Pengaruh Pansharpening Terhadap Indeks Lahan Terbangun NDBI Menggunakan Citra Satelit Landsat 8 di Kota Pontianak

Transkripsi

1 Seminar Nasional Penginderaan Jauh ke-4 Tahun 2017 Pengaruh Pansharpening Terhadap Indeks Lahan Terbangun NDBI Menggunakan Citra Satelit Landsat 8 di Kota Pontianak Effect of Pansharpening on Built-up Index NDBI Using Landsat 8 Satelitte Imagery in Pontianak City Trida Ridho Fari Ilmu Lingkungan, Universitas Gadjah Mada trfariz@gmail.com ABSTRAK - Salah satu metode untuk deteksi permukiman dengan menggunakan citra satelit adalah indeks lahan terbangun NDBI (Normalized Difference Build-up Index). Citra satelit yang digunakan adalah citra satelit Landsat 8 dimana memiliki kelebihan berupa banyaknya jumlah band, terutama keberadaan band NIR dan SWIR-1 sebagai pembangun transformasi indeks lahan terbangun NDBI. Namun citra satelit Landsat 8 memiliki kelemahan yaitu resolusi spasialnya yang hanya sebesar 30m. Solusi dari masalah resolusi spasial citra satelit Landsat 8 bisa diatasi dengan metode penajaman citra yaitu pansharpening. Tujuan dari penelitian ini adalah untuk mengetahui metode pansharpening terbaik yang dapat diterapkan pada indeks lahan terbangun NDBI. Metode pansharpening tersebut adalah metode Gram-Schmidt dan UNB. Hasil penelitian menunjukkan bahwa secara umum metode UNB lebih baik dari metode Gram-Schmidt. Namun pansharpening yang digunakan dalam penelitian ini yaitu Gram-Schmidt dan UNB mengurangi akurasi indeks lahan terbangun NDBI dalam memberikan informasi lahan terbangun suatu wilayah. Kata kunci: NDBI, Pansharpening, Citra Satelit Landsat 8 ABSTRACT - The one method for the detection of settlements using Landsat 8 satellite imagary is the NDBI (Normalized Difference Build-up Index). Satellite imagery is used Landsat 8 satellite imagery, which has advantages in the number of bands, especially the existence of NIR and SWIR-1 bands as the builders of NDBI. However, Landsat 8 satellite image has a weakness of spatial resolution of only 30m. The solution of the spatial resolution problem of Landsat 8 satellite imagery can be solved by the image sharpening method that is pansharpening. The purpose of this research is to know the best pansharpening method that can be applied to built-up land indices NDBI. The pansharpening methods are the Yun Zhang PANSHARP and Gram-Schmidt. The results show that in general UNB method is better than Gram-Schmidt method. However, the pansharpening used in this study, Gram-Schmidt and UNB, reduced the accuracy of NDBI index in providing the information of build up area. Keywords: NDBI, Pansharpening, Landsat 8 Satelitte Imagery 1. PENDAHULUAN Kota Pontianak adalah salah satu kota dengan masalah permukimannya. Jumlah permukiman kumuh di Kota Pontianak sebesar 84,28 Ha. Ditambah lagi kebutuhan akan rumah semakin meningkat akibat peningkatan jumlah penduduk. Jumlah penduduk di Kota Pontianak setiap tahunnya mengalami peningkatan yang cukup signifikan, dimana pada tahun 1990 jumlah penduduk keseluruhan mencapai jiwa, dan dalam kurun waktu 10 tahun, pada tahun 2000, meningkat menjadi jiwa atau dengan pertumbuhan sebesar 7,7%. Kemudian dalam kurun waktu 10 tahun kemudian yaitu pada tahun 2010 menjadi jiwa, atau mengalami pertumbuhan sebesar 19,42% (Bappeda Kota Pontianak, 2015). Dalam hal ini Kota Pontianak memiliki kebijakan untuk menuju permukiman yang layak huni. Dimana itu merupakan salah satu bagian dari Indonesia New Urban Agenda. Indonesia New Urban Agenda sendiri adalah implementasi dari Goal 11 Sustainable Development Goals (SDGs) yang ditetapkan