LAPORAN PENELITIAN HIBAH PENELITIAN DOSEN

LAPORAN PENELITIAN HIBAH PENELITIAN DOSEN ANALISIS TRANSFORMASI CITRA DAN PENGGUNAAN/PENUTUP LAHAN TERHADAP URBAN HEAT ISLAND BERBASIS CITRA PENGINDERAAN JAUH ISWARI NUR HIDAYATI Laboratorium Penginderaan Jauh Dasar Program Studi Kartografi dan Penginderaan Jauh Jurusan Sains Informasi Geografis dan Pembangunan Wilayah Dibiayai dari Dana Penerimaan Bukan Pajak, Fakultas Geografi, Universitas Gadjah Mada Tahun Anggaran 2013 UNIVERSITAS GADJAH MADA FAKULTAS GEOGRAFI 2013

DAFTAR ISI Intisari... 1 I. Pendahuluan... 1 II. Studi Pustaka... 3 - Penginderaan Jauh Satelit Landsat 5 TM... 3 - Iklim Mikro... 5 - Pulau Bahang Perkotaan... 6 - Transformasi Indeks Vegetasi... 9 - Transformasi Indeks Lahan Terbangun... 9 - Penelitian Sebelumnya... 9 III. Tujuan Penelitian... 11 IV. Metode Penelitian... 11 A. Bahan dan Alat Penelitian... 11 B. Tahapan Penelitian... 12 V. Hasil dan Pembahasan... 17 VI. Kesimpulan... 31 VII. Jadwal Penelitian... 32 VIII. Output Penelitian... 33 iii

ANALISIS TRANSFORMASI CITRA DAN PENGGUNAAN/PENUTUP LAHAN TERHADAP URBAN HEAT ISLAND BERBASIS CITRA PENGINDERAAN JAUH INTISARI Fenonema perubahan iklim menjadi iso global akhir-akhir ini, salah satunya adalah fenomena Pulau Bahang (Urban Heat Island) yang sering dikenal dengan nama UHI. Fenomena ini tentunya dipengaruhi oleh banyak faktor diantaranya permukaan perkotaan, seperti aspal, perkerasaan, atap dan dinding. Kedua, vegetasi yang sedikit dalam wilayah perkotaan seperti pepohonan dan semakbelukar ikut menyumbang terjadinya efek UHI. Pepohonan dapat membuat udara sekitar menjadi lebih dingin melalui evapotranspirasi. Ketiga, UHI juga dipengaruhi oleh kelembaban yang minim karena banyaknya area perkerasan pada daerah perkotaan, aliran permukaan terjadi dengan begitu cepat yang dapat mengurangi efek pendinginan dari penguapan. Tujuan dari penelitian ini adalah (a) untuk mengetahu persebaran dan trend perkembangan temperature (suhu) dari TM Landsat / ETM + band thermal untuk periode 1992 dan 2009; (b) untuk mengetahui pola spasial penggunaan lahan pada tahun 1992 dan 2009; (c) untuk mengkaji hubungan antara suhu kecerahan dan penggunaan/tutupan lahan (Land Use/Cover Pattern - LUCP). Fenomena UHI ini dapat diteliti menggunakan pendekatan data penginderaan jauh melalui beberapa ekstraksi yaitu pemanfaatan dari NDVI, NDWI dan NDBI bisa mewakili tutupan lahan jenis kuantitatif sehingga hubungan antara indeks yang berbeda, seperti NDVI, NDWI, NDBI, dan suhu dapat dibentuk dalam studi UHI. Kata Kunci : urban heat island, NDVI, NDBI I. PENDAHULUAN Pada beberapa tahun terakhir, kegiatan urbanisasi semakin meningkat, tidak terkecuali pada daerah-daerah di Indonesia. Peningkatan urbanisasi ini akan berdampak dengan penambahan penduduk di daerah kota, dan akan membawa beberapa perubahan, seperti perubahan penggunaan lahan menjadi lahan-lahan terbangun atau permukaan yang sulit berevaporasi. Perubahan seperti ini akan membawa perubahan dalam suhu udara rata-rata di kota, dimana berkurangnya vegetasi yang tergantikan oleh lahan-lahan terbangun akan memicu kontrasnya radiansi permukaan dan suhu udara di daerah kota jika dibandingkan dengan daerah desa (Weng, 2004). Dalam kasus seperti ini, perbedaan suhu udara yang berbeda antara daerah kota dan desa disebut dengan efek Urban Heat Island (UHI). 1

Studi mengenai Land Surface ini banyak yang mengambil kasus di kota-kota besar dan kota metropolitan lainnya. Pernyataan ini bukan berarti bahwa Urban Heat Island ini tidak terjadi di kota-kota besar atau kota-kota metropolitan saja, namun Urban Heat Island ini bisa juga terjadi di kota-kota kecil lainnya. Namun kota-kota besar dan kota-kota metropolitan itu memiliki perubahan penggunaan lahan yang lebih sering terjadi dan perubahan suhunya juga lebih besar daripada di kota-kota kecil lainnya. Semua kota apapun ukurannya membentuk iklim tersendiri berbeda dengan iklim makro regional di mana kota itu berada, meskipun karakteristik iklim mikro urban tergantung pada iklim lebih besar (Kopec, 1970). Urban heat island (UHI) telah lama menjadi perhatian bagi lebih dari 40 tahun. Karakteristik dari efek UHI telah dipelajari secara ekstensif. Misalnya, Deosthali (2000) menemukan bahwa pada malam hari, inti kota muncul baik sebagai panas dan kelembaban pulau sedangkan pada saat matahari terbit sebagai panas dan pulau-pulau kering. Saaroni et al. (2000) mengadopsi metode baru untuk monitoring gabungan antara UHI dari skala yang berbeda, yang memungkinkan penilaian spasial kota UHI dan karakteristik yang beragam cakupan termal. Rao (1972) adalah orang pertama yang menunjukkan bahwa daerah perkotaan dapat diidentifikasi dari analisis data inframerah termal dengan menggunakan citra satelit penginderaan jauh. Studi pada fenomena UHI dengan pendekatan penggunaan lahan menggunakan pendekatan Land Surface Temperature (LST) dengan menggunakan citra NOAA AVHRR pada daerah perkotaan (Gallo & Owen, 1998a, b, Streutker, 2002, 2003). Baru-baru ini, Landsat Thermatic Mapper (TM) dan Enhanced Thermatic Mapper Plus (ETM +) dan citra inframerah termal (TIR) juga telah dimanfaatkan untuk penelitian tentang UHI (Chen, Wang, & Li, 2002; Weng, 2001). Hawkins et al. (2004) mempelajari pengaruh variabilitas pedesaan dalam menghitung efek pulau panas perkotaan. Studi kualitatif tentang hubungan antara penggunaan lahan/tutupan pola (LUCP) dan LST akan membantu dalam proses perencanaan penggunaan lahan. Hal ini diketahui bahwa indeks vegetasi yang diperoleh dari berbagai penginderaan jauh dapat digunakan dalam penilaian tutupan vegetasi baik secara kualitatif dan kuantitatif (Tian & Xiangjun, 1998). Hubungan antara indeks vegetasi berbagai tutupan vegetasi telah dibentuk dengan menggunakan analisis regresi (Purevdorj, Tateishi, Ishiyama, & Honda, 1998), seperti Ratio Vegetation Index 2

(RVI), Normalized Difference Vegetation Index (NDVI), Difference Vegetation Index (DVI) dan Perpendicular Vegetasi Index (PVI). NDVI telah digunakan untuk estimasi produktivitas vegetasi dan curah hujan pada daerah semi kering (Chen et al, 2004;.. Wang et al, 2004), sedangkan Normalized Difference Water Index (NDWI) dapat digunakan untuk penentuan Vegetation Water Content (VWC) berdasarkan karakteristik fisik yang ada (Gao, 1996). Zha, Gao, dan Ni (2003) mengembangkan Normalized Difference Built-up Index (NDBI) untuk mengidentifikasi daerah perkotaan dan lahan terbangun. Ada kemungkinan bahwa pemanfaatan dari NDVI, NDWI dan NDBI bisa mewakili tutupan lahan jenis kuantitatif sehingga hubungan antara indeks yang berbeda, seperti NDVI, NDWI, NDBI, dan suhu dapat dibentuk dalam studi UHI. Berdasarkan latar belakang tersebut di atas dapat diketahui bahwa beberaoa transformasi seperti NDVI, PVI, NDWI, NDBI, dapat digunakan untuk melakukan ekstraksi penggunaan lahan atau ekstraksi data lainnya untuk menurunkan informasi yang berbeda sehingga dapat digunakan sebagai analisis untuk urban heat island. Proses ekstraksi menggunakan data multitemporal sehingga dapat diketahui trend dari perkembangan UHI tersebut. Salah satu data penginderaan jauh yang mampu memberikan data termal adalah data Landsat, dimana di satelit yang digunakan terdapat sensor termal dengan resolusi spasial 30 m untuk Landsat 5 TM. Dari data termal ini dapat diolah untuk menghasilkan Land Surface Temperature (LST) dengan menggunakan perhitungan nilai radiansi untuk menghasilkan nilai suhu permukaan. II. STUDI PUSTAKA - Penginderaan Jauh Satelit Landsat 5 TM Karakteristik spasial ditandai dengan resolusi spasial yang digunakan sensor untuk mendeteksi obyek. Resolusi spasial adalah daya pilah sensor yang diperlukan untuk bisa membedakan obyek-obyek yang ada dipermukaan bumi. Istilah lain yang umum digunakan untuk resolusi spasial adalah medan pandang sesaat (Intantenous Field of View /IFOV). 3

Tabel 1. Tabel IFOV pada masing-masing saluran. No Saluran IFOV 1 5,7 30 m x 30 m 6 60 m Karakteristik spektral terkait dengan panjang gelombang yang digunakan untuk mendeteksi obyek-obyek yang ada di permukaan bumi. Semakin sempit julat (range) panjang gelombang yang digunakan maka, semakin tinggi kemampuan sensor itu dalam membedakan obyek. Tabel 2.Tabel nama gelombang dan range panjang gelombang pada masingmasing-masing saluran. No Saluran Nama Gelombang Range Panjang gelombang (µm) 1 Biru 0,45 0,52 2 Hijau 0,53 0,61 3 Merah 0,63 0,69 4 Inframerah dekat 0,78 0,90 5 Inframerah Gelombang pendek 1,55 1,75 6 Inframerah Tengah 10,4-12,5 7 Inframerah Gelombang pendek 2,09 2,35 Landsat 5 merupakan satelit dengan orbit yang selaras matahari (sun synchronous), dan melintas di ekuator pada waktu lokal pukul 10.00 pagi. Landsat TM memiliki kemampuan meliput scenes yang sama (revisit oppotunity) setiap 16 hari. Sistem pada Landsat 5 dirancang untuk mengumpulkan energi pantulan yang dilakukan oleh saluran 1 5, 7 (6 saluran) dan energi pancaran yang dilakukan oleh saluran 6 (1 saluran). Sensor Landsat akan mengkonversi energi pantulan matahari yang diterimanya menjadi satuan radiansi. Radiansi adalah flux energi per satu satuan sudut ruang yang meninggalkan satu satuan area permukaan, pada arah tertentu. Radiansi ini terkait erat dengan kecerahan pada arah tertentu terhadap sensor. Radiansi adalah sesuatu yang diukur oleh sensor dan agak terkait dengan pantulan. Nilai radiansi kemudian dikuantifikasi menjadi nilai kecerahan (brighness value) citra yang tersimpan dalam format digital. Produk keluaran satelit Landsat 5 dibagi menjadi 3 level produk yaitu: 4

