ANALISA DISTRIBUSI KEPADATAN PENDUDUK BERDASARKAN ANALISA SPEKTRAL MENGGUNAKAN CITRA LANDSAT 8 (STUDI KASUS: KOTA KEDIRI) Oleh : Fahrurrozi Pembimbing : Yanto Budisusanto Jurusan Teknik Geomatika Fakultas Teknik Sipil dan Perencanaan Institut Teknologi Sepuluh Nopember Kampus ITS Sukolilo, Surabaya 60111 Indonesia
Jumlah Penduduk Kepadatan Penduduk (Pupulation Density) Alternatif Mahal, Lama, Sulit updating (Li &Weng, 2005) Luas Wilayah Pemodelan Statistik Dalam remote sensing, pemodelan hubungan kependudukan bisa dilakukan dengan urban area, tutupan lahan, unit hunian, karakteristik spektral, dan karakteristik fisik atau sosial-ekonomi Remote Sensing
Citra satelit yang digunakan dalam penelitian pemetaan kepadatan penduduk adalah citra Landsat 8 dan data jumlah penduduk yang digunakan adalah data kependudukan dari Dinas Kependudukan dan Pencatatan Sipil Kota Kediri tahun 2013 Batas dan luas area studi diperoleh dari batas administrasi Peta Rupa Bumi Indonesia Pemaparan kepadatan penduduk dalam kajian hanya mencakup kawasan Kota Kediri Uji statistik tidak dilakukan untuk menguji model regresi, pengujian hanya dilakukan pada tingkat akurasi model Analisa distribusi kepadatan penduduk terhadap hasil bentuk hubungan yang terjadi pada proses analisa regresi
Untuk mengetahui hubungan variabel-variabel yang diperoleh dari Citra Landsat 8 dan kepadatan penduduk Untuk mengetahui pola distribusi kepadatan penduduk di Kota Kediri berdasarkan analisis regresi dari Citra Landsat 8 Memberikan informasi mengenai distribusi kepadatan penduduk di kawasan Kota Kediri Sebagai landasan penelitian selanjutnya yang terkait dengan pemetaan kependudukan menggunakan penginderaan jauh Sebagai bahan pertimbangan dalam perencanaan dan pengembangan wilayah Kota Kediri
Data spasial : Citra Landsat 8 tahun 2013, Peta Rupa Bumi Indonesia (RBI) Lembar 1508-313 dan Lembar 1508-224 Data non-spasial : data jumlah penduduk Kota Kediri yang diperoleh dari Dinas Kependudukan dan Pencatatan Sipil Kota Kediri
Citra Terkoreksi Koreksi Radiometrik Ya RMSE 1 piksel Koreksi Geometrik Citra Landsat 8 Tahun 2013 Tidak Pemotongan Citra Kombinasi Band (RGB=764) Klasifikasi Citra Akurasi 85% Citra Terklasifikasi Tidak Peta Tutupan Lahan Kota Kediri Tahun 2013 Proses Kartografi Export to SHP Transformasi Citra SAVI, RDVI, TNDVI, RVI, SVI
Citra Terklasifikasi (format SHP) SAVI, RDVI, TNDVI, RVI, SVI Band Multispektral Data Spasial Peta RBI Jumlah Penduduk Kota Kediri Tahun 2013 Perhitungan Luas Permukiman Tiap Kelurahan Perhitungan Rata-rata Piksel Tiap Kelurahan Digitasi Export to SHP Luas Permukiman Per Kelurahan Luas Kelurahan Tabulasi Variabel Bebas Perhitungan Kepadatan Penduduk (PD) dan Square Root Population Density (SPD) Eksplorasi Data Tabulasi Variabel Terikat
Eksplorasi Data Pembentukan Model Regresi Model Terbaik Ya Estimasi Kepadatan Penduduk Tidak Peta Distribusi Kepadatan Penduduk Kota Kediri Tahun 2013 Analisis Tabulasi Hasil