PBB 2015 silam. Beberapa kebijakan dan strategi tersebut antara lain: Pengembangan kawasan perumahan dan permukiman pada kawasan prioritas, penerapan lingkungan hunian berimbang, pemantapan kelembagaan perumahan dan permukiman, penataan kawasan perumahan dan permukiman kumuh dan penentuan kawasan permukiman baru. Dalam penentuan kebijakan tentu membutuhkan data yang bisa dijadikan dasar perencanaan, manajemen dan evaluasi. Data geospasial yang mampu menunjukkan letak, memetakan kuantitas, memetakan densitas, menunjukkan perubahan dan sebagainya dinilai sebagai data penting dalam penentuan kebijakan masalah permukiman di Kota Pontianak. Data spasial yang dimaksud bisa berupa data citra penginderaan jauh. Dimana citra penginderaan jauh seperti foto udara dan citra satelit resolusi tinggi seperti WorldView, Pleiades dan 53

2 Pengaruh Pansharpening Terhadap Indeks Lahan Terbangun NDBI Menggunakan Citra Satelit Landsat 8 di Kota Pontianak. (Fari) sebagainya tidak hanya mampu mendeteksi wilayah permukiman tapi juga mampu menunjukkan kenampakan rumah sehingga bisa dijadikan dianalisis lebih lanjut untuk mengetahui kepadatan suatu permukiman. Dibalik kelebihannya data geospasial berupa citra penginderaan jauh resolusi tinggi adanya juga kekurangannya yaitu harganya yang sangat mahal. Teknologi penginderaan jauh menawarkan banyak metode yang dapat dipergunakan untuk mendeteksi wilayah permukiman tersebut secara efisien, tak terkecuali menggunakan citra satelit beresolusi menengah kebawah. Kelebihan citra satelit resolusi menengah kebawah seperti citra satelit Landsat 8 adalah banyaknya jumlah band sehingga memungkinkan untuk membuat komposisi dan indeks guna mempermudah ekstraksi informasi permukiman. Salah satu metode untuk deteksi permukiman dengan menggunakan citra satelit Landsat 8 adalah indeks lahan terbangun NDBI (Normalized Difference Build-up Index). Indeks lahan terbangun NDBI pernah diaplikasikan Zha dkk (2003) untuk memetakan lahan perkotaan di Kota Nanjing, Tiongkok. Hasil pemetaan menunjukkan akurasi sebesar 92,6 %. Suwarsono dan Khomarudin (2014) juga menggunakan indeks NDBI untuk deteksi wilayah permukiman di bentuk lahan vulkanik dengan tingkat akurasi sebesar 61,74%. Selain itu Fariz (2017) juga menggunakan NDBI untuk mengestimasi kepadatan permukiman di Kota Pontianak. Hasil estimasi memiliki korelasi sebesar 0,75 itu berarti hasil sampel akurasi yang ada antara data observasi lapangan dengan data estimasi kerapatan memiliki korelasi yang kuat, walaupun memiliki RMSE (Root Means Square Error) yang rendah yaitu sebesar 5,10. Berdasarkan kajian terhadap NDBI, dapat diketahui bahwa NDBI dapat memahami penutup lahan terutama lahan terbangun dengan baik. Tetapi NDBI yang dihasilkan hanya memiliki resolusi spasial 30m. Dalam hal ini ada teknik pengolahan data penginderaan jauh yang cukup bisa menjadi solusi dalam resolusi spasial yaitu pansharpening. Pansharpening adalah penajaman spasial citra satelit dengan cara fusi atau penggabungan antara citra multispektral dan pankromatik. Citra multispektral pada Landsat 8 memiliki resolusi spasial 30m sedangkan pankromatik sebesar 15m. Citra pankromatik pada Landsat 8 yang memiliki resolusi 15m memiliki kekurangan yaitu warnanya yang hanya hitam putih dan pansharpening bisa menghasilkan citra multispektral dengan resolusi spasial seperti citra pankromatik. 