Tabel 3. Tabel karakteristik level Landsat 7 ETM + No Saluran 0R 1R 1G Nama Gelombang Level ini dapat dikatakan sebagai data mentahnya landsat 7, dimana dalam data Landsat belum mengalami koreksi radiometric maupun koreksi geometrik Produk pada level ini adalah level 0-R yang mengalami koreksi radiometric Produk pada level ini adalah level 1-R yang telah mengalami koreksi geometri pada proyeksi tertentu. Terdapat 7 pilihan proyeksi yang digunakan yaitu: - UTM - Lambert Conformal Conic - Polyconic - Transverse Mercator - Polar Stereografik - Hotine Oblique Mercator A - Space Oblique Mercator - Iklim Mikro Iklim adalah jalannya keadaan cuaca atau keseluruhan dari gejala gejala cuaca di daerah tertentu sepanjang tahun dari tahun ke tahun. Iklim suatu tempat atau daerah ditentukan oleh sejumlah unsur iklim seperti suhu, lengas udara, curah hujan, kecepatan angin, lama penyinaran matahari dan sebagainya. Sebenarnya unsur unsur iklim tadi tidak lain dari hasil interaksi antara sejumlah faktor iklim yaitu penyebab penyebab yang menentukan corak iklim seperti, lintang tempat, arah angin, jauh dekatnya dari pantai, relief, tipe tanah, tumbuhan atau vegetasi (Daldjoeni, 1986). Menurut Daldjoeni (1986) mikroklimatologi adalah cabang dari klimatologi yang meempelajari iklim dari daerah yang sangat terbatas atau sempit karena berhubungan dengan tanaman. Datanya diambil dari udara setinggi 1,5 meter di atas permukaan tanah. Iklim mikro dapat diartikan iklim dari lapisan lapisan udara yang terendah, akan tetapi dapat juga diartikan iklim dari wilayah yang sempit seperti hutan, kota, desa, rawa dan sebagainya. Antara temperatur dan iklim terdapat hubungan yang cukup erat, hingga terdapat klasifikasi iklim berdasar temperatur (climate classification based on temperature) yang tercantum dalam Marbun (1979), yaitu : a. Winterless Climates of Low Lattitudes Iklim tropik atau iklim khatulistiwa dimana tidak terdapat musim dingin (winter). Batasnya di utara dan selatan equator ialah isoterm 18 C pada bulan 5

bulan yang terdingin, artinya bulan terdingin tiap tahun tidak pernah temperatur lebih rendah dari 18 C. b. Middle Lattitude Climates Iklim sedang dimana terdapat musim panas (summer) dan musim dingin (winter). c. Summerless Climates of High Lattitudes Iklim dingin atau iklim kutub. Tidak terdapat lagi musim panas (summer). Daerah iklim ini terdapat masing masing di daerah kutub utara dan selatan. Batasnya isoterm 10 C pada bulan bulan yang terpanas, artinya pada bulan yang terpanas setiap tahunnya tidak pernah mencapai tempeartur lebih tinggi dari 10 C. Isoterm 10 C dari bulan bulan terpanas kira kira bertapatan dengan batas pohon paling utara. - Pulau Bahang Perkotaan (Urban Heat Island) Urban Heat Island (UHI) atau Pulau Bahang adalah suatu fenomena dimana daerah perkotaan memiliki suhu yang lebih tinggi dibandingkan dengan daerah pedesaan. UHI ini ibarat sebagai kubah raksasa yang memerangkapkan panas pada suatu kota. Pemakaian AC serta alat-alat listrik lain untuk mendinginkan suhu dalam ruangan, sesungguhnya menjadi salah satu faktor pembentuk UHI. Kubah raksasa ini terbentuk dari beberapa elemen yang terdapat di dalam kota tersebut. Permukaan kota yang terdiri dari aspal dan beton umumnya lebih panas pada siang hari dibandingkan dengan daerah yang bervegetasi. Permukaan buatan manusia ini sangat efisien untuk menyimpan energi surya, mengubahnya menjadi energi panas, dan melepaskannya pada malam hari, menciptakan suatu wilayah dengan udara yang panas di sekitar kota yang dikenal sebagai heat island (pulau bahang). Perbedaan suhu udara antara daerah yang terkena urban heat island (UHI) dan daerah yang bervegetasi dapat mencapai 6 o C. Beberapa faktor yang dapat memicu terjadinya UHI pada daerah perkotaan diantaranya berupa derajat panas bahan bangunan, tinggi dan jarak antar bangunan, serta tingkat polusi udara. Pada siang hari faktor-faktor ini dapat menyebabkan lebih besar energi matahari yang ditangkap, diserap, dan disimpan pada permukaan kota dibandingkan dengan permukaan desa. Sedangkan pada malam hari, energi yang 6

dilepaskan lebih sedikit, sehingga menghasilkan suhu udara yang lebih tinggi di perkotaan. Gambar 2.1. Sketsa Profil Urban Heat Island (Sumber : Cox, 2005) Heat island terjadi pada kawasan dengan persentase yang tinggi akan material yang menyerap cahaya (non-reflective), permukaan yang bersifat tidak mampu menyerap air dan vegetasi yang minim, serta permukaan yang memerangkap kelembaban. Secara lebih jelas UHI umumnya terjadi karena tiga hal utama. Pertama, UHI diakibatkan dari permukaan perkotaan, seperti aspal, perkerasaan, atap dan dinding. Permukaan ini memiliki albedo yang kecil dan menyerap lebih banyak radiasi surya yang datang, serta meradiasikan kembali berupa sinar panas inframerah. Ini umumnya dapat terjadi pada malam hari, sehingga kota tetap berada pada kondisi hangat dibandingkan dengan daerah pinggiran walaupun tanpa penyinaran matahari. Miller (1986) mengatakan bahwa bangunan beton dan aspal menyerap panas sepanjang hari dan melepaskannya secara lambat pada malam harinya. Sedangkan pada vegetasi (Curran 1985 dalam Sutanto 1987) menyatakan bahwa suhu harian vegetasi variansinya lebih kecil daripada bangunan beton, karena pada siang hari vegetasi menyerap sinar matahari dalam jumlah besar, akan tetapi karena adanya transpirasi yang cukup tinggi maka pada siang hari terjadi pendinginan, tingginya transpirasi dapat mengurangi suhunya pada siang hari. Keberadaan vegetasi dalam jumlah banyak tidaklah mungkin pada daerah urban, melainkan pada daerah rural. Sementara daerah urban tentunya memiliki suhu lebih tinggi akibat kepadatan bangunan berstruktur material beton dan jalan 7

beraspal sebagai wujud kontribusi kota ntuk menyediakan kelayakan infrastruktur. Perbedaan suhu antara daerah urban dan rural yang cukup tajam ini membentuk suatu perbedaan bahang (panas), fenomena ini dikenal sebagai pulau bahang perkotaan atau Urban Heat Island (UHI) dicirikan seperti pulau udara permukaan panas yang terpusat di area urban dan akan akan semakin turun temperaturnya di daerah sekelilingnya pada daerah suburban / rural (Tursilowati, 2008). Kedua, vegetasi yang sedikit dalam wilayah perkotaan seperti pepohonan dan semak-belukar ikut menyumbang terjadinya efek UHI. Pepohonan dapat membuat udara sekitar menjadi lebih dingin melalui evapotranspirasi. Ketiga, UHI juga dipengaruhi oleh kelembaban yang minim karena banyaknya area perkerasan pada daerah perkotaan, aliran permukaan terjadi dengan begitu cepat yang dapat mengurangi efek pendinginan dari penguapan. Fenomena pulau bahang perkotaan ini masih bersifat holistik, karena menurut Voogt (2004) sebenarnya fenomena ini dapat dibagi menjadi tiga jenis yaitu : a) canopy layer heat island (CLHI); b) boundary layer heat island (BLHI); dan c) surface heat island (SHI) Untuk melihat apakah suatu kota mengalami fenomena ini, terdapat pendekatan dalam meneliti keberadaannya, antara lain : a) Penurunan suhu udara di daearah sub urban / rural; b) Panas matahari mengingkatkan suhu permukaan; dan c) Permukaan yang kering dan gelap menyerap banyak sinar matahari. Keberadaan UHI di perkotaan yang jumlahnya setiap tahun makin meningkat di beberapa kota dan nilai perbedaan bahang semakin meningkat antara daerah urban dan sub urban / rural, dapat menyebabkan beberapa efek. Menurut beberapa peneliti terdapat beberapa faktor yang meingkatkan panas perkotaan (Zoer aini, 2004), yaitu : a) Bahan penutup permukaan; b) Bentuk dan orientasi permukaan; c) Sumber kalor; d) Sumber kelembaban; e) Kualitas udara; dan 8

f) Sumber panas maksimum. - Transformasi Indeks Vegetasi Indeks vegetasi merupakan suatu algoritma yang diterapkan terhadap citra (multi saluran), untuk menonjolkan aspek kerapatan vegetasi ataupun aspek lain yang berkait dengan kerapatan, misalnya biomassa, Leaf Area Index (LAI), konsentrasi klorofil, dan sebagainya (Danoedoro, 1996). Pada daerah bervegetasi, bagian dari spektrum inframerah dipantulkan oleh daun dan pantulannya diterima oleh sensor. Sedangkan pada spektrum merah diserap oleh klorofil sehingga mengurangi pantulan cahaya merah yang terdeteksi oleh sensor. Perbedaan pantulan yang kontras tersebut dapat digunakan untuk mengevaluasi adanya vegetasi. - Transformasi Indeks Lahan Terbangun NDBI yang disebut juga Normalized Difference Built-up (Barren) Index. Indeks lahan terbangun (built-up) merupakan suatu algoritma untuk menunjukkan kerapatan lahan terbangun/barren soil. (Friedl dan Brodley, 1997). NDBI sangat sensitif terhadap lahan terbangun atau lahan terbuka. Algoritma ini menggunakan band 5 jika pada Landsat 7 ETM+ untuk menonjolkan kandungan kelembaban pada berbagai penggunaan tanah atau identifikasi terhadap tanah dan bangunan, dan band 4 sangat sensitif mendeteksi vegetasi, sedangkan untuk reflektansi untuk lahan terbuka dan lahan terbangun sangat rendah. Penelitian sebelumnya Khomarudin dalam Mendeteksi Pulau Panas (Heat Island) dengan Data Satelit Penginderaan Jauh, bertujuan untuk mengetahui apakah sebenarnya pulau panas, bagaimana cara mendeteksi pulau panas dan bagaimana pengaruh pulau panas terhadap kehidupan. Penelitian ini dapat bermanfaat dalam perencanaan perkotaan dan desain iklim mikro perkotaan. Penelitian ini menunjukkan bahwa selain menggunakan data stasiun klimatologi, teknologi penginderaan jauh satelit akan banyak membantu dalam pendeteksian pulau panas. Penelitian ini juga menunjukkan bahwa pengaruh pulau panas memberikan banyak dampak negatif, sehingga diperlukan suatu pengembangan perkotaan 9

yang berwawasan lingkungan dengan rimbunan vegetasi yang hijau, sehingga dapat meminimalkan dampak negatif yang muncul. Mallick, dkk (2008) dalam Estimation of land surface temperature over Delhi using Landsat-7 ETM+ menunjukkan distribusi spasial suhu permukaan dari citra Landsat-7 ETM+ yang memperlihatkan suhu yang tinggi pada bagian barat dan selatan-barat yang sebagian besar terdapat pada tanah kosong atau lahan terbuka. Suhu permukaan yang tinggi juga terlihat pada penggunaan lahan industri atau komersial. Nilai suhu permukaan yang rendah dapat terlihat pada penggunaan lahan pertanian, hutan atau vegetasi kerapatan tinggi, hal ini menunjukkan bahwa vegetasi memberikan dampak yang cukup kuat dalam mempengaruhi suhu permukaan. Penelitian ini membandingkan hasil estimasi nilai suhu permukaan dari data satelit dengan hasil pengukuran lapangan (dengan menggunakan data yang memiliki waktu dan periode musim yang sama) dimana hasil yang didapatkan menunjukkan nilai yang sesuai dengan error sekitar 4 C. Murphy, dkk dalam The Relation between Land-cover and The Urban Heat Island in Northeastern Puerto Rico menunjukkan berdasarkan fixed-station dan pengukuran lapangan data yang didapatkan menunjukkan intensitas UHI yang tinggi pada malam hari. Area hutan merupakan satu-satunya area yang dapat mengurangi pemanasan yang ada dikarenakan tutupan kanopi. Efek ini terjadi karena pengurangan panas laten melalui pengembunan di dalam kanopi dan tanah. Semak belukar juga menunjukkan pemanasan yang signifikan pada siang hari, namun juga menunjukkan pendinginan pada malam hari. Oleh karena itu, upaya manusia untuk mengurangi UHI perlu difokuskan dengan cara mempertahankan tutupan kanopi untuk mengurangi efek UHI. Tursilowati (2008) dalam Urban Heat Island dan Kontribusinya pada Perubahan Iklim dan Hubungannya dengan Perubahan Lahan menemukan bahwa daerah penyebaran Urban Heat Island terletak di pusat kota Bandung dan Surabaya. Urban Heat Island di pusat Kota Bandung (2001) maupun Surabaya (2002) semakin melebar dibandingkan dengan tahun 1994. Tingginya laju urbanisasi yang ditandai dengan meningkatnya lahan terbangun (pemukiman dan industri) menjadi salah satu penyebab meluasnya Urban Heat Island yaitu bertambah luasnya area yang bersuhu tinggi (diatas 30 C). 10

III. TUJUAN PENELITIAN 1. Untuk mengetahui persebaran dan trend perkembangan temperature (suhu) dari TM Landsat / ETM + band thermal untuk periode 1992 dan 2009 2. Untuk mengetahui pola spasial penggunaan lahan pada tahun 1992 dan 2009. 3. Untuk mengkaji hubungan antara suhu kecerahan dan penggunaan/tutupan lahan (Land Use/Cover Pattern - LUCP) IV. METODE PENELITIAN Metode yang digunakan adalah metode kuantitatif, dengan menggunakan pemanfaatan penginderaan jauh, baik dari data maupun pengolahannya.data berupa data citra satelit dari sensor termal untuk mendeteksi suhu permukaan, dan data citra multispektral untuk identifikasi indeks densitas bangunan dengan Normalized Difference Built Up Index (NDBI), indeks densitas vegetasi (NDVI), dan penutup/penggunaan lahan. Untuk penentuan hubungan dari NDBI, NDVI, dan penutup/penggunaan lahan terhadap suhu permukaan dan UHI menggunakan informasi hasil pengolahan dan cek lapangan. A. Bahan dan Alat Penelitian Bahan Penelitian Bahan yang digunakan dalam penelitian ini adalah sebagai berikut. Citra Landsat 5 TM Full Band dengan tahun perekaman 1992, dan 2009. Peta RBI Kota Yogyakarta skala 1 : 25.000 Citra Quickbird Kota Yogyakarta Alat Penelitian Alat yang digunakan dalam penelitian ini adalah sebagai berikut. Perangkat Keras : Seperangkat komputer Perangkat Lunak : Software Sistem Informasi Geografi untuk pengolahan data dan penyusunan hasil akhir, Software pengolahan citra digital untuk pengolahan citra digital, Software statistik untuk pengolahan data statistik. Alat kerja lapangan : 11

