Get documents about "APLIKASI ANALISIS KOMPONEN UTAMA DALAM PEMODELAN
Document Sample
Jurnal Matematika dan Sains
Vol. 9 No. 1, Maret 2004, hal 215 – 222
Aplikasi Analisis Komponen Utama dalam Pemodelan Penduga Lengas Tanah dengan
Data Satelit Multispektral
Erna Sri Adiningsih1) ,Mahmud2) ,dan Iskandar Effendi1)
1)
Pusat Pengembangan Pemanfaatan dan Teknologi Penginderaan Jauh – LAPAN,
Jl. Lapan No. 70, Pekayon – Pasar Rebo, Jakarta 13710
2)
Pusat Pemanfaatan Sains Atmosfer dan Iklim – LAPAN, Jl. Dr. Junjunan no. 133, Bandung
Diterima Oktober 2002, disetujui untuk dipublikasikan Nopember 2003
Abstract
Principle Component Analysis (PCA) application in modeling the soil moisture estimate using multispectral satellite
data is meant to optimize spectral combination. PCA method has been applied to Landsat Thematic Mapper (TM)
satellite data with good results. However, Landsat data have low temporal resolution (16 days) compared with
daily NOAA-AVHRR (NOAA-Advanced Very High Resolution Radiometer) satellite data. So, NOAA-AVHRR data
are able to provide better information on daily soil moisture. The objective of the study is to develop soil moisture
estimation model based on daily 5-channel daily NOAA-AVHRR data using PCA method. The locations are West
Java and Central Java as case study, while the period is August-September 1999. Some field soil samples were also
taken from the two locations. The coefficient of variance shows that the three principle component (PC) can explain
the variance of soil moisture of 0-20 cm depth better than of >20 cm depth. This is due to more dynamic surface
soil moisture change rather than deeper soil layer. Among the three PCs, the first PC is the best parameter to
estimate soil moisture. The index resulted by the first PC can estimate soil moisture better than vegetation index.
Keywords : PCA, soil moisture, soil brightness index, greenness index, soil wetness index, multispectral satellite
data.
Abstrak
Penerapan analisis komponen utama (PCA) dalam pemodelan penduga lengas tanah menggunakan data satelit
multispektral dimaksudkan untuk mengoptimalkan kombinasi spektral. Metode PCA telah diterapkan untuk data
satelit Landsat Thematic Mapper (TM) dengan hasil yang baik. Namun data Landsat memiliki resolusi temporal
yang rendah (16 hari) dibandingkan dengan data satelit NOAA-AVHRR harian, sehingga penggunaan data NOAA-
AVHRR diharapkan dapat memberikan informasi tentang kondisi lengas tanah harian dengan lebih baik.
Penelitian bertujuan untuk mengembangkan model penduga lengas tanah berdasarkan data NOAA-AVHRR harian
5 kanal menggunakan metode PCA. Lokasi studi kasus adalah Jawa Barat dan Jawa Tengah dengan periode data
Agustus - September 1999. Beberapa contoh tanah diambil di lapangan pada 2 lokasi. Koefisien keragaman ketiga
komponen utama dapat menjelaskan lengas tanah pada kedalaman > 20 cm dengan lebih baik dibandingkan pada
kedalaman 0-20 cm. Hal ini disebabkan perubahan lengas tanah pada lapisan permukaan lebih dinamis daripada
lengas tanah pada lapisan lebih dalam. Komponen utama pertama yang diperoleh disebut sebagai indeks
kecerahan tanah, yang kedua adalah indeks kehijauan, dan yang ketiga adalah indeks kelembaban tanah. Diantara
ketiga komponen utama, komponen utama pertama merupakan parameter penduga lengas tanah yang terbaik.
Indeks yang dihasilkan dari komponen utama pertama juga menduga lengas tanah lebih baik jika dibandingkan
indeks vegetasi.
Kata kunci: Analisis komponen utama, lengas tanah, indeks kecerahan tanah, indeks kehijauan, indeks kelembaban
tanah, data satelit multispektral.