54 Gambar 1. Hasil perbandingan metode pansharpening (Mercovich, 2015) Ada beberapa metode dalam pansharpening seperti Brovey, Ehlers, modified hue-intensity-saturation (Mod-HIS), high pass filtering (HPF), UNB, Gram-Schmidt dan sebagainya. Mercovich (2015) pernah melakukan evaluasi terhadap hasil pansharpening pada citra satelit WorldView-2, dan dari hasil perhitungan menunjukkan bahwa UNB dan Gram-Schmidt memiliki kemampuan yang cukup baik dalam segi spektral maupun spasial seperti ditunjukkan pada Gambar 1. Metode Pansharpening Gram Schmidt memiliki nilai korelasi tertinggi untuk digunakan sebagai indeks vegetasi NDVI dibandingkan dengan metode Ehlers fusion (EF), modified hue-intensity-saturation (Mod- HIS), high pass filtering (HPF), Brovey transform (BT), dan wavelet-based principal component analysis (W- PC), berdasarkan penelitian Jawak dan Luis (2013) yang mengevaluasi metode Pansharpening menggunakan citra satelit WorldView-2. Sedangkan metode Pansharpening UNB atau Yun Zhang PANSHARP secara

3 Seminar Nasional Penginderaan Jauh ke-4 Tahun 2017 konsisten dapat menghasilkan gambar warna beresolusi tinggi yang memiliki detail yang sama seperti input gambar pankromatik resolusi tinggi dan warna yang sama dengan input gambar beresolusi rendah. (Adhamkhiabani, 2014). Oleh karena itu penelitian ini bertujuan untuk mengetahui kemampuan metode pansharpening pada indeks lahan terbangun NDBI. Metode pansharpening yang digunakan adalah Gram-Schmidt dan UNB atau Yun Zhang PANSHARP karena menurut pengetahuan peneliti kedua metode pansharpening tersebut adalah yang terbaik. Hasil dari pengaplikasiaan metode pansharpening pada indeks lahan terbangun NDBI diharapkan peneliti sebagai solusi dalam menyediakan data penginderaan jauh yang dapat memberikan informasi lahan terbangun seperti permukiman dengan baik dari segi kualitas maupun kuantitas namun efisien dari segi waktu dan biaya. 2. METODE Obyek pada penelitian ini adalah lahan terbangun di Kota Pontianak. Kota Pontianak adalah ibukota dari Provinsi Kalimantan Barat yang secara astronomis terletak pada 0 02' 24" LU 0 01' 37" LS dan ' 25" ' 04" BT. Kota Pontianak dibelah oleh Sungai Kapuas yang merupakan sungai terpanjang di Indonesia dan Sungai Landak. Data-data yang digunakan dalam penelitian ini antara lain: citra satelit Landsat 8 OLI perekaman 21 Agustus 2014 dan foto udara wilayah Kota Pontianak resolusi spasial 15cm dengan tahun perekaman Data-data tersebut diolah sesuai urutan berdasarkan penelitian Jawak dan Luis (2013). 2.1 Pra-pengolahan Citra Satelit Pra pengolahan citra satelit dalam penelitian ini adalah koreksi radiometri. Koreksi radimetri berupa kalibrasi nilai spektral ke nilai ToA (Top of Atmosphere) Planetary Reflectance. Rumus kalibrasi ke nilai ToA Planetary Reflectantance (USGS, 2013) adalah sebagai berikut: ρλ' = ( ) = ( )...(1) dimana: ρλ' : ToA Planetary Reflectantance dengan koreksi sudut matahari Mp : Nilai Reflektan Multi Band Qcal : Nilai piksel Ap : Nilai Reflektan Add Band ΘSZ : Sudut zenithal matahari dalam derajat ΘSE : Sudut elevasi matahari dalam derajat Hasil koreksi radiometrik tersebut hanya hingga sensor reflectance saja, untuk meminimalisir gangguan dari spektral lain dan supaya mendapatkan spektral asli dari objek maka dilakukan koreksi atmosferik. Koreksi atmosferik yang digunakan adalah DOS (Dark of Substraction) guna mendapatkan nilai reflektan terendah yaitu sebesar Pansharpening dan Transformasi Indeks Lahan Terbangun NDBI Sesuai yang sudah dipaparkan dilatar belakang bahwa metode pansharpening yang digunakan adalah metode Gram-Schmidt dan UNB. Metode Gram-Schmidt atau juga dikenal dengan SFIM (Smoothing Filtered based Intensity Modulation) digunakan pada perangkat lunak ENVI juga IDRISI, sedangkan metode UNB atau Yun Zhang PANSHARP digunakan pada peranagkat lunak PCI Geomatica. Setelah melakukan pansharpening, selanjutnya adalah melakukan transfromasi citra berupa indeks lahan terbangun NDBI. Nilai NDBI dalam penelitin ini didapat dengan mengadopsi metode perhitungan dari (Zha dkk,2003), yaitu NDBI= (SWIR-1-NIR)/(SWIR-1+NIR)...(2) dimana: NDBI : Indeks lahan terbangun NDBI SWIR-1 : Kanal Shortwave Infared NIR : Kanal Near Infared 55