- GPS receiver - Termometer inframerah - Kamera digital - Alat tulis - Daftar cek lapangan - Meteran B. Tahapan Penelitian Pra Lapangan (Pemrosesan Data) Noise Reduction diperlukan untuk pengolahan data penginderaan jauh, terutama untuk band inframerah termal (TIR). Noise dapat mempengaruhi pengambilan suhu kecerahan (LST). Ada kebisingan berkala (misalnya, garisgaris di TM/band6) dan non-periodik kebisingan (misalnya, Speckles). Dalam penelitian ini, self-adaptif filter method yang digunakan untuk menghapus nonperiodik kebisingan dan Fast Fourier Transform (FFT) metode yang digunakan untuk secara otomatis menghapus kebisingan berkala. Kedua penghapusan periodik dan non-periodik Untuk menganalisis perubahan suhu dan LUCP di daerah penelitian, maka diperlukan analisis multitemporal dengan menyamakan koordinat masing-masing citra dengan menggunakan koreksi geometric dengan menyamakan system proyeksi yang digunakan. Pengolahan untuk pembuatan brightness temperature dari Landsat 5 TM Data termal yang diperoleh masih berupa nilai digital (Digital Number / DN), sehingga harus dikonversi dalam nilai radian. Nilai radian sendiri besarnya merupakan nilai radiasi (pancaran) energi yang dipancarkan benda kemudian terekam dalam sensor satelit. Chen (2002) melakukan penelitian untuk menurunkan data brightness temperature menggunakan dua langkah yaitu dengan cara melakukan konversi digital number dari band 6 ke nilai radiance dengan menggunakan formula sebagai berikut: R = (R R ) + R.(1) Dimana : V = nilai piksel Rmax = 1.896 (mw*cm -2 *sr -1 ) Rmin = 0.1534 (mw*cm -2 *sr -1 ) 12

Kemudian hasil tersebut di atas dikonversi ke dalam temperature (Kelvin) dengan rumus di bawah ini: T = Dimana : K1..(2) = 1260.56 K K2 = 60.766 (mw*cm -2 *sr -1 µm -1 ) b = range nilai spectral effectif (1.239 µm) Terjadi perubahan formula untuk mengubah nilai digital number (DN) menjadi nilai suhu permukaan dikarenakan ketidaksesuaian formula tersebut untuk citra yang digunakan. Nilai suhu tahun 1992 dan 2009 diperoleh dari ekstraksi citra landsat 5 berdasarkan penelitian Charder dan Markham, 2003 menggunakan transformasi untuk mengkonversi nilai digital number (DN) menjadi nilai randian berdasarkan formula sebagai berikut: L = Lmax Lmin Q Q + Lmin Dimana: L = spectral radiance (watts/(m 2 *ster*µm) Lmax Lmin = spectral radiance that is scaled to Qcalmax(watts/(m 2 *ster*µm) = spectral radiance that is scaled to Qcalmin (watts/(m 2 *ster*µm) Q = maximum quantized calibrated pixel (DN=255) Q = maximum quantized calibrated pixel (DN=0) Dan nilai radian diubah menjadi nilai surface temperature berdasarkan formula sebagai berikut T = Dimana: T = brightness temperature (K); L K1 = 666.09 (watts/(m 2 *ster*µm) K2 = 1282.71 (Kelvin) = spectral radiance (watts/(m 2 *ster*µm) K2 ln ( K1 Lτ + 1) Pengolahan untuk pembuatan brightness temperature dari Landsat 7 ETM+ Penurunan informasi untuk brightness temperature dari Landsar 7 ini adalah berdasarkan Landsat 7 user s handbook dengan beberapa langkah di bawah ini 13

berikut: Nilai piksel band 6 dikonversi menjadi radiance dengan formula sebagai Radiance = gain DN + offset....(3) Atau bisa menggunakan formula di bawah ini: Radiance = (QCAL QCALMIN) + LMIN.. (4) Dimana nilai gain dan offset diambil dari header file, QCALMIN = 1, QCALMAX = 255, QCAL = DN, dan LMAX dan LMIN juga diambil dari header file yang merupakan pola pantulan spectral dari digital number 1 dan 255. Kemudian dari hasil tersebut di atas kemudian dirubah menjadi nilai emisivitas dengan rumus di bawah ini: T = ( )..(5) Dimana: T K1 K2 L = brightness temperature (K); = 666.09 (watts/(m 2 *ster*µm) = 1282.71 (Kelvin) = spectral radiance (watts/(m 2 *ster*µm) Penelitian kali ini tidak menggunakan data Landsat 7 ETM+ yang sudah direncanakan sebelumnya. Citra Landsat ETM+ tahun perekaman 2002 yang sudah diolah berdasarkan formula diatas mengalami perbedaan rentang nilai suhu dengan pengolahan citra Landsat 5 TM, sehingga nilai suhu yang diperoleh tidak dapat dilihat korelasi antara Landsat 5 dan 7. Akhirnya penelitian ini hanya membandingkan citra Landsat 5 TM tahun perekaman 1992 dan 2009. - Transformasi NDVI, NDWI, NDBI, dan NDBaI dari landsat 5 TM Transformasi indeks vegetasi yang digunakan kali ini menggunakan NDVI (Normal Difference Index Vegetation). Transformasi ini dipilih dengan alasan dipandang cukup mapan dibandingkan transformasi vegetasi lainnya. Selain itu transformasi ini juga telah banyak digunakan dalam berbagi aplikasi penginderaan jauh. Untuk penggunaan data Landsat 5 TM, persamaan yang digunakan adalah : NDVI = ( ) ( ) ( ) ( )......(6) 14

Transformasi NDWI digunakan untuk melakukan ekstraksi data penginderaan jauh agar mendapatkan vegetasi yang mempunyai kandungan air dan tidak dengan menggunakan formula sebagai berikut: NDWI = ( ) ( ) ( ) ( ).. (7) Transformasi indeks lahan terbangun pada penelitian kali ini menggunakan persamaan NDBI (Normal Deifference Built-Up Index). Transformasi ini dipilih karena merupakan salah satu transformasi yang sudah sering digunakan untuk mengetahui indeks lahan terbangun. Untuk persamaan pada Landsat 5 TM adalah sebagai berikut : NDBI = ( ) ( ) (8) ( ) ( ) Zhao&Chen (2005) melakukan penelitian untuk mengambil lahan kosong dari citra Landsat, indeks barunormalized Difference Bareness Index (NDBaI) menggunakan formula di bawah ini: NDBaI = ( ) ( ) ( ) ( ) (9) Dimana d merepresentasikan nilai piksel yang relevant dari Landsat TM. NDBaI digunakan untuk melakukan analisi perbedaan karakteristik spectral dari land use/land cover. Indeks ini dapat digunakan untuk mengklasifikasikan penggunaan lahan yang berbeda/meliputi jenis (misalnya, vegetasi, air, lahan terbangun) dengan menetapkan sesuai nilai ambang batas. Rentang nilai indeks tersebut tutupan lahan jenis yang tidak konstan, karena nilai tersebut dipengaruhi oleh kondisi berbagai daerah diantaranya adalah kondisi atmosfer dan curah hujan. Sehingga indeks ini dapat digunakan untuk menghubungkan keadaan penggunaan lahan yang ada setelah disesuaikan dengan kondisi iklim pada daerah tersebut. Pemilihan Sampel Untuk pemilihan sampel, dilakukan berdasar satuan pemetaan yang dihasilkan. Satuan pemetaan sendiri disusun dari peta suhu, peta NDVI, peta NDBI, dan peta penutup/penggunaan lahan. Dari satuan-satuan pemetaan yang 15

dihasilkan kemudian dilakukan pengambilan sampel minimal 1 sampel tiap satuan pemetaan. Untuk penyusunan peta NDVI, peta NDBI, dan peta suhu didasarkan pada distribusi piksel, kemudian ditentukan kelas-kelas obyek. Uji Ketelitian Interpretasi Kegiatan uji interpretasi dilakukan untuk melihat tingkat akurasi dari data yang dihasilkan dalam kegiatan laboratorium. Untuk uji interpretasi penutup/penggunaan lahan dilakukan secara kuantitatif, yang dinyatakan dalam persen, dengan rumus sebagai berikut : Tingkat Ketelitian = x 100%...(10) Pengumpulan Data Lapangan a. Data temperatur permukaan Data temperatur permukaan diperoleh dengan pengukuran langsung di lapangan dengan menggunakan termometer inframerah, yang merupakan alat yang mampu mengukur suhu secara langsung di permukaan. Pengukuran suhu dilakukan pada tiap sampel dari satuan pemetaan yang dihasilkan, sehingga bisa didapatkan variasi dari berbagai macam gabungan unsur pemetaan yang digunakan. Untuk waktu pengukuran dilakukan dari pukul 08.00 WIB hingga pukul 10.00 WIB. Jangka waktu 2 jam dianggap masih memiliki kondisi suhu yang relatif sama dan untuk mengakomodasi pengambilan sampel untuk waktu lapangan yang terbatas. b. Data kepadatan lahan terbangun dan kepadatan vegetasi Kegiatan lapangan ini untuk mengecek akurasi dari transformasi NDVI dan NDBI yang dilakukan, dengan menggunakan bantuan citra beresolusi tinggi untuk menunjukkan tingkat kepadatan baik dari vegetasi maupun lahan terbangun. Untuk kegiatan di lapangan sendiri sekaligus mengecek dari akurasi dari penggunaan citra resolusi tinggi. Pasca Lapangan - Perhitungan Data Statistik 16

a. Korelasi Uji korelasi dilakukan untuk melihat hubungan antara : I. Suhu dan penutup/penggunaan lahan II. Suhu dan densitas vegetasi III. Suhu dan densitas bangunan Dari uji korelasi ini digunakan untuk mengetahui derajat asosiasi dari aspek yang digunakan, sehingga bisa terlihat tingkat pengaruh dari tiap aspek yang digunakan. b. Regresi Hubungan fungsional antara peubah (misal y) dengan beberapa peubah lainnya (misal x1, x2,..., xn) yang dinyatakan dalam bentuk: c. Metode Analisis Keruangan Mengetahui Distribusi Temperatur Permukaan Distribusi temperatur permukaan dapat dilihat dari ekstraksi citra. Dari data ini kemudian dapat dilihat bagaimana distribusi suhu yang ada di daerah penelitian. Mengetahui Hasil Perbandingan dan Hubungan Suhu dengan Penutup/Penggunaan Lahan, NDVI, NDBI, NDBaI Untuk analisis ini didasarkan pada hasil di lapangan dan hasil analisis data statistik. Analisis ini digunakan untuk melihat bagaimana hubungan yang terjadi, seberapa besar hubungan yang ada, dan bagaimana pola hubungan yang terjadi. V. Hasil dan Pembahasan Koreksi Radiometrik citra Landsat 5 TM yang digunakan dalam penelitian ini yaitu mengubah digital number pada saluran 6 menjadi nilai radian berdasarkan algoritma tertentu. Nilai Rmax dan Rmin yang digunakan dalam algoritma adalah 1,896 mw cm -2 sr -1 ; dan 0,1534 mw cm -2 sr -1. Hasil yang didapat menunjukan adanya perubahan nilai piksel dari citra yang belum terkoreksi dengan citra yang sudah terkoreksi. Histogram dari hasil koreksi radiometrik citra Landsat 5 TM tahun 1992 menunjukan nilai piksel minimum dan maksimum sebesar 8,436; dan 10,042 yang semula sebesar 131, dan 160 (Lampiran 1.1). distribusi nilai piksel 17

sebelum dan sesudah koreksi radiometrik citra Landsat 5 TM tahun 1992 dan 2009 juga dapat dilihat pada tabel 5.1 Tabel 5.1 Distribusi nilai piksel citra Landsat 5 TM sebelum dan sesudah koreksi radiometrik Nilai Piksel Tahun Koreksi Radiometrik Min Max Mean Sebelum 123 162 145,574 1992 Sesudah 8,436 10,042 9,123 Sebelum 123 162 145,574 2009 Sesudah 7,993 10,153 9,244 Proses klasifikasi penggunaan lahan pada penelitian ini menggunakan cara kerja algoritma klasifikasi multispektral, di mana pengklasifikasiannya didasari atas nilai spektral dari tiap pikselnya sekaligus pada beberapa saluran. Proses klasifikasi multispektral yang ada berupa klasfikasi terselia dengan algoritma Maximum Likelihood. Algoritma ini dapat dikatakan sebagai algoritma yang mapan secara statistik dikarenakan adanya asumsi bahwa obyek yang homogen selalu memberikan histogram yang berdistribusi secara normal. Selain itu juga penentuan klasifikasi memanfaatkan nilai-nilai statistik berupa rerata, simpangan baku, variansi, dan kovariansi dari tiap sampel yang digunakan. Hasil yang ada menunjukan sejumlah penggunaan lahan mulai dari lahan terbangun, jalan, lahan kosong, vegetasi kerapatan tinggi, dan vegetasi kerapatan rendah (Gambar 5.1). (a) (b) Gambar 5.1 Hasil klasifikasi multispectral dengan algoritma maximum likelihood (a) tahun 1992, (b) tahun 2009. 18