1. Pendahuluan satu cara yang dapat diterapkan adalah dengan
memanfaatkan data satelit. Pemanfaatan data satelit
Ketersediaan air tanah merupakan salah satu
Landsat Thematic Mapper (TM) multispektral untuk
faktor yang penting bagi pertanian secara umum, baik
menduga lengas tanah telah diteliti oleh Dirgahayu,
pertanian tanaman pangan, hortikultura, perkebunan,
dkk.1) untuk daerah perkebunan tebu di Jatitujuh,
dan kehutanan. Oleh sebab itu informasi tentang
Jawa Barat. Dengan menerapkan teknik analisis
lengas tanah (soil moisture) sangat diperlukan untuk
komponen utama, para peneliti tersebut memperoleh
perencanaan, pengelolaan dan pemantauan pertanian.
tiga jenis indeks untuk menduga lengas tanah
Pengukuran lengas tanah dengan peralatan
berdasarkan data empat kanal. Namun data Landsat
konvensional seperti tensiometer, neutron probe,
TM yang memiliki resolusi spasial 30 m2 hanya
maupun teknik gravimetri dapat memberikan
sesuai untuk digunakan pada daerah tertentu dan
informasi yang sangat akurat tetapi kurang efisien
untuk waktu yang tertentu pula karena satelit ini
untuk daerah pengukuran yang sangat luas. Salah
memiliki resolusi temporal 16 hari. Sementara itu,
215
216 JMS Vol. 9 No. 1, Maret 2004
informasi tentang lengas tanah seringkali dibutuhkan teknik analisis komponen utama (Principle
untuk pemantauan secara terus-menerus karena Component Analysis atau PCA) menggunakan data
informasi dini tentang kekeringan lahan sangat NOAA-AVHRR lima kanal. Kelima kanal tersebut
penting untuk mengantisipasi dampak yang meliputi kanal tampak, infra merah dekat, infra
ditimbulkan. Salah satu cara yang dapat diandalkan merah termal, dan infra merah jauh. Hal ini karena
untuk memantau lengas tanah pada daerah yang luas kelima kanal tersebut memberikan perbedaan respon
setiap hari adalah dengan memanfaatkan data satelit spektral yang kontras terhadap ketiga jenis bahan
National Oceanic and Atmospheric Administration utama di daratan yaitu tanah, vegetasi, dan air.
(NOAA). Hal ini dimungkinkan karena salah satu Analisis komponen atau PCA adalah metode
sensor satelit NOAA, yaitu Advanced Very High analisis peubah multi yang bertujuan memperkecil
Resolution Radiometer (AVHRR) memiliki dimensi peubah asal sehingga diperoleh peubah baru
karakteristik multispektral. Sejak 1980 hingga saat (komponen utama) yang tidak saling berkorelasi
ini data NOAA-AVHRR dapat diterima setiap hari tetapi menyimpan sebagian besar informasi yang
oleh stasiun bumi milik Lapan yang ada di Jakarta terkandung dalam peubah asal2). Di dalam aplikasi
dan Biak. Karakteristik data yang dihasilkan untuk data penginderaan jauh (inderaja), PCA merupakan
setiap kanal dari sensor AVHRR disajikan pada salah satu metode statistika yang digunakan untuk
Tabel 1. menggali informasi dari data citra inderaja, terutama
dalam hubungannya dengan multidimensi peubah.
Tabel 1. Karakteristik Spektral Data NOAA-AVHRR
Horler dan Ahern3) melakukan transformasi
Kanal Spektrum Kegunaan komponen utama pada citra satelit Landsat-4 TM
1 0.58–0.68 µm (tampak) Menghitung albedo daerah barat Ontario dan daerah hutan Arkansas.
permukaan bumi dan
puncak awan,
Hasilnya memperlihatkan bahwa Principle
mendeteksi permukaan Component atau Komponen Utama ke-1 dan ke-2
darat dan laut, (PC1 dan PC2) mampu menyerap 64% dan 28%
memantau pertumbuhan keragaman data. PC1 menunjukkan kecerahan
dan perkembangan
tanaman
(brightness) yang merupakan weighed value (nilai
2 0.73–1.10 µm (infra Memantau vegetasi terbobot) dari semua kanal dimana kanal 4 dan 5
merah dekat) (peka terhadap klorofil), memiliki bobot yang terbesar. PC2 merupakan
mendeteksi awan, kontras kanal visible (tampak) dan kanal infra merah
mendeteksi lapisan salju
dan es di permukaan
dekat yang menjadi ukuran kehijauan (greenness).
bumi, mendeteksi PC3 adalah kontras antara kanal SWIR dan empat
albedo permukaan darat kanal pertama yang disebut sebagai SWIRness3).