4 Pengaruh Pansharpening Terhadap Indeks Lahan Terbangun NDBI Menggunakan Citra Satelit Landsat 8 di Kota Pontianak. (Fari) Berdasarkan perhitungan NDBI dari Zha (2003), band yang digunakan dalam transformasi NDBI adalah band SWIR-1 (Shortwave Infrared) atau inframerah pendek dan band NIR (Near Infrared) atau inframerah dekat. Pada citra satelit Landsat 8, band SWIR-1 berada pada band 6 sedangkan band NIR berada pada band Uji Akurasi Hasil Pansharpening dan Indeks Lahan Terbangun NDBI Uji akurasi dalam penelitian ini hanya menggunakan analisis korelasi dan penghitungan nilai RMSE. Ada beberapa hasil yang diuji akurasinya dalam penelitian ini. Yang pertama adalah uji akurasi antar band multispektral dan band hasil pansharpening. Band yang digunakan hanya band sebagai pembangun transformasi NDBI yaitu band NIR dan band SWIR-1. Yang kedua adalah uji akurasi antara indeks lahan terbangun NDBI dengan indeks lahan terbangun NDBI hasil pansharpening. Dan terakhir adalah uji akurasi yang hanya uji korelasi antara indeks lahan terbangun NDBI hasil pansharpening dengan informasi kerapatan lahan terbangun dilapangan yang diwakili oleh foto udara Kota Pontianak resolusi spasial 15cm. Analisis korelasi dimaksudkan untuk mengetahui derajat hubungan antara variabel Y yang merupakan nilai band hasil pansharpening dengan variabel X yang merupakan band asli (tanpa pansharpening). Analisis regresi digunakan untuk mengetahui besarnya pengaruh yang diakibatkan adanya perubahan pada setiap variabel X. Hubungan pengaruh kedua data ditentukan oleh nilai korelasi (R) dan koefisien determinasi (R2) yang dihasilkan. 3. HASIL DAN PEMBAHASAN 3.1 Perbandingan Band NIR dan SWIR-1 dengan Hasil Pansharpening Penelitian ini hanya menggunakan citra satelit Landsat 8 dengan liputan area lahan terbangun saja. Hal ini dilakukan agar peneliti benar-benar bisa mengetahui kemampuan pansharpaening pada indeks lahan terbangun NDBI. Untuk itu citra satelit Landsat 8 dipotong dahulu menggunakan deliniasi tutupan lahan berupa lahan terbangun. Gambar 2. Diagram Scatter Hasil Pansharpening Pada band NIR Dari hasil perbandingan band NIR dengan hasil pansharpening (Gambar 2) menunjukkan bahwa pada band NIR metode UNB lebih baik daripada metode Gram-Schmidt. Metode UNB memiliki korelasi sebesar 0,307 sedangkan metode Gram-Schmidt hanya 0,119. Metode UNB juga memiliki koefisien determinasi sebesar 0,09, lebih besar dari metode Gram-Schmidt yang memiliki koefisien determinasi sebesar 0,01. Untuk nilai RMSE, metode UNB jauh memiliki nilai yang lebih baik yaitu 0,28 sedangkan metode Gram- Schmidt hanya 1,50. Pada uji akurasi metode RMSE, semakin nilai RMSE mendekati 0, maka semakin bagus akurasinya. Sedangkan pada nilai korelasi (R) dan koefesien determinasi (R 2 ) semakin nilainya mendekati 1 berati semakin baik akurasinya. Metode UNB memang memiliki nilai korelasi yang lebih baik dari metode Gram- Schmidt. Tetapi nilainya jauh dari 1. Sehingga bisa dikatakan bahwa tidak terdapat hubungan yang kuat antara band NIR dengan band NIR hasil pansharpening baik menggunakan metode UNB ataupun metode Gram-Schmidt (Gambar 3). 56