Berdasarkan hasil klasifikasi penggunaan lahan tahun 1992, dan 2009, dapat diketahui adanya beberapa perubahan penggunaan lahan. Adanya kegiatan lapangan menambah informasi perubahan penggunaan lahan yang terjadi. Mengambil contoh perubahan penggunaan lahan yang terjadi pada sampel dengan koordinat 49 M 430185; 9141925 (Lampiran 1.3). Hasil klasifikasi penggunaan lahan tahun 1992 di koordinat sampel tersebut menunjukan penggunaan lahan berupa vegetasi kerapatan tinggi, namun 17 tahun kemudian, yaitu di tahun 2009 menunjukan adanya perubahan penggunaan lahan menjadi lahan terbangun. Perubahan penggunaan lahan ini di benarkan oleh adanya kegiatan lapangan yang menunjukan bahwa lokasi tersebut adalah kawasan pertokoan. Berdasarkan 100 sampel yang dipilih secara acak, dapat diketahui bahwa perubahan penggunaan lahan cenderung ke arah lahan terbangun, baik itu berasal dari lahan kosong, vegetasi kerapatan rendah, maupun vegetasi kerapatan tinggi. Hal ini dapat dilihat pada lampiran 1.3. Uji akurasi interpretasi penggunaan lahan dilakukan melalui perhitungan kuantitatif dari kesesuaian terhadap data lapangan. Berdasarkan 100 sampel yang digunakan secara acak, akurasi interpretasi pada citra Landsat 5 TM perekaman tahun 2009 adalah sebesar 77%. Adanya perbedaan waktu perekaman citra dengan kegiatan lapangan dapat mempengaruhi besarnya nilai akurasi dari interpertasi penggunaan lahan. Perbedaan 4 tahun antara waktu perekaman citra dengan kegiatan lapangan menunjukan adanya perubahan-perubahan penggunaan lahan di lokasi penelitian. Mengingat sebagian besar lokasi penelitian berada di daerah perkotaan, yaitu di Kota Yogyakarta, sehingga dalam kurun waktu 4 tahun sudah banyak terjadi perubahan penggunaan lahan, seperti pada sampel dengan koordinat 49M 435285 9138025 yang semula di tahun 2009 berupa lahan kosong, setelah dilakukan kegiatan survey lapangan didapatkan berubah menjadi kebun. Selain memang karena adanya perubahan penggunaan lahan, kesalahan dalam menentukan kriteria sampel dari tiap penggunaan lahan juga dapat mempengaruhi besarnya ketelitian interpretasi. Oleh karena itu, selain sistem klasifikasi yang digunakan, hal penting yang harus diperhatikan dalam melakukan klasifikasi terselia adalah kriteria sampel yang dimasukan berdasarkan kecenderungan spektralnya. 19

Tingkat Ketelitian = Jumlah sampel yangsesuai x 100% jumlah seluruh sampel = 77 x 100% 100 = 77% Penentuan nilai brightness temperature memanfaatkan saluran 6 pada citra Landsat 5 TM tahun perekaman 1992, dan 2009 yang merupakan saluran inframerah termal dengan panjang gelombang 10,40µm 12,50 µm. Hasil yang ada menunjukan besarnya brightness temperature di tiap pikselnya. Pengambilan 100 sampel secara acak pada lokasi penelitian mendapatkan besarnya suhu dari tiap penggunaan lahan (Lampiran 1.1). Berdasarkan hasil yang didapat, menunjukan bahwa adanya perubahan suhu ditiap penggunaan lahan dari tahun 1992 ke tahun 2009. Rata-rata perubahan suhu yang terjadi dapat mencapai 0,99 0 C. Seperti contoh pada penggunaan lahan berupa lahan terbangun yang semula di tahun 1992 memiliki nilai suhu sebesar 27,575 0 C, naik sekitar 1,2 0 C menjadi sekitar 28,775 0 C (Gambar 5.3). Suhu ( 0 C) 30 29 28 27 26 25 24 23 Lahan Terbangun Suhu Rata-Rata Tipe Penggunaan Lahan Jalan Lahan Kosong Vegetasi 1 Vegetasi 2 Penggunaan Lahan 1992 2009 Gambar 5.2 Grafik Suhu rata-rata tiap tipe penggunaan lahan tahun 1992 dan 2009. 20

Selain itu juga dapat dikatakan bahwa penggunaan lahan berupa lahan terbangun memiliki suhu yang lebih tinggi bila dibandingkan dengan penggunaan lahan yang lainnya, baik di tahun 1992 maupun di tahun 2009. Perbandingan diantara suhu lahan terbangun dengan penggunaan lahan lainnya juga menunjukan selisih yang relatif besar (Gambar 5.3). Hal ini dapat disebabkan karena energi yang dipancarkan oleh lahan terbangun cenderung lebih besar untuk kemudian terekam oleh sensor satelit. Perbedaan penggunaan atap bangunan pada lahan terbangun akan mempengaruhi besarnya pancaran energi yang dipantulkan dari sumber energi yang didapat. Adanya perubahan penggunaan lahan di daerah perkotaan menjadi lahan terbangun dapat meningkatkan suhu sekitar dan berdampak pada terjadinya fenomena Pulau Bahang atau Urban Heat Island. Sebaliknya, penggunaan lahan berupa vegetasi 2 yang memiliki tingkat kerapatan vegetasi yang tinggi cenderung memiliki suhu yang rendah dibandingkan dengan penggunaan lahan yang lain, baik di tahun 1992 maupun di tahun 2009. Meningkatnya jumlah penggunaan lahan vegetasi 2 di daerah perkotaan tentunya akan membuat udara sekitar menjadi lebih dingin, akibat adanya proses evapotranspirasi dari vegetasi tersebut. Tabel 5.2. Perbandingan suhu antara (1) lahan terbangun dan jalan, (2) lahan terbangun dan lahan kosong, (3) lahan terbangun dan vegetasi 1, (4) lahan terbangun dan vegetasi 2. Tahun Tipe LT-J (1) LT-LK (2) LT-V1 (3) LT-V2 (4) 1992 0.331429-0.13751 2.089552 1.466195 2009 0.720502 0.361836 1.62579 2.081667 Oleh karena itu dibuat uji korelasi untuk melihat hubungan suhu dengan faktor yang mempengaruhi peningkatannya serta melihat faktor dominan penggunaan lahan pada proses kenaikan suhu. 21

Gambar 5.3 Hasil pengolahan citra Landsat 5 TM pada tahun 1992 dan 2002 berdasarkan transformasi NDVI, NDBI, NDWI 22

Gambar 5.4 Grafik uji Regresi suhu dan densitas vegetasi tahun (a) 1992 (b) 2009 Gambar 5.4 menunjukan nilai keofisien determinasi 30,26% dan 40,90%. Nilai koefisien determinasi (R) bernilai negatif yang berarti kedua paramater berbanding terbalik, di mana semakin tinggi kerapatan vegetasi maka suhu semakin rendah. Namun, nilai R yang kecil (dibawah 0.5) menunjukan rendahnya tingkat hubungan suhu dan densitas vegetasi, sehingga dianggap nilai densitas vegetasi kurang berpengaruh pada penurunan suhu. Selain itu, nilai koefisien regresi pada tahun 1992 menjadi sangat kecil yaitu 0.3. Hal ini dikarenakan adanya piksel dengan nilai 23

NDVI dan suhu yang tinggi, sehingga berbeda dengan asumsi awal bahwa NDVI yang tinggi menyebabkan suhu yang rendah. Hal ini dapat dipengaruhi oleh jenis vegetasi dengan tutupan yang tidak terlalu rimbun menyebabkan penyerapan panas oleh oksigen tidak maksimal, sehingga nilai densitas vegetasi yang tinggi akan tetap memiliki suhu yang tinggi. Hal ini tidak banyak ditemukan pada tahun 2009 karena sudah terjadi perubahan penggunaan lahan yang menyebabkan nilai NDVI rendah diikuti dengan suhu permukaan yang rendah pula. Setelah dilakukan pengecekan di lapangan maka dilakukan hubungan antara nilai indeks vegetasi dengan hasil kerapatan di lapangan, sehingga ditemukan koefisien determinasi (r 2 ) sebesar 0,75. 0,7 0,6 Uji Regresi NDVI dengan Kerapatan vegetasi di Lapangan NDVI 0,5 0,4 0,3 0,2 y = 0,0083x + 0,0399 R² = 0,7568 0,1 0 0 10 20 30 40 50 60 70 80 Kerapatan (%) Gambar 5.5. Hasil Uji Regresi dengan Kerapatan Vegetasi di Lapangan 24

Gambar 5.6. Hasil Uji Regresi Nilai kerapatan vegetasi dengan temperature Dari grafik di atas menggambarkan bahwa nilai keofisien determinasi sebesar 40,90% sehingga mempunyai pengaruh yang cukup. Pengaruh keberadaan vegetasi sebenarnya sangat mempengaruhi keadaan temperature, hanya saja tergantung dari jenis vegetasi yang ditaman pada daerah penelitian, sehingga perlu diadakan penelitian lebih lanjut tentang jenis vegetasi untuk mengetahui faktor-faktor yang mempengaruhi fluktuasi temperature. Hal kedua yang dikaji adalah pengaruh nilai NDBI terhadap fluktuasi temperature di daerah penelitian. Adapun persebaran hasil pengolahan data, uji lapangan, dan hasil analisis statistik dapat dilihat dalam tabel 5.3. 25

Gambar 5.5 Grafik uji korelasi suhu dan densitas lahan terbangun tahun (a) 1992 (b) 2009 Hubungan antara suhu dan densitas bangunan berdasarkan grafik yang ditunjukan gambar 5.5 mempunyai korelasi yang cukup tinggi, ditunjukan dengan nilai koefisien regresi sebesar 0.47 tahun 1992 dan 0.44 tahun 2009. Nilai koefisien regresi tersebut bernilai positif yang berarti nilai suhu dan densitas bangunan berbanding lurus, semakin tinggi densitas bangunan maka suhu semakin naik. Hal ini dapat dipengaruhi oleh jenis atap yang banyak menyerap panas dari matahari 26

No sebagai sumber energi untuk kemudian dipancarkan kembali dan direkam oleh sensor sehingga terjadi kenaikan suhu pada citra hasil pengolahan. Tabel 5.3. Persebaran sampel untuk Uji Kepadatan Bangunan NDBI 2009 Suhu 2009 NDBI 1992 suhu 1992 PL 1992 PL 2009 1 0.084746 27.152622-0.144928 25.034491 Vegetasi 2 Lahan Terbangun 2 0.216418 29.658057 0.074627 28.413336 Jalan Lahan Terbangun 3 0.211268 28.829535 0.101064 27.57688 Lahan Terbangun Lahan Terbangun 4 0.210526 28.829535 0.0375 27.15662 Lahan Terbangun Lahan Terbangun 5 0.141667 28.413336 0.093023 27.15662 Lahan Terbangun Jalan 6 0.179688 27.995795-0.201754 26.311987 Vegetasi 2 Jalan 7 0.112903 27.156622-0.031646 27.150622 Jalan Jalan 8 0.234848 29.658757 0.140244 28.413313 Lahan Terbangun Lahan Terbangun 9 0.214286 28.413336 0.014286 27.15662 Jalan Lahan Terbangun 10 0.230769 28.413336 0.00625 27.156622 Lahan Terbangun Lahan Terbangun 11 0.2 28.41336-0.063492 27.995795 Jalan Jalan 12 0.25 29.658057 0.083333 26.735022 Lahan Terbangun Lahan Terbangun 13 0.193333 28.413336 0.073034 27.15662 Lahan Terbangun Lahan Terbangun 14 0.233766 29.658057 0.10241 27.995795 Lahan Terbangun Lahan Terbangun 15 0.210938 29.658057 0.097222 28.413336 Lahan Terbangun Jalan 16 0.24359 29.244421 0.035714 27.995795 Jalan Lahan Terbangun 17 0.164286 29.658057 0.069767 28.829535 Jalan Lahan Terbangun 18 0.097015 28.413336 0.034247 27.57688 Jalan Lahan Kosong 19 0.243243 29.244421 0.026667 27.995795 Jalan Lahan Terbangun 20 0.185484 28.413336 0.1 27.57688 Lahan Terbangun Jalan 21 0.154412 28.829535 0.046512 27.57688 Lahan Terbangun Lahan Terbangun 22 0.256098 29.658057 0.123596 27.156256 Lahan Terbangun Lahan Terbangun 23 0.063492 27.995795 0.012346 26.735022 Lahan Terbangun Vegetasi 2 24 0.147059 28.413336-0.138462 27.57688 Vegetasi 1 Lahan Terbangun 25 0.205882 28.413336 0.038043 27.995795 Jalan Jalan 26 0.150685 27.995795 0.076087 27.156622 Lahan Terbangun Lahan Terbangun 27 0.236111 29.658057 0.068493 28.413336 Jalan Lahan Terbangun 28 0.133333 28.829535-0.061404 27.57688 Jalan Jalan 29 0.053571 27.156622 0.025974 27.156622 Lahan Terbangun Lahan Terbangun 30 0.139706 27.995795 0.031646 26.311987 Lahan Terbangun Lahan Terbangun 31 0.239726 29.244421 0.059701 27.995795 Jalan Lahan Terbangun 27