dan laut. Teknik transformasi PCA juga telah diteliti
3 3.55–3.95 µm (infra Menghitung suhu
oleh Abdurrazak4) dengan data Landsat-5 TM untuk
merah menengah) permukaan laut,
mendeteksi distribusi mempelajari profil awan dan asap kebakaran di
awan pada siang dan daerah Kalimantan Timur. Penelitian ini menghasil
malam hari, mendeteksi kan tiga komponen utama yang mampu menyerap
kebakaran hutan karena
keragaman 98.6 %. Ketiga komponen utama tersebut
kanal ini peka terhadap
sumber panas di berhubungan dengan 3 dimensi fundamental spektral
permukaan bumi. citra Landsat-5 TM yaitu brightness (kecerahan),
4 10.3–11.3 µm (infra Pada prinsipnya kanal 4 greenness (kehijauan), dan wetness (kelembaban).
merah jauh) dan kanal 5 mempunyai PC1 yang dihasilkan memiliki koefisien atau
kegunaan yang sama
yaitu untuk pembobot yang besar dan negatif, sehingga
mengekstraksi nilai dinyatakan sebagai kecerahan negatif (blackness).
suhu permukaan laut, PC3 yang dihasilkan dapat membedakan asap
suhu permukaan darat, kebakaran dari awan dengan lebih baik dibandingkan
mendeteksi awan pada
siang dan malam hari, teknik klasifikasi citra multispektral yang umum
memantau gunung digunakan, seperti metode maximum likelihood dan
berapi yang aktif, dan sebagainya.
mendeteksi suhu puncak Penerapan teknik transformasi komponen
awan.
utama untuk menentukan tahap pertumbuhan padi
5 11.5–12.5 µm (infra
merah jauh) dengan data Landsat TM juga telah diteliti oleh
Ernawati5) untuk areal pertanaman padi di Sukamandi
Pendugaan lengas tanah menggunakan data - Jawa Barat. Hasilnya menunjukkan bahwa tiga
satelit NOAA telah dilakukan dengan menggunakan komponen utama pertama dapat menjelaskan lebih
indeks vegetasi dalam bentuk Normalized Difference dari 90% keragaman data. Masing-masing komponen
Vegetation Index (NDVI) berdasarkan data kanal 1 utama pertama menggambarkan kehijauan (85.9%),
dan 2 saja, sedangkan indeks-indeks lainnya belum kecerahan (8.9%), dan kelembaban (2.5%).
dikembangkan di Indonesia. Dalam penelitian ini, Selanjutnya citra Landsat TM dalam bentuk komposit
parameter penduga lengas tanah diperoleh dengan yang terdiri dari tiga komponen utama dapat
JMS Vol. 9 No. 1, Maret 2004 217
digunakan untuk mengidentifikasi kelompok tanaman NOAA-AVHRR dengan menerapkan analisis
padi di Sukamandi sesuai tahap pertumbuhannya. komponen utama terhadap kelima kanal AVHRR.
Dirgahayu, dkk.1) telah memodifikasi Data yang digunakan untuk PCA adalah data
perumusan tiga indeks untuk menduga lengas lahan AVHRR harian Pulau Jawa selama periode
dari data Landsat TM, yaitu Indeks Kecerahan Lahan September 1998 sampai September 1999. Sebagai
(IKcL), Indeks Kehijauan Lahan (IKhL), dan Indeks studi kasus dipilih beberapa lokasi di Jawa Barat dan
Kebasahan Lahan (IKbL). Ketiga indeks tersebut Jawa Tengah untuk validasi model lengas tanah.
diperoleh dengan menggunakan empat kanal Landsat
2. Metodologi
TM yaitu kanal 2, 3, 4, dan 5. Persamaan ketiga
indeks yang didapatkan adalah sebagai berikut: 2.1 Data dan Alat
IKcL = 0.185 K2+0.308 K3+0.238 K4+0.269 K5 Data yang digunakan untuk PCA adalah data
NOAA-AVHRR harian untuk Pulau Jawa yang
IKhL = -0.179 K2-0.447 K3+0.940 K4+0.060 K5+k
IKbL = 0.255 K2+0.458 K3+0.286 K4-0.797 K5+k terdiri dari dari 137 data selama periode September –
Desember 1998 dan Maret – September 1999.
Penggunaan data tersebut disesuaikan dengan kondisi
Konstata k ditambahkan agar tidak ada nilai negatif
pada citra. Menurut Dirgahayu, dkk1) kondisi lahan penutupan awan. Data bulan Januari – Februari 1999
dengan kandungan lengas tinggi dicirikan oleh nilai tidak digunakan karena penutupan awan dengan
persentase sangat tinggi yang pada bulan-bulan
IKhL dan IKbL yang tinggi dan IkcL yang rendah,
dan demikian pula sebaliknya. tersebut merupakan puncak musim hujan. Contoh
Penelitian ini bertujuan untuk menyusun citra NOAA-AVHRR yang belum ditransformasi
model penduga lengas tanah dengan data satelit disajikan pada Gambar 1.