5 Seminar Nasional Penginderaan Jauh ke-4 Tahun 2017 Gambar 3. Diagram Scatter Hasil Pansharpening Pada band SWIR-1 Dari hasil perbandingan band SWIR-1 dengan hasil pansharpening metode Gram-Schmidt memiliki korelasi sebesar 0,244 sedangkan metode UNB hanya 0,177. Metode Gram-Schmidt juga memiliki koefisien determinasi sebesar 0,06, lebih besar dari metode UNB yang memiliki koefesien determinasi sebesar 0,003. Tetapi untuk nilai RMSE, metode UNB justru memiliki nilai yang lebih baik yaitu 0,20 sedangkan metode Gram-Schmidt hanya 0,33. Berbeda dengan band NIR, pada band SWIR-1 metode Gram-Schmidt memiliki nilai korelasi dan koefesien determinasi lebih baik dari metode UNB. Tetapi nilai korelasinya sangat jauh dari 1, sehingga bisa dikatakan bahwa tidak terdapat hubungan yang kuat antara band SWIR-1 dengan band SWIR-1 hasil pansharpening baik menggunakan metode UNB ataupun metode Gram-Schmidt. Untuk RMSE, metode UNB memiliki nilai lebih baik daripada metode Gram-Schmidt sama seperti pada band NIR. Rahaman (2017) melakukan uji statistik antara band multispektral dengan band pankromatik pada citra satelit Landsat 8 wilayah bagian selatan Provinsi Alberta, Kanada. Uji statistik antara band multispektral tampak (Blue, Green, Red) dengan band pankromatik memiliki nilai korelasi tertinggi dengan koefesien determinasi antara 0.90 sampai Untuk band NIR tidak ada tumpang tindih dalam hal resolusi spektral sehingga memiliki korelasi yang cukup rendah dengan nilai koefisien determinasi sebesar 0,53. Begitu juga dengan band SWIR-1 dan band SWIR-2 tidak ada tumpang tindih dalam hal resolusi spektral tetapi memiliki korelasi yang tinggi dengan nilai koefisien determinasi antara 0,70 sampai 0,90. Perbedaan dalam mengidentifikasi obyek yang membuat tidak ada tumpang tindih dalam hal resolusi spektral pada band NIR dan SWIR-1 dengan band pankromatik. Hal ini yang membuat terjadi perbedaan nilai reflectance dimana pada band asli, nilai reflectance tertinggi adalah 1,5 sedangkan hasil pansharpening baik metode Gram-Schimdt maupun metode UNB memiliki nilai 2,0 sampai 4,0 bahkan mencapai 9,0 untuk metode Gram-Schimdt pada band NIR. 3.2 Perbandingan NDBI Hasil Pansharpening Indeks lahan terbangun NDBI dikembangkan oleh Zha, dkk. (2003) menggunakan analogi dari indeks vegetasi NDVI (Normallised Difference Vegetation Index). Nilai NDBI mempunyai rentang nilai yang sama dengan NDBI, yaitu -1 sampai 1. Dimana nilai piksel semakin mendekati 1 maka semakin menunjukkan bahwa obyek yang ditunjukkan oleh piksel tersebut adalah lahan terbangun. Danoedoro (2012) membandingkan secara visual beberapa transformasi citra seperti UI (Urban Index), NDVI (Normallised Difference Vegetation Index), NDBI (Normallised Difference Built Index) dan Built-up Area yang merupakan pengurangan nilai NDBI dengan NDVI pada Kota Semarang. Citra UI kurang bagus dalam menyajikan perbedaan lahan terbangun dengan non lahan terbangun, sedangkan NDBI bagus dalam menyajikan perbedaan lahan terbangun dan non terbangun meskipun peraairan bewarna cerah. Sedangkan NDVI sama seperti NDBI tetapi dengan kecenderungan terbalik dan citra Built-up Area kurang tajam dibandingkan NDBI dan justru menunjukkan perairan yang cerah sehingga bisa dikacaukan dengan bangunan perkotaan. 57