No NDBI 2009 Suhu 2009 NDBI 1992 suhu 1992 PL 1992 PL 2009 32 0.09375 27.156622-0.113333 24.60578 Vegetasi 2 Lahan Terbangun 33 0.133333 28.413336-0.0625 26.311987 Jalan Lahan Terbangun 34 0.178082 29.244421 0.05625 27.57688 Lahan Terbangun Lahan Terbangun 35 0.196721 28.413336-0.025316 26.735022 Lahan Terbangun Lahan Terbangun 36 0.230769 29.658057 0.094203 27.995795 Lahan Terbangun Lahan Terbangun 37 0.246575 30.070319 0.077465 27.995795 Jalan Lahan Terbangun 38 0.204225 29.658057 0.132911 28.829535 Lahan Terbangun Lahan Terbangun 39 0.125 27.995795-0.071429 25.461798 Jalan Jalan 40 0.161765 28.829535-0.016129 27.57688 Jalan Lahan Terbangun 41 0.235714 29.244421-0.008333 27.995795 Jalan Lahan Terbangun 42 0.122951 27.156622-0.173333 25.887579 Vegetasi 2 Jalan 43 0.145161 27.57688 0.045455 27.995795 Lahan Kosong Jalan 44 0.143836 27.995795-0.035714 25.887579 Lahan Terbangun Lahan Terbangun 45 0.110169 27.995795-0.041096 27.995795 Jalan Jalan 46 0.128378 27.156622 0.098901 27.995795 Lahan Terbangun Lahan Terbangun 47 0.142857 26.311987 0.07732 25.461798 Jalan Lahan Terbangun 48 0.035088 26.735022-0.10274 24.60578 Vegetasi 2 Jalan 49 0.232877 28.829535 0.04878 27.156622 Lahan Terbangun Lahan Terbangun 50 0.146667 28.413336 0.055556 27.156622 Lahan Terbangun Lahan Terbangun 51 0.166667 28.413336-0.091463 25.887579 Vegetasi 2 Lahan Terbangun Setelah melakukan sampel kemudian peneliti melakukan pengukuran lapangan untuk melihat kepadatan bangunan per piksel, sehingga terbentuk grafik hubungan antara NDBI dengan kepadatan bangunan sebagai berikut: 28

Hubungan NDBI dengan Kepadatan Bangunan di Lapangan 0,3 0,25 0,2 y = 0,0032x - 0,0817 R² = 0,7039 NDBI 0,15 0,1 0,05 0 0 20 40 60 80 100 120 Kepadatan Bangunan (%) Grafik 5.6. Hubungan NDBI dengan Kepadatan Bangunan berdasarkan pengukuran lapangan 29

Gambar 5.6 Grafik uji korelasi suhu dan densitas kelembaban Vegetasi tahun (a) 1992 (b) 2009. Sementara itu, hubungan antara suhu dan densitas kelembaban Vegetasi (NDWI) (Gambar 5.6) menunjukan nilai koefisien regresi yang lebih rendah daripada hubungan suhu dan densitas bangunan. Nilai koefisien regresi bernilai positif yang berarti hubungan kedua parameter berbanding lurus, di mana semakin tinggi densitas kelembaban Vegetasi maka suhu semakin rendah. Suhu ( 0 C) 32 30 28 26 24 22 Uji Korelasi Suhu dan NDBaI Tahun 1992 20 0 50 100 150 y = -0,0118x + 27,646 NDBaI R² = 0,0581 (a) Suhu ( 0 C) Uji Korelasi Suhu vs NDBaI Tahun 2009 25-1 -0,5 0 0,5 y = 1,4661x + 28,808 NDBaI R² = 0,019 (b) 31 30 29 28 27 26 Gambar 5.7 Grafik uji korelasi suhu dan NDBaI tahun (a) 1992, (b) 2009 30

Untuk mengetahui hubungan antara lahan kosong dengan suhu, penelitian ini menggunakan korelasi antara nilai suhu hasil ekstraksi citra Landsat 5 TM dengan nilai dari transformasi NDBaI. Hasil yang didapat menunjukan bahwa hubungan diantara suhu dan NDBaI menunjukan hubungan yang rendah. Hal ini dibuktikan dari nilai koefisien regresi (R) yang hanya sebesar 0,0581 di tahun 1992, dan 0,019 di tahun 2009 (Gambar 5.7). Berdasarkan hasil yang ada dapat dikatakan bahwa lahan kosong tidak begitu memberikan dampak yang besar bagi adanya kenaikan suhu sekitar yang dapat menimbulkan terjadinya fenomena UHI. Tahun Tabel 5.3 Perbandingan nilai regresi keempat transformasi R 2 NDVI NDBI NDWI NDBaI 1992 30,26 47,76 47,71 41,36 2009 40,90 44,87 35,48 - Berdasarkan uji regresi terhadap keempat transformasi tersebut menunjukan bahwa penggunaan lahan terbangun memberikan dampak paling dominan yang ditunjukan dengan nilai koefisien regresi (R) suhu dan NDBI paling besar yaitu 0.47 tahun 1992 dan 0.44 tahun 2009 (Tabel 5.2). Lahan terbangun juga menjadi faktor paling dominan terhadap intensitas UHI di Kota Yogyakarta dimana objek lahan terbangun mengalami kenaikan suhu mencapai 1,2 0 C. VI. KESIMPULAN 1. Persebaran dan trend perkembangan temperature (suhu) dari Landsat 5 TM band thermal untuk periode 1992 dan 2009 mengalami kenaikan suhu rata-rata 0,99 0 C yang menjadi indikasi terjadinya fenomena UHI di Kota Yogyakarta. 2. Penggunaan lahan pada Kota Yogyakarta sebagai wilayah kajian diklasifikasikan menjadi Vegetasi kerapatan tinggi, Vegetasi kerapatan rendah, lahan terbangun, lahan kosong. Pola spasial penggunaan lahan pada tahun 1992 didominasi oleh Vegetasi sementara pada tahun 2009 didominasi oleh lahan terbangun. 31

3. Hasil kajian hubungan antara suhu kecerahan dan penggunaan/tutupan lahan (Land Use/Cover Pattern - LUCP) dilihat berdasarkan hasil transformasi NDVI, NDBI, NDWI dan NDBaI yang dikorelasikan dengan nilai suhu kecerahan. Uji korelasi nilai suhu dan keempat parameter menunjukan bahwa lahan terbangun yang diperoleh dari transformasi NDBI merupakan faktor yang paling dominan mempengaruhi kenaikan suhu dengan nilai koefisien regresi mencapai 0.5184. 4. Hubungan antara intensitas UHI dan pola perubahan penggunaan lahan dilihat secara kuantitatif berdasarkan kenaikan suhu pada setiap objek penggunaan lahan dari tahun 1992 dan 2009. Intensitas UHI paling dipengaruhi oleh lahan terbangun dengan kenaikan suhu objek mencapai 1,2 0 C. VII. JADWAL PENELITIAN Penelitian ini merupakan bagian dari penelitian payung Fakultas Geografi UGM yaitu Peran Geografi dalam Pengembangan Wilayah dan Pengelolaan Lingkungan Berkelanjutan. Penelitian ini juga di bawah laboratorium penginderaan jauh dasar sehingga memerlukan kecermatan dalam mengambil tema dan metode penelitian. Pada akhirnya peneliti ingin membangun sebuah hubungan antara beberapa transformasi citra penginderaan jauh seperti transformasi index Vegetasi, NDBI, NDBaI yang nantinya akan dihubugkan dengan faktor-faktor penyebab terjadinya urban heat island. Fenomena UHI seperti yang kita ketahui bersama semakin meraja lela yang salah satunya menjadi fenomena perubahan iklim makro. Secara rinci hal-hal yang akan dilakukan dalam penelitian ini adalah: 1. Untuk mengetahui persebaran dan trend perkembangan temperature (suhu) dari TM Landsat / ETM + band thermal untuk periode 1992, dan 2009 2. Untuk mengetahui pola spasial penggunaan lahan pada tahun 1992, dan 2009. 3. Untuk mengkaji hubungan antara suhu kecerahan dan penggunaan/tutupan lahan (Land Use/Cover Pattern - LUCP). 4. Untuk mengkaji secara kuantitatif hubungan antara intensitas UHI dan pola perubahan penggunaan lahan dari waktu ke waktu. 32

Rincian Jadwal Penelitian Rincian Kegiatan Penyusunan Proposal penelitian Pengumpulan Data Pemrosesan Data Kerja Lapangan Re-interpretasi Data Analisis Data Penulisan Laporan Bulan ke 1 2 3 4 5 6 VII. OUTPUT PENELITIAN Output penelitian berupa: 1. Hasil penelitian yang berupa laporan akhir penelitian yang meliputi mengenai trend perkembangan temperature, perkembangan pola spasial penggunaan lahan, hubungan antara suhu kecerahan dan penggunaan/penutup lahan, serta kajian kuantitatif hubungan antara intensitas UHI dan pola perubahan penggunaan lahan; 2. Draft jurnal nasional terakreditasi yang rencananya akan dikirimkan ke Bakosurtanal ataupun ke instansi yang lain; 3. Beberapa sub-penelitian yang akan dilakukan oleh mahasiswa diantaranya adalah Keterkaitan Perubahan Penggunaan Lahan terhadap Pola Ruang Terbuka Hijau, Korelasi Pengukuran Lapangan dan Data Penginderaan Jauh untuk Estimasi Stok Karbon Ruang Terbuka Hijau Kota Yogyakarta. DAFTAR PUSTAKA Cox, Jennifer R. 2005. Characterizing the Surface Heat Island of New York City. Daldjoeni N. 1986. Pokok-pokok Klimatologi. Bandung. Penerbit Alumni Danoedoro, P. 1996. Pengolahan Citra Digital. Fakultas Geografi. Universitas Gadjah Mada. Deosthali, V. (2000). Impact of rapid urban growth on heat and moisture islands in Pune City, India. Atmospheric Environment, 34, 2745 2754. Gao, Bo-Cai (1996). NDWI a normalized difference water index for remote sensing of Vegetasitation liquid water from space. Remote Sensing of Environment, 58(3), 257 266. 33

Hawkins, T. W., Brazel, A. J., Stefanov, W. L., Bigler, W., & Saffell, E. M. (2004). The role of rural variability in urban heat island determination for Phoenix, Arizona. Journal of Applied Meteorology, 43, 476 486 Lin, Chuan-Yao, Wan-Chin Chen, Pao-Liang Chang, Yang-Fan Sheng, 2011: Impact of the Urban Heat Island Effect on Precipitation over a Complex Geographic Environment in Northern Taiwan. J. Appl. Meteor. Climatol., 50, 339 353. Owen, T. W., Carlson, T. N., & Gillies, R. R. (1998). An assessment of satellite remotely-sensed land cover parameters in quantitatively describing the climatic effect of urbanization. International Journal of Remote Sensing, 19, 1663 1681. Rao, P. K. (1972). Remote sensing of urban heat islands from an environmental satellite. Bulletin of the American Meteorological Society, 53, 647 648 Saaroni, Hadas, Eyal, Ben-Dor, Arieh, Bitan, & Oded, Potchter (2000). Spatial distribution and microscale characteristics of the urban heat island in Tel- Aviv. Landscape and Urban Planning, 48, 1 18. Streutker, D. R. (2002). A remote sensing study of the urban heat island of Houston, Texas. International Journal of Remote Sensing, 23(13), 2595 2608. Streutker, D. R. (2003). Satellite-measured growth of the urban heat island of Houston, Texas. Remote Sensing of Environment, 85, 282 289. Tian, Qingjiu, & Xiangjun, Min (1998). Advances in study on Vegetasitation indices. Advance in Earth Sciences, 13(4), 327 333 Soux, C.A., J.A. Voogt and T.R. Oke 2004. A model to calculate what a remote sensor sees of an urban surface. Boundary Layer Meteorology, 111, 109-132 Weng, Q. (2001). A remote sensing-gis evaluation of urban expansion and its impact on surface temperature in Zhujiang Delta, China. International Journal of Remote Sensing, 22(10), 1999 2014. Wang, J., Rich, P. M., Price, K. P., & Kettle, W. D. (2004). Relations between NDVI and tree productivity in the central Great Plains. International Journal of Remote Sensing, 25(16), 3127 3138. Zha, Y., Gao, J., & 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), 583 594. Zoer aini Djamal. 2004. Tantangan Lingkungan dan Lansekap Hutan Kota. Jakarta. Bumi Aksara. 34

Lampiran 1.1 Histogram citra Landsat 5 TM sebelum dan sesudah koreksi radiometrik tahun 1992 dan 2009 Histogram Sebelum Koreksi Radiometrik Citra Landsat 5 TM tahun 1992 Histogram sesudah Koreksi Radiometrik Citra Landsat 5 TM tahun 1992 Histogram sebelum Koreksi Radiometrik Citra Landsat 5 TM tahun 2009 35