Gambar 1. Contoh citra NOAA-AVHRR yang belum ditransformasi dalam bentuk kombinasi RGB (Red Green
Blue).
Untuk validasi persamaan atau indeks-indeks Peralatan untuk melakukan pengolahan awal
yang diperoleh dengan data lengas tanah di lapangan, data AVHRR adalah seperangkat PC dengan
digunakan hasil pengukuran lengas tanah pada perangkat lunak Erdas Imagine, sedangkan
kedalaman 0-20 cm pada bulan September 1999 di 9 pengolahan lanjut untuk analisis PCA dilakukan
lokasi di Pekalongan dan sekitarnya, Jawa Tengah dengan perangkat lunak MINITAB dan Microsoft
(Kedungwuni, Bligo Buaran, Babalan Kidul Bojong, Excel.
Kampir Bojong, Getas Wonopringgo, Karanganyar,
2.2 Metode Penelitian
Wiradesa, Pekalongan Selatan, dan Kajen) yang telah
dilakukan oleh Adiningsih, dkk.6). Untuk melengkapi 2.2.1 Pengolahan Data Lapangan
data lengas tanah digunakan pula hasil pengukuran
Badan Meteorologi dan Geofisika (BMG) untuk Analisis kadar lengas tanah dilakukan di
Laboratorium Tanah dengan metode gravimetri, yaitu
kedalaman 0-20 cm dan >20 cm pada bulan Agustus
1999 di 8 stasiun klimatologi/meteorologi pertanian dengan pemanasan contoh tanah selama 24 jam pada
di Jawa Barat (Darmaga – Bogor, Chinchoma – suhu 100 oC dan dilakukan penimbangan sebelum
dan sesudah pemanasan. Kadar lengah tanah (dalam
Bandung, Margahayu – Lembang, Sukamandi –
Subang, Jatisari – Karawang, Sukapura – Cirebon, % berat) adalah selisih antara berat sebelum dan
dan Cipanas – Cianjur). sesudah dipanasi terhadap total berat contoh tanah
sebelum pemanasan.
218 JMS Vol. 9 No. 1, Maret 2004
2.2.2 Pengolahan Data NOAA-AVHRR λ1 + λ2 +… + λp = tr(Σ) (5)
Data NOAA-AVHRR terlebih dahulu
dan persentase total keragaman data yang mampu
dikoreksi geometrik dengan menggunakan sejumlah
dijelaskan oleh komponen utama ke-j adalah:
Ground Control Point (GCP) yang tersebar merata
pada citra. Selanjutnya dilakukan resampling dengan
metode nearest neighbourhood interpolation karena (λj / tr(Σ)) x 100% (6)
metode ini paling efisien dan tidak mengubah nilai
digital number (DN) yang asli. Resampling dilakukan Persentase keragaman dianggap cukup mewakili total
dengan mengambil sample beberapa picture element keragaman jika 75% atau lebih mampu dijelaskan
(pixel) yang dijadikan GCP, selanjutnya diolah oleh 4 atau 5 komponen utama pertama2).
dengan metode nearest neighbourhood interpolation Dari analisis keragaman belum dapat
dan hasilnya adalah persamaan transformasi diketahui hubungan antara peubah asal dengan
geometrik data. Kemudian dilakukan eliminasi GCP komponen utamanya. Untuk mengetahui keeratan
yang menyebabkan root mean square error (RMSE) hubungan antara peubah ke-i dengan komponen
tinggi sampai didapatkan nilai RMSE < 0.5 pixel. utama ke-j dilakukan analisis korelasi yang
Pengolahan PCA selanjutnya dilakukan dinyatakan sebagai:
dengan data lima kanal untuk memperoleh nilai PC1,
PC2, dan PC3 untuk semua kanal. Dari nilai ketiga rxiyj = (ai √1j) / Si (7)
komponen utama (PC) harian dapat dihitung rata-rata
PC untuk satu musim maupun rata-rata seluruh dengan 1j adalah akar ciri matriks peragam S
tanggal. Berdasarkan penelitian sebelumnya, maka (penduga Σ).
nilai PC1, PC2, dan PC3 masing-masing Perhitungan PCA dengan persamaan-
menunjukkan indeks yang disebut dengan Soil persamaan tersebut di atas dilakukan secara otomatis
Brightness Index (SBI), Greenness Vegetation Index dengan perangkat lunak Erdas Imagine. Hasil
(GVI), dan Soil Wetness Index (SWI). Nilai masing- akhirnya berupa nilai-nilai koefisien korelasi antara
masing indeks pada lokasi-lokasi tertentu diekstraksi komponen utama dengan Digital Number (DN) setiap
untuk divalidasi dengan hasil pengukuran kadar kanal untuk seluruh tanggal atau data yang diolah.