6 Pengaruh Pansharpening Terhadap Indeks Lahan Terbangun NDBI Menggunakan Citra Satelit Landsat 8 di Kota Pontianak. (Fari) Gambar 4. Diagram Scatter Hasil Pansharpening Pada NDBI Nilai NDBI hasil pansharpening metode Gram-Schmidt memiliki nilai terendah -0,30 dan nilai tertinggi -0,23. NDBI hasil pansharpening metode Gram-Schmidt memiliki korelasi sebesar 0,59 dengan koefisien determinasi sebesar 0,35. Sedangkan nilai RMSE sebesar 0,15 yang berarti selisih nilai NDBI hasil pansharpening metode Gram-Schmidt dengan NDBI yang asli adalah sebesar 0,15. Sedangkan NDBI hasil pansharpening metode UNB memiliki nilai terendah -0,35 dan nilai tertinggi 0,32. NDBI hasil pansharpening metode UNB memiliki korelasi sebesar 0,69 dengan koefisien determinasi sebesar 0,48. Sedangkan nilai RMSE sebesar 0,07 yang berarti selisih nilai NDBI hasil pansharpening metode UNB dengan NDBI yang asli adalah sebesar 0,07. Rentang nilai NDBI hasil pansharpening metode Gram-Schmidt memiliki rentang yang sangat kecil bahkan nilai maksimalnya kurang dari 0. Berbeda dengan rentang nilai NDBI hasil pansharpening metode UNB memiliki rentang yang hampir sama dengan NDBI tanpa pansharpening. Korelasi NDBI hasil pansharpening metode UNB juga memiliki nilai yang baik, dimana nilai korelasi sebesar 0,69 yang berarti memiliki hubungan yang kuat antara NDBI hasil pansharpening metode UNB dengan NDBI tanpa pansharpening. Selain itu nilai RMSE NDBI hasil pansharpening metode UNB lebih kecil dari NDBI hasil pansharpening metode Gram-Schmidt. Gambar 5. Diagram Scatter NDBI dan Kondisi Lahan Terbangun Pada Foto Udara Selanjutnya citra NDBI hasil pansharpening dibandingkan dengan kondisi kerapatan bangunan dilapangan yang diwakilkan dengan foto udara. Foto udara yang memiliki resolusi spasial 15cm mampu menunjukkan kenampakan rumah dengan sangat baik. Uji akurasi menggunakan analisis statistik berupa korelasi dan regresi. Dimana variabel X adalah citra NDBI hasil pansharpening sedangkan variabel Y adalah 58

7 Seminar Nasional Penginderaan Jauh ke-4 Tahun 2017 luas lahan terbangun pada luasan piksel citra hasil pansharpening. Dimana citra hasil pansharpening memiliki ukuran piksel 15x15 meter. Lahan terbangun yang termasuk dalam hitungan antara lain rumah dan lahan dengan tutupan aspal,semen dan paving. Dari hasil analisis statistik, citra NDBI memiliki korelasi yang kuat dengan kondisi lahan terbangun di lapangan yang diwakilkan oleh foto udara, dengan nilai korelasi sebesar 0,67 dengan koefisien determinasi sebesar 0,45. Citra NDBI hasil pansharpening metode Gram-Schmidt memiliki nilai korelasi sebesar 0,39 dengan koefesien determinasi sebear 0,15 sedangkan citra NDBI hasil pansharpening metode UNB memiliki nilai korelasi sebesar 0,57 dengan koefesien determinasi sebesar 0,32. Citra NDBI hasil pansharpening dengan metode UNB memilki hubungan yang lebih kuat dengan kondisi lahan terbangun di lapangan yang ditunjukkan dengan nilai korelasi sebesar 0,57 dibandingkan dengan citra NDBI hasil pansharpening dengan metode Gram-Schmidt. Gambar 6. Perbandingan Kenampakan Permukiman Pada Foto Udara dan NDBI Pansharpening Pada Gambar 6 tersaji kenampakan citra NDBI, hasil pansharpening Gram-Schmidt, UNB dan kenampakan pada foto udara. Terlihat bahwa rentang warna pansharpening metode UNB lebih mirip dengan NDBI yang asli dibandingkan dengan pansharpening metode UNB. Jika membandingkan antara foto udara dengan citra NDBI, terlihat bahwa nilai tertinggi NDBI terdapat pada permukiman yang rapat tanpa ada tutupan lahan vegetasi. Selain kerapatan lahan terbangun yang menjadi faktor yang membuat semakin tingginya nilai NDBI adalah bahan atap bangunan tersebut. Bahan atap berupa metal (seng dan alumunium) dan asebestos memiiki nilai NDBI yang lebih tinggi daripada bangunan dengan atap tanah liat. Untuk Kota Pontianak sendiri sebagian besar bangunan menggunakan atap dari seng baik permukiman, kompleks perumahan dan bangunan kantor, diperkirakan sekitar 