan, June-1 July 1989, p.490-495.
16 Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)
Huang, C., Wylie, B., Yang, L.,
Homer, C., Zylstra, G., 2002,
Derivation of a tasseled cap
transformation based on
Landsat 7 at- satellite
reflectance. International
Journal of Remote Sensing 23
(8), 1741-1748.
Jensen, J. R., 1996. Introduction
Digital Image Processing: A
Remote Sensing Perspective,
2d ed. Prentice Hall, New York.
Lillesand T.M., Kiefer R.W, Chipman
J.W., 2004, Remote Sensing
and Image Interpretation, Fifth
Edition, John Wiley & Sons,
Inc.NewYork.
Plaza A.J., Chang C.I., 2008, High
Performance Computing in
Remote Sensing, Chapman &
Hall/CRC, United State.
Smith, M.O., Ustin, S.L., Adams,
J.B., Gillespie, A.R., 1990,
Vegetation in desert: a regional
measure of abundance from
multispectral images. Remote
Sensing of Environment 31 (1),
1-26.
Van der Meer, F., De Jong, S.M.,
2000, Improving the results of
spectral unmixing of Landsat
Thematic Mapper imagery by
enhancing the orthogonality of
end-members, International
Journal of Remote Sensing 21
(15), 2781-2797.