Koreksi Geometrik menggunakan 15 titik GCP yang tersebar pada seluruh area penelitian Citra yang dikoreksi geomatrik menghasilkan root mean square error (RMSE) secara keseluruhan kurang dari satu piksel, yaitu sebesar 0.414. Hasil ini dianggap cukup baik mewakili geometri sebenarnya di lapangan. Dari 15 titik GCP, kesalahan RMS terbesar berada pada titik 11, yaitu sebesar 0.754 dengan kesalahan X sebesar -0.753 dan kesalahan Y sebesar 0.026
Koordinat Raw Data Koordinat Referensi X Y X Y Error X Error Y RMS 5411.220 5905.330 610492.474 9139503.878 0.438-0.067 0.443 5440.670 5940.110 611363.528 9138478.402-0.079 0.109 0.135 5497.880 5977.130 613094.093 9137358.624 0.605 0.234 0.648 5414.910 5945.550 610600.043 9138274.806-0.418-0.063 0.423 5451.640 5930.730 611694.371 9138732.897-0.096-0.017 0.097 5488.910 6001.550 612865.048 9136595.139 0.048-0.384 0.387 5507.090 6031.820 613374.038 9135755.306-0.345-0.068 0.351 5493.730 6016.180 612992.295 9136187.947-0.246-0.109 0.269 5426.910 6016.640 610956.336 9136162.497 0.143 0.632 0.648 5513.670 6059.780 613526.735 9134864.573 0.012 0.008 0.014 5516.330 6079.110 613653.982 9134330.134-0.753 0.026 0.754 5512.780 6135.220 613552.184 9132599.568 0.285 0.141 0.318 5626.890 6108.440 616936.967 9133388.502 0.222-0.073 0.234 5389.500 6066.610 609862.007 9134660.977 0.362-0.311 0.477 5346.750 5968.000 608564.083 9137638.568-0.179-0.060 0.189
Tutupan lahan yang diperoleh diuji dengan menggunakan confusion matrix. Hasil pengujian secara keseluruhan menghasilkan akurasi klasifikasi (overall accuracy) sebesar 0.862 atau 86.207 persen. Hasil ini menunjukkan klasifikasi sudah cukup baik karena melebihi 85 persen secara keseluruhan ( Anderson, 1971 dalam Anderson, et al., 1976). Koefisien kappa yang diperoleh sebesar 0.8125. Nilai ini dianggap sudah cukup baik karena sudah melebihi 0.75 (Mather, 2004). Uji Lapangan dilakukan dengan memilih secara acak di lapangan untuk masing-masing kelas, hasilnya menunjukkan kelas tutupan lahan sesuai dengan hasil klasifikasi tutupan lahan
(610867.098; 9138103.876) (607292.900 ; 9136340.470) (609145.421; 9135374.788) (613472.830; 9134420.306) (612363.619; 9135874.023)
Variabel Bebas Koefisien Korelasi Pearson PD SPD Band 1 (B1) 0.504 0.527 Band 2 (B2) 0.477 0.499 Band 3 (B3) 0.292 0.310 Band 4 (B4) 0.474 0.503 Band 5 (B5) -0.789-0.830 Band 6 (B6) -0.015-0.006 Band 7 (B7) 0.600 0.640 Band 9 (B8) -0.188-0.199 Band 10 (B10) 0.036 0.076 Band 11 (B11) 0.671 0.716 Variabel Bebas Koefisien Korelasi Pearson PD SPD SAVI -0.79-0.83 RDVI -0.79-0.83 TNDVI -0.79-0.82 SVI -0.80-0.84 RVI 0.07 0.05 Permukiman (P) 0.79 0.84
Susunan Variabel Bebas (X) Koefisien Determinasi (R 2 ) X1 X2 X3 X4 X5 X6 X7 X8 X9 PD SPD B1 B2 B3 B4 B5 B6 B7 B9-0.701 0.769 B1 B2 B3 B4 B5 B6 B7 B9 P 0.722 0.788 B1 B5 B7 B11 - - - - - 0.676 0.753 B1 B5 B7 B11 P - - - - 0.697 0.772
Susunan Variabel Bebas (X) Koefisien Determinasi (R 2 ) X1 X2 X3 X4 X5 X6 PD SPD SAVI RDVI TNDVI SVI RVI - 0.638 0.709 SAVI RDVI TNDVI SVI RVI P 0.705 0.776 RDVI SAVI SVI - - - 0.632 0.703 RDVI SAVI SVI P - - 0.696 0.769 SVI SAVI P - - - 0.696 0.769
Susunan Variabel Bebas (X) (R 2 ) X1 X2 X3 X4 X5 X6 X7 X8 PD SPD B1 B5 B11 RDVI SVI - - - 0.705 0.766 B1 B5 B11 RDVI SVI P - - 0.729 0.787 B1 B5 B11 SVI SAVI - - - 0.705 0.766 B1 B5 B11 SVI SAVI P - - 0.728 0.786 B1 B2 B5 B7 SVI B11 SAVI - 0.725 0.786 B1 B2 B5 B7 SVI B11 SAVI P 0.737 0.795 B1 B2 B5 B7 SVI B11 RDVI - 0.727 0.788 B1 B2 B5 B7 SVI B11 RDVI P 0.739 0.797