90% rumah di Kota Pontianak beratap seng. (Khayan dkk, 2002). Kebiasaan masyarakat di Kota Pontianak yang mengkonsumsi air hujan lah yang menjadi salah satu alasan penggunaan atap seng pada bangunan. Air sumur yang jelek membuat masyarakat menampung air hujan sebagai konsumsi dalam kasus ini atap seng membuat air yang mengalir dari atap ke talang air lalu kepenampungan air tetap jernih berbeda dengan atap tanah liat. Secara umum metode pansharpening UNB yang dikembangkan oleh Yun Zhang dari New Brunswick University memiliki keunggulan dari metode Gram-Schmidt. Metode UNB unggul dari semua uji akurasi 59

8 Pengaruh Pansharpening Terhadap Indeks Lahan Terbangun NDBI Menggunakan Citra Satelit Landsat 8 di Kota Pontianak. (Fari) kecuali pada uji akurasi dengan membandingkan band SWIR-1 dengan band SWIR-1 hasil pansharpening, itu pun hanya pada hasil analisis statistik. Walaupun secara umum metode pansharpening UNB unggul dari metode Gram-Schmidt, bukan berarti metode UNB sangat sesuai diaplikasikan pada indeks lahan terbangun NDBI. Hal ini mengingat uji akurasi NDBI hasil pansharpening UNB menunjukkan nilai yang cukup. Selain itu, pada Gambar 7 tersaji perbandingan visual citra satelit Landsat 8 komposit 654 dengan panshapening dan tanpa pansharpening. Disitu terlihat bahwa hanya digunakan sebagai citra komposit, metode UNB memiliki kemiripan dengan citra satelit Landsat komposit 654 alami (tanpa pansharpening) daripada metode Gram-Schmidt. Metode Gram-Schmidt tidak hanya menunjukkan warna sungai yang berbeda tetapi juga menunjukkan beberapa piksel yang bewarna putih sangat terang yang tidak terlihat pada citra satelit Landsat komposit 654 alami. Pengaplikasian metode pansharpening pada indeks lahan terbangun tidak serta merta terbatas hanya menggunakan metode Gram-Schmidt dan UNB dan indeks lahan terbangun NDBI. Karena masih banyak metode pansharpening yang ada seperti Ehlers, Modified Intensity-Hue-Saturation (M-IHS), High Pass Filter (HPF), dan lain-lain. Gambar 7. Perbandingan Citra Satelit Landsat 8 Komposit 654 Pansharpening dan Tanpa Begitu juga dengan indeks lahan terbangun yang juga banyak jenisnya selain NDBI seperti Urban Index (UI), built-up area extraction method (BAEM) dan lain-lain. Untuk BAEM misalnya yang digunakan Bhatti dan Tripathi (2014) untuk identifikasi wilayah permukiman di Kota Lahore, Pakistan. BAEM sendiri adalah kombinasi dari NDBI, NDBI dan MNDWI, hasil dari model ini memiliki nilai akurasi lebih besar dari NDBI yang hanya sebesar 71,5% dan 80,5% untuk BAEM. BAEM yang menggunakan band tampak (red, green, blue) diasumsi oleh peneliti membuat nilai indeks lahan terbangun dengan pansharpening memiliki hubungan 60

9 Seminar Nasional Penginderaan Jauh ke-4 Tahun 2017 yang kuat. Hal ini berdasarkan hasil uji statistik antara band multispektral tampak (Blue, Green, Red) dengan band pankromatik yang dilakukan oleh Rahaman (2017) dimana hasilnya nilai korelasi yang tinggi dengan koefisien determinasi antara 0.90 sampai 0.98 berbeda dengan band inframerah baik dekat maupun pendek yang koefisien determinasinya 0,53 pada NIR, 0,70 pada band SWIR-1 dan 0,90 pada band SWIR-2. Penelitian terkait pengaplikasian pansharpening pada indeks lahan terbangun dengan metode yang lain diharapkan dapat menjadi solusi penyediaan data penginderaan jauh untuk informasi terkait lahan terbangun yang memiliki kualitas yang baik tetapi efisien dalam biaya. 