Histogram sesudah Koreksi Radiometrik Citra Landsat 5 TM tahun 2009 1.2 Tabel sampel suhu dan penggunaan lahan hasil ekstraksi citra Landsat 5 TM tahun perekaman 1992 dan 2009. No sampel Tahun 1992 Tahun 2009 Suhu ( 0 C) PL Suhu ( 0 C) PL 1 25.034491 Vegetasi 2 27.152622 Lahan Terbangun 2 27.995795 Jalan 30.070319 Lahan Terbangun 3 28.413336 Jalan 29.658057 Lahan Terbangun 4 27.57688 Lahan Terbangun 28.829535 Lahan Terbangun 5 27.15662 Lahan Terbangun 28.829535 Lahan Terbangun 6 27.15662 Lahan Terbangun 28.413336 Jalan 7 26.311987 Vegetasi 2 27.995795 Jalan 8 26.311987 Lahan Kosong 26.341987 Lahan Terbangun 9 26.735022 Jalan 28.413336 Lahan Terbangun 10 25.461798 Jalan 26.735022 Vegetasi 2 11 27.150622 Lahan Terbangun 27.156622 Jalan 12 28.413313 Lahan Terbangun 29.658757 Lahan Terbangun 13 27.57688 Jalan 29.658057 Lahan Terbangun 14 27.15662 Jalan 28.413336 Lahan Terbangun 15 27.156622 Lahan Terbangun 28.413336 Lahan Terbangun 16 27.995795 Jalan 28.41336 Jalan 17 26.735022 Lahan Terbangun 29.658057 Lahan Terbangun 18 27.15662 Lahan Terbangun 28.413336 Lahan Terbangun 19 27.995795 Lahan Terbangun 29.244421 Lahan Terbangun 20 27.995795 Lahan Terbangun 29.658057 Lahan Terbangun 21 28.413336 Lahan Terbangun 29.658057 Jalan 22 27.57688 Jalan 28.829535 Jalan 23 28.41336 Lahan Terbangun 30.070319 Lahan Terbangun 24 27.995795 Jalan 29.244421 Lahan Terbangun 25 28.829535 Lahan Kosong 30.070319 Lahan Terbangun 26 28.413336 Jalan 29.658057 Jalan 27 28.829535 Jalan 29.658057 Lahan Terbangun 28 27.57688 Jalan 28.413336 Lahan Kosong 36

No sampel Tahun 1992 Tahun 2009 Suhu ( 0 C) PL Suhu ( 0 C) PL 29 26.735022 Vegetasi 1 28.413336 Vegetasi 2 30 27.995795 Jalan 29.244421 Lahan Terbangun 31 27.57688 Lahan Terbangun 28.413336 Jalan 32 27.57688 Lahan Terbangun 28.829535 Lahan Terbangun 33 27.156256 Lahan Terbangun 29.658057 Lahan Terbangun 34 28.415336 Jalan 29.244421 Jalan 35 27.57688 Vegetasi 1 28.413336 Vegetasi 2 36 26.735022 Lahan Terbangun 27.995795 Vegetasi 2 37 27.57688 Vegetasi 1 28.413336 Lahan Terbangun 38 25.887579 Vegetasi 1 27.995795 Lahan Terbangun 39 26.311987 Vegetasi 1 28.413336 Lahan Terbangun 40 27.995795 Jalan 28.413336 Lahan Terbangun 41 24.60578 Vegetasi 2 24.60578 Jalan 42 24.175635 Jalan 25.887579 Vegetasi 2 43 27.156622 Lahan Terbangun 27.995795 Lahan Terbangun 44 26.735022 Vegetasi 2 25.887579 Jalan 45 28.413336 Jalan 29.658057 Lahan Terbangun 46 27.57688 Jalan 28.829535 Jalan 47 28.413336 Lahan Terbangun 28.829535 Lahan Terbangun 48 27.156622 Lahan Terbangun 27.156622 Vegetasi 1 49 26.311987 Lahan Terbangun 27.995795 Lahan Terbangun 50 27.995795 Jalan 29.244421 Lahan Terbangun 51 24.60578 Vegetasi 2 27.156622 Lahan Terbangun 52 26.311987 Jalan 28.413336 Lahan Terbangun 53 27.57688 Lahan Terbangun 29.244421 Lahan Terbangun 54 24.175635 Jalan 27.995795 Lahan Terbangun 55 26.735022 Lahan Terbangun 28.413336 Jalan 56 27.995795 Lahan Terbangun 29.658057 Jalan 57 27.995795 Jalan 30.070319 Lahan Terbangun 58 28.829535 Lahan Terbangun 29.658057 Lahan Terbangun 59 27.57688 Lahan Terbangun 29.658057 Lahan Terbangun 60 27.57688 Lahan Terbangun 29.658057 Lahan Terbangun 61 27.995795 Lahan Terbangun 30.070319 Lahan Terbangun 62 28.413336 Lahan Terbangun 30.070319 Lahan Terbangun 63 27.57688 Lahan Terbangun 29.658057 Lahan Terbangun 64 28.413336 Jalan 27.995795 Lahan Terbangun 65 25.461798 Jalan 27.995795 Vegetasi 2 66 27.57688 Jalan 28.829535 Lahan Terbangun 67 27.995795 Jalan 29.244421 Lahan Terbangun 68 27.995795 Lahan Terbangun 29.658057 Lahan Terbangun 69 25.887579 Vegetasi 2 27.156622 Jalan 70 27.995795 Lahan Kosong 27.57688 Jalan 71 28.413336 Jalan 28.829535 Jalan 37

No sampel Tahun 1992 Tahun 2009 Suhu ( 0 C) PL Suhu ( 0 C) PL 72 25.887579 Lahan Terbangun 27.995795 Lahan Terbangun 73 28.829535 Vegetasi 2 28.413336 Jalan 74 27.57688 Lahan Terbangun 29.244421 Lahan Terbangun 75 28.413336 Jalan 29.244421 Lahan Terbangun 76 27.995795 Jalan 27.995795 Jalan 77 27.57688 Vegetasi 1 27.57688 Lahan Terbangun 78 27.995795 Lahan Terbangun 27.156622 Lahan Terbangun 79 23.743994 Vegetasi 1 27.156622 Vegetasi 2 80 25.461798 Jalan 26.311987 Lahan Terbangun 81 25.461798 Jalan 27.57688 Vegetasi 1 82 29.658057 Vegetasi 2 28.829535 Vegetasi 1 83 24.175635 Vegetasi 1 25.887579 Vegetasi 2 84 24.60578 Vegetasi 2 26.735022 Jalan 85 24.175635 Jalan 25.461798 Vegetasi 2 86 24.60578 Vegetasi 1 25.887579 Vegetasi 2 87 27.995795 Jalan 28.413336 Lahan Kosong 88 27.156622 Lahan Terbangun 28.829535 Lahan Terbangun 89 25.887579 Jalan 26.735022 Lahan Terbangun 90 27.156622 Lahan Terbangun 28.413336 Lahan Terbangun 91 27.57688 Jalan 29.244421 Jalan 92 27.995795 Lahan Terbangun 30.070319 Jalan 93 22.002325 Vegetasi 1 24.175635 Vegetasi 2 94 29.244421 Lahan Terbangun 29.244421 Jalan 95 25.887579 Vegetasi 2 28.413336 Lahan Terbangun 96 27.156622 Jalan 25.461798 Jalan 97 25.887579 Vegetasi 1 26.735022 Lahan Terbangun 98 25.034491 Vegetasi 2 26.311987 Vegetasi 2 99 27.156622 Lahan Terbangun 25.461798 Jalan 100 23.743994 Vegetasi 1 25.034491 Vegetasi 1 1.3 Tabel perbandingan sampel penggunaan lahan antara hasil ekstraksi citra Landsat 5 TM tahun 1992, dan 2009 dengan hasil survei lapangan No Koordinat Penggunaan Lahan X Y 1992 2009 Lapangan 1 430185 9141925 Vegetasi 2 Lahan Terbangun Pertokoan 2 430815 9138235 Jalan Lahan Terbangun SD dan Masjid 3 429195 9136944 Jalan Lahan Terbangun Univ. Widya Mataram 4 430275 9135835 Lahan Terbangun Lahan Terbangun Permukiman 5 430005 9135295 Lahan Terbangun Lahan Terbangun Permukiman 6 429255 9135835 Lahan Terbangun Jalan Jalan 7 427635 9134545 Vegetasi 2 Jalan Sawah dan Jalan 38

No Koordinat Penggunaan Lahan X Y 1992 2009 Lapangan 8 427245 9135595 Lahan Kosong Lahan Terbangun Perumahan 9 429165 9134065 Jalan Lahan Terbangun Pabrik pengolahan kayu 10 429975 9133825 Jalan Vegetasi 2 Pabrik pengolahan kayu 11 429315 9134155 Lahan Terbangun Jalan Pengrajin Kayu/Pabrik 12 430605 9137995 Lahan Terbangun Lahan Terbangun Permukiman 13 431385 9137665 Jalan Lahan Terbangun Permukiman 14 431835 9138355 Jalan Lahan Terbangun Permukiman 15 432405 9138295 Lahan Terbangun Lahan Terbangun Permukiman dan Kebun 16 432045 9137605 Jalan Jalan Jalan, dan Gedung BPK Yogyakarta 17 432735 9137095 Lahan Terbangun Lahan Terbangun Permukiman 18 432255 9136435 Lahan Terbangun Lahan Terbangun Permukiman 19 431745 9136405 Lahan Terbangun Lahan Terbangun Lapangan dan Permukiman 20 431475 9137155 Lahan Terbangun Lahan Terbangun Komplek Persatuan Tamansiswa 21 430755 9137665 Lahan Terbangun Jalan Jalan dan Permukiman 22 430575 9139375 Jalan Jalan Jalan dan gudang/pabrik 23 429825 9139735 Lahan Terbangun Lahan Terbangun Ruko dan Permukiman 24 429495 9139495 Jalan Lahan Terbangun SD Vidya Kasan 25 430155 9140425 Lahan Kosong Lahan Terbangun Sekolah 26 430965 9140395 Jalan Jalan Komplek MAN 1 Yogyakarta 27 430185 9140515 Jalan Lahan Terbangun Sekolah 28 431475 9141625 Jalan Lahan Kosong Gedung MM UGM 29 432225 9141595 Vegetasi 1 Vegetasi 2 Permukiman 30 432945 9141715 Jalan Lahan Terbangun Permukiman 31 433245 9141355 Lahan Terbangun Jalan Jalan 32 433455 9140185 Lahan Terbangun Lahan Terbangun Permukiman 33 433965 9139195 Lahan Terbangun Lahan Terbangun Permukiman 34 431355 9141775 Jalan Jalan Jalan, dan Gedung 35 431955 9142345 Vegetasi 1 Vegetasi 2 Permukiman 36 432585 9142405 Lahan Terbangun Vegetasi 2 Permukiman 37 431475 9142675 Vegetasi 1 Lahan Terbangun Permukiman 38 429135 9140485 Vegetasi 1 Lahan Terbangun Permukiman 39 428625 9140425 Vegetasi 1 Lahan Terbangun Permukiman 40 427845 9140335 Jalan Lahan Terbangun Permukiman 41 427965 9141895 Vegetasi 2 Jalan Jalan dan pertokoan 42 428235 9142645 Jalan Vegetasi 2 Ruko dan Permukiman 43 429375 9142915 Lahan Terbangun Lahan Terbangun Perumahan 44 430185 9142945 Vegetasi 2 Jalan Jalan 45 431865 9142555 Jalan Lahan Terbangun Permukiman 46 432315 9142465 Jalan Jalan Jalan dan Ruko 39

No Koordinat Penggunaan Lahan X Y 1992 2009 Lapangan 47 432795 9141775 Lahan Terbangun Lahan Terbangun Permukiman 48 432457 9141355 Lahan Terbangun Vegetasi 1 Jalan 49 433995 9140065 Lahan Terbangun Lahan Terbangun Perumahan 50 434955 9139405 Jalan Lahan Terbangun Permukiman 51 435465 9137365 Vegetasi 2 Lahan Terbangun Perumahan 52 433545 9135925 Jalan Lahan Terbangun Permukiman 53 433725 9134635 Lahan Terbangun Lahan Terbangun Permukiman 54 432315 9134755 Jalan Lahan Terbangun Pabrik dan Kebun 55 431775 9135235 Lahan Terbangun Jalan Jalan dan Permukiman 56 430875 9135505 Lahan Terbangun Jalan Jalan 57 431565 9137635 Jalan Lahan Terbangun Permukiman 58 431085 9137665 Lahan Terbangun Lahan Terbangun Permukiman 59 430215 9136645 Lahan Terbangun Lahan Terbangun Permukiman 60 429495 9136615 Lahan Terbangun Lahan Terbangun Komplek Tamansari 61 429075 9136675 Lahan Terbangun Lahan Terbangun Permukiman 62 429285 9138085 Lahan Terbangun Lahan Terbangun Permukiman 63 433995 9137755 Lahan Terbangun Lahan Terbangun Perumahan 64 435435 9139225 Jalan Lahan Terbangun Rel Kereta Api 65 434941 9138445 Jalan Vegetasi 2 Jalan ring road barat 66 437141 9139808 Jalan Lahan Terbangun Jalan ring road utara 67 436308 9139616 Jalan Lahan Terbangun Jalan solo 68 435615 9139675 Lahan Terbangun Lahan Terbangun Kampus T.Elektro UPN 69 436485 9140695 Vegetasi 2 Jalan Jalan dan Permukiman 70 436005 9142195 Lahan Kosong Jalan Jalan dan Perumahan 71 434835 9141625 Jalan Jalan Jalan 72 433515 9142345 Lahan Terbangun Lahan Terbangun Jalan ringroad 73 432885 9142435 Vegetasi 2 Jalan Permukiman 74 433485 9142615 Lahan Terbangun Lahan Terbangun Ruko 75 431895 9142615 Jalan Lahan Terbangun Permukiman 76 431505 9142705 Jalan Jalan Jalan 77 430995 9143275 Vegetasi 1 Lahan Terbangun Permukiman 78 429585 9142885 Lahan Terbangun Lahan Terbangun Ruko 79 436365 9134545 Vegetasi 1 Vegetasi 2 Sawah dan Kebun 80 435435 9133735 Jalan Lahan Terbangun Ladang 81 434055 9133885 Jalan Vegetasi 1 Permukiman 82 433005 9133855 Vegetasi 2 Vegetasi 1 terminal giwangan 83 432045 9133765 Vegetasi 1 Vegetasi 2 Kebun 84 436065 9135205 Vegetasi 2 Jalan Sawah dan Perumahan 85 436905 9136225 Jalan Vegetasi 2 Ladang 86 435975 9137575 Vegetasi 1 Vegetasi 2 Sawah 87 435285 9138025 Jalan Lahan Kosong Kebun 88 434505 9140275 Lahan Terbangun Lahan Terbangun Permukiman 40