PD = -36501.325 + 362410.176*B1-324421.961*B5 + 1066.959*B11-312479.871*RDVI + 786964.923*SVI + 113.471*P PD R 2 MAPE PD = -77742.233 +1721237.510*B1-1374561.832*B2-203681.347*B5 +5690.459*B7 +1386.186*B11 +747509.958*SVI -342265.982*SAVI +85690*P PD = -76528.833 +1796267.934*B1-1445501.890*B2-200105.162*B5 +3264.648*B7 +1315.369*B11 +671713.750*SVI -316735.020*RDVI +86.821*P SPD 0.729 26.412 0.737 25.335 0.739 25.003 SPD = -396.893 +10646.145*B1-9012.483*B2-736.457*B5 +43.526*B7 +7.167*B11 +2551.352*SVI -1280.294*RDVI +0.471*P SPD = -399.878 +10319.020*B1-8721.852*B2-723.169*B5 +50.823*B7 +7.378*B11 +2753.939*SVI -1337.996*SAVI +0.465*P SPD = -654.710 +13808.804*B1-12150.983*B2-667.486*B5 +133.724*B7 +14.369*B11 +2217.378*SVI -1165.315*RDVI SPD = -143.180 + 5700.530*B1-2558.212*B2-2240.102*B3 + 13.259*B4-390.471*B5 + 803.666*B6-642.851*B7-2943.310*B9 + 0.558*P 0.797 23.257 0.795 23.267 0.788 23.815 0.788 23.728
Source of Variation Sum of Squares Degree of Freedom Mean Square 1 Regression 19048.150 8 2381.019 18.163 0.000 Residual 4850.352 37 131.091 Total 23898.502 45 F Sig.
MODEL 4 10000 8000 Residual 6000 4000 2000 0-2000 1 2 3 4 5 6 7 8 9 10111213141516171819202122232425262728293031323334353637383940414243444546-4000 -6000 Desa
Hasil Estimasi Kepadatan Penduduk (PD) 15000 10000 5000 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 Kelurahan Distribusi Kepadatan Penduduk di Lapangan 25000 20000 15000 10000 5000 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 Kelurahan 46
Pola distribusi yang diperoleh dari hasil prediksi model regresi kepadatan penduduk menunjukkan pola yang mirip dengan yang sebenarnya, dimana kelurahan-kelurahan yang lebih padat umumnya berada di Kecamatan Kota denga Kelurahan Jagalan sebagai kelurahan terpadat dan kelurahan Gayam dengan kepadatan paling rendah Koefisien korelasi Pearson menunjukkan hubungan yang sangat kuat antara variabel indeks vegetasi (SAVI, RDVI, TNDVI) dan luas permukiman tiap area (kelurahan) dengan kepadatan penduduk, sedangkan dari variabel multispektral hanya Band 5 yang menunjukkan hubungan yang sangat kuat dengan kepadatan penduduk Persamaan regresi terbaik diperoleh dari persamaan regresi dengan kombinasi 8 variabel bebas yang terdiri dari 4 band multispektral (band 1, band 2, band 5, dan band 7), band thermal, 2 indeks vegetasi (SVI dan RDVI), dan luas area permukiman, Variabel spektral dari Landsat 8 masih membutuhkan faktor lain dalam membentuk model kepadatan penduduk, meskipun digunakan pula variabel spasial permukiman (settlement) pengaruh yang dihasilkan tidak melebihi 80 persen.
Diperlukan penelitian lebih lanjut untuk membentuk model yang lebih baik untuk kepadatan penduduk berdasarkan penginderaan jauh karena masih terdapat faktor lain yang masih berpengaruh, Dalam penerapan masih diperlukan uji statistik, sehingga dapat memenuhi kriteria statistik model regresi, Penelitian terkait Landsat 8 untuk pemetaan kependudukan perlu ditingkatkan karena pemetaan kependudukan dengan Landsat 8 belum pernah dilakukan sebelumnya,
Thank You