4. KESIMPULAN Secara umum metode pansharpening UNB yang dikembangkan oleh Yun Zhang dari New Brunswick University memiliki keunggulan dari metode Gram-Schmidt. Metode UNB unggul dari semua uji akurasi kecuali pada uji akurasi dengan membandingkan band SWIR-1 dengan band SWIR-1 hasil pansharpening, itu pun hanya pada hasil analisis statistik. Walaupun secara umum metode pansharpening UNB unggul dari metode Gram-Schmidt, bukan berarti metode UNB sangat sesuai diaplikasikan pada indeks lahan terbangun NDBI. Hal ini mengingat uji akurasi NDBI hasil pansharpening UNB menunjukkan nilai yang cukup. Peneliti dapat memberikan kesimpulan bahwa pansharpening metode Gram-Schmidt dan UNB tidak terlalu cocok diterapkan pada indeks lahan terbangun NDBI. Pansharpening yang digunakan dalam penelitian ini yaitu Gram-Schmidt dan UNB mengurangi akurasi indeks lahan terbangun NDBI dalam memberikan informasi lahan terbangun suatu wilayah. Sehingga pansharpening metode UNB dan Gram-Schmidt yang diaplikasikan pada indeks lahan terbangun NDBI belum bisa memberikan solusi dalam penyediaan data penginderaan jauh untuk studi lahan terbangun yang efisien dari segi waktu dan biaya. 5. UCAPAN TERIMA KASIH Ucapan terima kasih diberikan kepada Ibu Ely Nurhidayati dari Politeknik Negeri Pontianak dalam penyediaan data spasial. 6. DAFTAR PUSTAKA Adhamkhiabani, Adham, S., Zhang, Yun dan Fathollahi, dan Fatemeh. (2014). Influence of image compression on the quality of UNB pan-sharpened imagery: a case study with security video image frames. Proceedings Volume 9100, Image Sensing Technologies: Materials, Devices, Systems, and Applications; 91000X (2014). BAPPEDA Kota Pontianak. (2015). Habis MDGs Terbitlah Target : Era Baru Mewujudkan Permukiman Layak Huni dan Berkelanjutan di Kota Pontianak. pontianakkota.go.id/berita-45-habis-mdgs-terbitlah-target era-baru-mewujudkan-permukiman-layak-huni-dan-berkelanjutan-di-kota-pontianak.html. Diakses: 19/04/17. Bhatti, Saleem, S., Tripathi, dan Kumar, N. (2014). Built-up area extraction using Landsat 8 OLI imagery. GIScience and Remote Sensing, 2014 Vol. 51, No. 4, Danoedoro, Projo. (2012). Pengantar Penginderaan Jauh Digital. Yogyakarta: Penerbit Andi. Fariz dan Ridho, T. (2017). OBIA Classification and Built-up Land Indices NDBI For Estimation Of Settlement Density In Pontianak City. Jurnal Geografi Vol 14, No 2 (2017): July Jawak, Shridhar, D., dan Luis Alvarinho J. (2013). A Comprehensive Evaluation of PAN-Sharpening Algorithms Coupled with Resampling Methods for Image Synthesis of Very High Resolution Remotely Sensed Satellite Data. Advances in Remote Sensing, 2013, 2, Mercovich, dan Ryan A. (2015). Evaluation techniques and metrics for assessment of Pan+MSI fusion (Pansharpening). Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XXI. Khayan, Sudarmadji, Sutomo, dan Heru, A. (2002). Hubungan Waktu Penampungan Air Hujan Dengan Penurunan Keracunan Pb Pada Masyarakat Kota Pontianak. Gama Sains IV (2) Juli Khan, R. R., K.,. Hassan, Q. K., dan Ahmed, M. R. (2017). Pan-Sharpening of Landsat-8 Images and Its Application in Calculating Vegetation Greenness and Canopy Water Contents. Suwarsono dan Khomarudin, M. R. (2014). Deteksi Wilayah Permukiman Pada Bentuklahn Vulkanik Menggunakan Citra Landsat-8 OLI Berdasarkan Parameter Normalized Difference Build-up Index (NDBI). Prosiding Seminar Nasional Penginderaan Jauh

10 Pengaruh Pansharpening Terhadap Indeks Lahan Terbangun NDBI Menggunakan Citra Satelit Landsat 8 di Kota Pontianak. (Fari) U.S. Geological Survey. (2013). Landsat Processing Details. usgs.gov/landsat8_using_product.php Diakses: 01/04/17. Zha, Y., Gao, J., dan Ni, S. (2003). Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International Journal of Remote Sensing. 24(3), pp