No Koordinat Penggunaan Lahan X Y 1992 2009 Lapangan 89 433905 9140695 Jalan Lahan Terbangun Permukiman 90 432945 9137155 Lahan Terbangun Lahan Terbangun Permukiman 91 432075 9137785 Jalan Jalan Jalan 92 431415 9138145 Lahan Terbangun Jalan Jalan dan pertokoan 93 431595 9134305 Vegetasi 1 Vegetasi 2 Kebun dan Perumahan 94 436305 9144895 Lahan Terbangun Jalan TK dan SD Model Sleman 95 433755 9145435 Vegetasi 2 Lahan Terbangun Perumahan 96 431955 9145885 Jalan Jalan Sawah dan Lahan Kosong 97 430065 9145765 Vegetasi 1 Lahan Terbangun Perumahan 98 428415 9144265 Vegetasi 2 Vegetasi 2 Permukiman 99 438225 9134875 Lahan Terbangun Jalan Jalan dan Permukiman 100 436845 9133345 Vegetasi 1 Vegetasi 1 Kebun 1.4 Tabel perbandingan sampel nilai suhu dan NDVI hasil ekstraksi citra Landsat 5 TM tahun 1992, dan 2009. No sample Korelasi 1992 Korelasi 2009 Suhu NDVI Suhu NDVI 1 25.034491 0.236111 27.15262 0.324324 2 27.995795 0.03125 30.07032 0.034483 3 28.413336-0.05 29.65806 0.169231 4 27.57688 0.006711 28.82954 0.093333 5 27.15662 0.096296 28.82954 0.113924 6 27.15662 0.037037 28.41334 0.146667 7 26.311987 0.19403 27.9958 0.064935 8 26.311987 0.115152 26.34199 0.220779 9 26.735022 0.135135 28.41334 0.170732 10 25.461798 0.016393 26.73502 0.333333 11 27.150622 0.135135 27.15662 0.21519 12 28.413313-0.112782 29.65876 0.060606 13 27.57688-0.088 29.65806 0.183099 14 27.15662 0.046154 28.41334 0.111111 15 27.156622 0.097222 28.41334 0.05263 16 27.995795 0.083969 28.41336 0 17 26.735022-0.007092 29.65806 0.068493 18 27.15662 0.006623 28.41334 0.135802 19 27.995795 0.015625 29.24442 0.214286 20 27.995795 0.023256 29.65806 0.37975 41

No sample Korelasi 1992 Korelasi 2009 Suhu NDVI Suhu NDVI 21 28.413336-0.072 29.65806 0.02778 22 27.57688 0 28.82954-0.042254 23 28.41336-0.102041 30.07032 0.11765 24 27.995795-0.051095 29.24442 0.126761 25 28.829535-0.0375 30.07032 0.009901 26 28.413336-0.007519 29.65806 0.125 27 28.829535-0.080745 29.65806 0.044444 28 27.57688-0.014493 28.41334 0.255814 29 26.735022 0.288889 28.41334 0.402299 30 27.995795-0.02069 29.24442 0.055556 31 27.57688-0.007299 28.41334 0.098592 32 27.57688 0.098592 28.82954 0.175 33 27.156256 0.022901 29.65806 0.052632 34 28.415336 0 29.24442 0.2 35 27.57688 0.360544 28.41334 0.379494 36 26.735022 0.104095 27.9958 0.341463 37 27.57688 0.202899 28.41334 0.185185 38 25.887579 0.220588 27.9958 0.235294 39 26.311987 0.125468 28.41334 0.14667 40 27.995795 0.0625 28.41334 0.111111 41 24.60578 1.666667 24.60578 0.166667 42 24.175635 0.113772 25.88758 0.486239 43 27.156622 0.054054 27.9958 0.307692 44 26.735022 0.260274 25.88758 0.315789 45 28.413336-0.052632 29.65806 0.041096 46 27.57688 0 28.82954 0.03125 47 28.413336 0.013889 28.82954 0.113924 48 27.156622 0.028169 27.15662 0.333333 49 26.311987 0.121212 27.9958 0.225 50 27.995795-0.056 29.24442 0.117647 51 24.60578 0.251701 27.15662 0.253012 52 26.311987 0.072848 28.41334 0.239437 53 27.57688 0.11811 29.24442 0.236842 54 24.175635 0.017544 27.9958 0.2 55 26.735022 0.099338 28.41334 0.042254 56 27.995795-0.34483 29.65806 0.014493 57 27.995795-0.055118 30.07032 0.088235 58 28.829535-0.064516 29.65806 0.135135 59 27.57688 0.064516 29.65806 0.08642 60 27.57688-0.014706 29.65806 0.179487 61 27.995795-0.014706 30.07032 0.075 62 28.413336 0.015625 30.07032 0.090909 42

No sample Korelasi 1992 Korelasi 2009 Suhu NDVI Suhu NDVI 63 27.57688 0.062069 29.65806 0.052632 64 28.413336 0.25 27.9958 0.214286 65 25.461798-0.037594 27.9958 0.340426 66 27.57688-0.015385 28.82954 0.179487 67 27.995795-0.068702 29.24442 0.088235 68 27.995795-0.075758 29.65806 0.105263 69 25.887579 0.286624 27.15662 0.226667 70 27.995795 0.123596 27.57688 0.157895 71 28.413336 0.178082 28.82954 0.108108 72 25.887579 0.086957 27.9958 0.195402 73 28.829535 0.121387 28.41334 0.2 74 27.57688 0.026667 29.24442 0.073171 75 28.413336-0.030769 29.24442 0.189189 76 27.995795 0.104895 27.9958 0.164557 77 27.57688 0.207792 27.57688 0.308642 78 27.995795 0.006897 27.15662 0.208791 79 23.743994 0.395973 27.15662 0.390244 80 25.461798 0.064935 26.31199 0.176471 81 25.461798 0.226277 27.57688 0.405405 82 29.658057-0.097143 28.82954 0.371093 83 24.175635 0.26087 25.88758 0.406593 84 24.60578 0.248227 26.73502 0.292683 85 24.175635 0.084507 25.4618 0.456311 86 24.60578 0.25 25.88758 0.428571 87 27.995795 0.171975 28.41334 0.292929 88 27.156622 0.042254 28.82954 0.068493 89 25.887579 0.086093 26.73502 0.210526 90 27.156622 0.051095 28.41334 0.247059 91 27.57688 0.037037 29.24442 0.258065 92 27.995795 0.015625 30.07032 0.014085 93 22.002325 0.397436 24.17564 0.521739 94 29.244421 0.135135 29.24442 0.119048 95 25.887579 0.197531 28.41334 0.033708 96 27.156622 0.070064 25.4618 0.301205 97 25.887579 0 26.73502 0.125 98 25.034491 0.072626 26.31199 0.333333 99 27.156622 0.218543 25.4618 0.35 100 23.743994 0.370629 25.03449 0.517241 43

1.5 Tabel perbandingan sampel nilai suhu dan NDBI hasil ekstraksi citra Landsat 5 TM tahun 1992, dan 2009. No sample Data Tahun 1992 Data Tahun 2009 Suhu NDBI Suhu NDBI 1 25.034491-0.144928 27.15262 0.084746 2 27.995795-0.040984 30.07032 0.159091 3 28.413336 0.074627 29.65806 0.216418 4 27.57688 0.101064 28.82954 0.211268 5 27.15662 0.0375 28.82954 0.210526 6 27.15662 0.093023 28.41334 0.141667 7 26.311987-0.201754 27.9958 0.179688 8 26.311987-0.011111 26.34199 0.15942 9 26.735022-0.06 28.41334 0.147059 10 25.461798-0.238095 26.73502 0.06338 11 27.150622-0.031646 27.15662 0.112903 12 28.413313 0.140244 29.65876 0.234848 13 27.57688 0.092857 29.65806 0.155738 14 27.15662 0.014286 28.41334 0.214286 15 27.156622 0.00625 28.41334 0.230769 16 27.995795-0.063492 28.41336 0.2 17 26.735022 0.083333 29.65806 0.25 18 27.15662 0.073034 28.41334 0.193333 19 27.995795 0.077922 29.24442 0.130435 20 27.995795 0.10241 29.65806 0.233766 21 28.413336 0.097222 29.65806 0.210938 22 27.57688 0.027397 28.82954 0.242424 23 28.41336 0.146161 30.07032 0.201389 24 27.995795 0.035714 29.24442 0.24359 25 28.829535 0.07623 30.07032 0.189024 26 28.413336-0.078947 29.65806 0.081395 27 28.829535 0.069767 29.65806 0.164286 28 27.57688 0.034247 28.41334 0.097015 29 26.735022-0.112676 28.41334 0.008065 30 27.995795 0.026667 29.24442 0.243243 31 27.57688 0.1 28.41334 0.185484 32 27.57688 0.046512 28.82954 0.154412 33 27.156256 0.123596 29.65806 0.256098 34 28.415336-0.014286 29.24442 0.090909 35 27.57688-0.235294 28.41334 0.016949 36 26.735022 0.012346 27.9958 0.063492 37 27.57688-0.138462 28.41334 0.147059 44

No sample Data Tahun 1992 Data Tahun 2009 Suhu NDBI Suhu NDBI 38 25.887579-0.076389 27.9958 0.2 39 26.311987-0.210526 28.41334 0.01797104 40 27.995795 0.038043 28.41334 0.205882 41 24.60578-0.083333 24.60578 0.08 42 24.175635 0 25.88758-0.054795 43 27.156622 0.076087 27.9958 0.150685 44 26.735022-0.138889 25.88758 0.083333 45 28.413336 0.068493 29.65806 0.236111 46 27.57688-0.061404 28.82954 0.133333 47 28.413336 0.060241 28.82954 0.238095 48 27.156622 0.025974 27.15662 0.053571 49 26.311987 0.031646 27.9958 0.139706 50 27.995795 0.059701 29.24442 0.239726 51 24.60578-0.113333 27.15662 0.09375 52 26.311987-0.0625 28.41334 0.133333 53 27.57688 0.05625 29.24442 0.178082 54 24.175635-0.535714 27.9958 0.18 55 26.735022-0.025316 28.41334 0.196721 56 27.995795 0.094203 29.65806 0.230769 57 27.995795 0.077465 30.07032 0.246575 58 28.829535 0.132911 29.65806 0.204225 59 27.57688 0.014706 29.65806 0.194444 60 27.57688 0.075949 29.65806 0.156716 61 27.995795 0.08125 30.07032 0.205479 62 28.413336 0.060811 30.07032 0.216216 63 27.57688 0.057471 29.65806 0.19697 64 28.413336-0.058824 27.9958 0.16 65 25.461798-0.071429 27.9958 0.125 66 27.57688-0.016129 28.82954 0.161765 67 27.995795-0.008333 29.24442 0.235714 68 27.995795 0.113924 29.65806 0.171875 69 25.887579-0.173333 27.15662 0.122951 70 27.995795 0.045455 27.57688 0.145161 71 28.413336 0.0375 28.82954 0.179688 72 25.887579-0.035714 27.9958 0.143836 73 28.829535-0.027174 28.41334 0.125 74 27.57688 0.076923 29.24442 0.185714 75 28.413336 0.074324 29.24442 0.161538 76 27.995795-0.041096 27.9958 0.110169 77 27.57688-0.136986 27.57688 0.104478 45

No sample Data Tahun 1992 Data Tahun 2009 Suhu NDBI Suhu NDBI 78 27.995795 0.098901 27.15662 0.128378 79 23.743994-0.232394 27.15662 0.016949 80 25.461798 0.07732 26.31199 0.142857 81 25.461798-0.025 27.57688 0.018519 82 29.658057-0.019737 28.82954-0.017544 83 24.175635-0.139706 25.88758 0 84 24.60578-0.10274 26.73502 0.035088 85 24.175635-0.092308 25.4618-0.068182 86 24.60578-0.208333 25.88758-0.024194 87 27.995795-0.034884 28.41334 0.119048 88 27.156622 0.04878 28.82954 0.232877 89 25.887579 0.034091 26.73502 0.176056 90 27.156622 0.055556 28.41334 0.146667 91 27.57688 0 29.24442 0.11 92 27.995795 0.09375 30.07032 0.209677 93 22.002325-0.379032 24.17564-0.136364 94 29.244421-0.025 29.24442 0.064815 95 25.887579-0.091463 28.41334 0.166667 96 27.156622-0.045455 25.4618 0.057377 97 25.887579 0 26.73502 0.189655 98 25.034491 0 26.31199 0.046875 99 27.156622-0.028736 25.4618-0.34375 100 23.743994-0.242424 25.03449-0.089286 1.6 Tabel perbandingan sampel nilai suhu dan NDWI hasil ekstraksi citra Landsat 5 TM tahun 1992, dan 2009. No sample Korelasi 1992 Korelasi 2009 Suhu NDWI Suhu NDWI 1 25.034491 0.126582 27.15262-0.092593 2 27.995795 0.03937 30.07032-0.189189 3 28.413336-0.080645 29.65806-0.27619 4 27.57688-0.112426 28.82954-0.267867 5 27.15662-0.038961 28.82954-0.266667 6 27.15662-0.102564 28.41334-0.165049 7 26.311987 0.167833 27.9958-0.219048 8 26.311987 0.010989 26.34199-0.18955 9 26.735022 0.056604 28.41334-0.172414 46

No sample Korelasi 1992 Korelasi 2009 Suhu NDWI Suhu NDWI 10 25.461798 0.192308 26.73502-0.067669 11 27.150622 0.030675 27.15662-0.127273 12 28.413313-0.163121 29.65876-0.306931 13 27.57688-0.102362 29.65806-0.184466 14 27.15662-0.014493 28.41334-0.272727 15 27.156622-0.006289 28.41334-0.3 16 27.995795 0.059701 28.41336-0.25 17 26.735022-0.090909 29.65806-0.333333 18 27.15662-0.078788 28.41334-0.239669 19 27.995795-0.084507 29.24442-0.15 20 27.995795-0.114094 29.65806-0.305385 21 28.413336-0.107692 29.65806-0.267327 22 27.57688-0.028169 28.82954-0.32 23 28.41336-0.169811 30.07032-0.252174 24 27.995795-0.037037 29.24442-0.322034 25 28.829535-0.083333 30.07032-0.233083 26 28.413336 0.073171 29.65806-0.088608 27 28.829535-0.075 29.65806-0.196581 28 27.57688-0.035461 28.41334-0.107438 29 26.735022 0.101266 28.41334-0.00813 30 27.995795-0.027397 29.24442-0.321429 31 27.57688-0.111111 28.41334-0.227723 32 27.57688-0.04878 28.82954-0.182609 33 27.156256-0.141026 29.65806-0.344262 34 28.415336 0.014085 29.24442-0.1 35 27.57688 0.190476 28.41334-0.017241 36 26.735022-0.0125 27.9958-0.067797 37 27.57688 0.121622 28.41334-0.172414 38 25.887579 0.07096 27.9958-0.25 39 26.311987 0.173913 28.41334-0.218182 40 27.995795-0.039548 28.41334 0.259259 41 24.60578 0.076923 24.60578-0.086957 42 24.175635 0 25.88758 0.051948 43 27.156622-0.082353 27.9958-0.177419 44 26.735022 0.121951 25.88758-0.090909 45 28.413336-0.073529 29.65806-0.309091 46 27.57688 0.057851 28.82954-0.153846 47 28.413336-0.064103 28.82954-0.3125 48 27.156622-0.026667 27.15662-0.056604 49 26.311987-0.03268 27.9958-0.162393 50 27.995795-0.063492 29.24442-0.315315 51 24.60578 0.101796 27.15662-0.103448 52 26.311987 0.058824 28.41334-0.153846 47

No sample Korelasi 1992 Korelasi 2009 Suhu NDWI Suhu NDWI 53 27.57688-0.059603 29.24442-0.216667 54 24.175635 0.348837 27.9958-0.219512 55 26.735022 0.024691 28.41334-0.244989 56 27.995795-0.104 29.65806-0.3 57 27.995795-0.083969 30.07032-0.327273 58 28.829535-0.153285 29.65806-0.256637 59 27.57688-0.014925 29.65806-0.241379 60 27.57688-0.082192 29.65806-0.185841 61 27.995795-0.088435 30.07032-0.258621 62 28.413336-0.064748 30.07032-0.275862 63 27.57688-0.060976 29.65806-0.245283 64 28.413336 0.055556 27.9958-0.190476 65 25.461798 0.06667 27.9958-0.142857 66 27.57688 0.015873 28.82954-0.192982 67 27.995795 0.008264 29.24442-0.308411 68 27.995795-0.012857 29.65806-0.207547 69 25.887579 0.147727 27.15662-0.140187 70 27.995795-0.047619 27.57688-0.169811 71 28.413336 0.036145 28.82954-0.219048 72 25.887579 0.034483 27.9958-0.168 73 28.829535 0.026455 28.41334-0.142857 74 27.57688-0.083333 29.24442-0.22807 75 28.413336-0.080292 29.24442-0.192661 76 27.995795 0.039474 27.9958-0.12381 77 27.57688 0.120482 27.57688-0.116667 78 27.995795-0.109756 27.15662-0.147287 79 23.743994 0.188571 27.15662-0.017241 80 25.461798-0.083799 26.31199-0.166667 81 25.461798 0.02439 27.57688-0.018868 82 29.658057 0.019355 28.82954 0.017241 83 24.175635 0.122581 25.88758 0 84 24.60578 0.093168 26.73502-0.036364 85 24.175635 0.084507 25.4618 0.06383 86 24.60578 0.172414 25.88758 0.023622 87 27.995795 0.033708 28.41334-0.135135 88 27.156622-0.051282 28.82954-0.303571 89 25.887579-0.035294 26.73502-0.213675 90 27.156622-0.058824 28.41334-0.171875 91 27.57688 0 29.24442-0.123596 92 27.995795-0.103448 30.07032-0.265306 93 22.002325 0.274854 24.17564 0.12 94 29.244421 0.02439 29.24442-0.069307 95 25.887579 0.083799 28.41334-0.2 48

No sample Korelasi 1992 Korelasi 2009 Suhu NDWI Suhu NDWI 96 27.156622 0.043478 25.4618-0.06087 97 25.887579 0 26.73502-0.234043 98 25.034491 0 26.31199-0.04918 99 27.156622 0.027933 25.4618 0.255814 100 23.743994 0.195122 25.03449 0.081967 1.7 Tabel perbandingan sampel nilai suhu dan NDBaI hasil ekstraksi citra Landsat 5 TM tahun 1992, dan 2009. No sample Korelasi 1992 Korelasi 2009 Suhu NDBaI Suhu NDBaI 1 25.034491 0.179487 27.15262-0.42439 2 27.995795 0.140187 30.07032-0.39726 3 28.413336 0.12605 29.65806-0.388128 4 27.57688 0.074286 28.82954-0.357466 5 27.15662 0.118881 28.82954-0.327434 6 27.15662 0.109677 28.41334-0.425837 7 26.311987 0.2 27.9958-0.3986226 8 26.311987 0.176471 26.34199-0.352113 9 26.735022 0.181102 28.41334-0.373272 10 25.461798 0.183099 26.73502-0.342593 11 27.150622 0.17037 27.15662-0.403846 12 28.413313 0.064935 29.65876-0.394495 13 27.57688 0.09375 29.65806 0.42723 14 27.15662 0.129032 28.41334 0.360731 15 27.156622 0.134752 28.41334-0.312775 16 27.995795 0.125 28.41336-0.460784 17 26.735022 0.70064 29.65806-0.321739 18 27.15662 0.10559 28.41334-0.330357 19 27.995795 0.107914 29.24442-0.372727 20 27.995795 0.106667 29.65806-0.327511 21 28.413336 0.090909 29.65806-0.407407 22 27.57688 0.114504 28.82954-0.388889 23 28.41336 0.062857 30.07032-0.36 24 27.995795 0.085271 29.24442-0.318777 25 28.829535 0.10756 30.07032-0.302128 26 28.413336 0.128713 29.65806-0.558974 27 28.829535 0.088608 29.65806-0.369369 28 27.57688 0.097744 28.41334-0.37963 29 26.735022 0.245614 28.41334-0.412322 30 27.995795 0.102941 29.24442-0.342222 31 27.57688 0.089744 28.41334-0.412322 49

No sample Korelasi 1992 Korelasi 2009 Suhu NDBaI Suhu NDBaI 32 27.57688 0.116883 28.82954-0.376147 33 27.156256 0.098765 29.65806-0.299145 34 28.415336 0.166667 29.24442-0.466019 35 27.57688 0.36 28.41334-0.432692 36 26.735022 0.165468 27.9958-0.402844 37 27.57688 0.192661 28.41334-0.373272 38 25.887579 0.241379 27.9958-0.357798 39 26.311987 0.2 28.41334-0.037963 40 27.995795 0.171975 28.41334-0.373272 41 24.60578 0.2 24.60578-0.473684 42 24.175635 0.169811 25.88758-0.324074 43 27.156622 0.095238 27.9958-0.339367 44 26.735022 0.252174 25.88758-0.408867 45 28.413336 0.106061 29.65806-0.357143 46 27.57688 0.128713 28.82954-0.538462 47 28.413336 0.084967 28.82954-0.282051 48 27.156622 0.124088 27.15662-0.445545 49 26.311987 0.153285 27.9958-0.37037 50 27.995795 0.089431 29.24442-0.348214 51 24.60578 0.219512 27.15662-0.390476 52 26.311987 0.16129 28.41334-0.425837 53 27.57688 0.134752 29.24442-0.348214 54 24.175635 0.142857 27.9958-0.327354 55 26.735022 0.136691 28.41334-0.419048 56 27.995795 0.095238 29.65806-0.400922 57 27.995795 0.109375 30.07032-0.353982 58 28.829535 0.067568 29.65806-0.363229 59 27.57688 0.142857 29.65806-0.357143 60 27.57688 0.089655 29.65806-0.388128 61 27.995795 0.09589 30.07032-0.353982 62 28.413336 0.129771 30.07032-0.34018 63 27.57688 0.122581 29.65806-0.394495 64 28.413336 0.278196 27.9958-0.327354 65 25.461798 0.108911 27.9958-0.275862 66 27.57688 0.107143 28.82954-0.376147 67 27.995795 0.071429 29.24442-0.366516 68 27.995795 0.067568 29.65806-0.407407 69 25.887579 0.260504 27.15662-0.410628 70 27.995795 0.182796 27.57688-0.406699 71 28.413336 0.25 28.82954-0.401869 72 25.887579 0.138211 27.9958-0.339367 73 28.829535 0.142857 28.41334-0.453659 74 27.57688 0.096386 29.24442-0.366516 50

No sample Korelasi 1992 Korelasi 2009 Suhu NDBaI Suhu NDBaI 75 28.413336 0.080292 29.24442-0.398148 76 27.995795 0.177419 27.9958-0.429952 77 27.57688 0.186992 27.57688-0.373832 78 27.995795 0.096386 27.15662-0.327273 79 23.743994-0.314815 27.15662-0.42439 80 25.461798 0.161677 26.31199-0.263158 81 25.461798 0.212121 27.57688-0.462687 82 29.658057 0.085714 28.82954-0.449275 83 24.175635 0.247706 25.88758-0.381643 84 24.60578 0.206612 26.73502-0.435644 85 24.175635 0.192661 25.4618-0.365385 86 24.60578 0.276596 25.88758-0.395122 87 27.995795 0.211268 28.41334-0.27897 88 27.156622 0.115646 28.82954-0.345291 89 25.887579 0.157895 26.73502-0.342593 90 27.156622 0.109589 28.41334-0.330357 91 27.57688 0.12 29.24442-0.502488 92 27.995795 0.111111 30.07032-0.423256 93 22.002325 0.333333 24.17564-0.43299 94 29.244421 0.151079 29.24442-0.473171 95 25.887579 0.223881 28.41334-0.366972 96 27.156622 0.222222 25.4618-0.399015 97 25.887579 0.034483 26.73502-0.25 98 25.034491 0.136095 26.31199-0.384615 99 27.156622 0.216783 25.4618-0.632184 100 23.743994 0.306931 25.03449-0.431472 51

BIODATA PENELITI / PENULIS UTAMA IDENTITAS PRIBADI Nama Lengkap : Iswari Nur Hidayati. Tempat, Tgl. Lahir : Sleman/25 April 1983 NIP / Jabatan : 198304252008122001/- Pangkat / Gol. Bidang Keahlian Prodi / Jurusan Alamat Rumah : Penata Muda Tingkat I/Iii B : Penginderaan Jauh : KPJ/SIGPW : Jl. Letkol Subadri No 14 Kalakijo Triharjo Sleman PENGALAMAN PUBLIKASI ILMIAH (3 tahun terakhir) 1. Hidayati, 2010. Pemanfaatan Teori Bukti Dempster-Shaffer untuk Optimalisasi Penggunaan Lahan berdasarkan Data Spasial dan Citra Multisumber. Jurnal. EMBRYO JOURNAL. Vol. 7. No. 1 2. Danoedoro, Iswari, dkk. 2012. Capability Assesment of ALOS DATA to support Variuos Mapping Activities. Proceeding. Report and Proceeding of ALOS Application and Verification Project in Indonesia. Page 76-69. 3. Hidayati, Iswari Nur dan Toyibullah, Yoga. 2011. Kajian Indeks Potensi Lahan terhadap Pemanfaatan Rencana Tata Ruang Wilayah Menggunakan SIG di Kabupaten Sragen. Jurnal. Majalah Globe. Vol 13 No.2 Desember 2011. Hal 156-164. 52