lengas tanah, baik dengan data dari pengukuran Dari nilai yang diperoleh untuk seluruh data
langsung maupun data dari stasiun klimatologi. kemudian dihitung nilai bulanannya, serta rata-rata
total dan rata-rata musim. Untuk musim hujan, nilai
2.2.3 Analisis Komponen Utama koeisien rata-rata dihitung berdasarkan nilai pada
Nilai digital (Digital Number) data NOAA- bulan Oktober sampai Maret, sedangkan untuk
AVHRR pada setiap kanal dianggap sebagai peubah musim kemarau dihitung dari nilai pada bulan April
acak X1, X2, …, Xp yang menyebar menurut sebaran sampai September.
tertentu dengan vektor nilai tengah µ dan matriks 2.2.4 Analisis Data NDVI
peragam Σ. Komponen utama merupakan kombinasi
linier terboboti dari peubah-peubah asal yang mampu Analisis perbandingan korelasi komponen
menerangkan keragaman data secara maksimum. utama dengan lengas tanah dan NDVI dengan lengas
Komponen utama ke-j dari sejumlah p peubah dapat tanah dilakukan berdasarkan hasil penelitian
dinyatakan sebagai: Adiningsih, dkk.6). Nilai NDVI diperoleh dengan
menggunakan data kanal 1 dan 2 dari persamaan:
yj = a1j x1 + a2jx2 + … + apjxp = a'x (1) NDVI = (C2 – C1) / (C1 + C2),
dengan C1 dan C2 masing-masing adalah DN pada
Dan keragaman komponen utama ke-j adalah: kanal 1 dan 2 AVHRR.
3. Hasil dan Pembahasan
Var (yj) = λj; j=1, 2, …, p (2)
Dari perhitungan tranformasi komponen
utama diperoleh nilai koefisien transformasi untuk
λ1, λ2, …, λp adalah akar ciri yang diperoleh dari
kelima kanal data NOAA-AVHRR harian yang
persamaan:
seluruhnya berjumlah 137 data. Oleh karena hasil
pengolahan yang diperoleh sangat banyak, maka
|Σ - λj I| = 0 (3)
untuk memudahkan analisis dan pembahasan nilai-
nilai koefisien transformasi tersebut selanjutnya
dengan λ1>λ2> …>λp>0. Vektor ciri a sebagai dihitung rata-rata bulanannya untuk periode
pembobot dari transformasi linier peubah asal September 1998 sampai dengan September 1999.
diperoleh dari persamaan: Nilai koefisien komponen utama yang diperoleh
|Σ - λj I| aj = 0 (4) untuk setiap bulan disajikan pada Tabel 2 berikut.
Total keragaman komponen utama adalah:
JMS Vol. 9 No. 1, Maret 2004 219
Tabel 2. Koefisien Komponen Utama Pertama, pantulan dan karakteristik emisi dari obyek-obyek
Kedua, dan Ketiga untuk Lima Kanal Data NOAA- yang dipindai (di-scan) oleh sensor satelit. Selain itu,
AVHRR Pulau Jawa. perbedaan nilai koefisien yang cukup beragam untuk
Principle Tahun Bulan Kanal kanal 2 juga disebabkan oleh keragaman nilai DN
Component 1 2 3 4 5 data kanal 2 dalam menunjukkan karakteristik
PC1 1998 September 0,3953 -0,0300 -0,0547 -0,5567 0,1280
Oktober 0,3214 0,5457 0,0186 -0,386 0,1257 kecerahan tanah (soil brightness) dari seluruh obyek
November 0,3363 0,3463 0,1863 -0,6381 0,1200
Desember 0,3877 0,3162 0,0262 -0,6477 0,0954 yang digambarkan oleh PC1, karateristik kehijauan
1999 Maret 0,3706 -0,1400 0,1529 -0,6535 0,1000 yang digambarkan oleh PC2, dan karakteristik
April 0,3877 0,3162 0,0262 -0,6477 0,0954
Mei 0,3020 0,6620 0,1580 -0.6600 0,0540 kelembaban yang digambarkan oleh PC3.
Juni 0.3983 -0,0558 -0,1117 -0,6625 0.0633
Juli 0,3200 0,0420 -0,0200 -0,4080 0,0640 Hasil PCA untuk data kanal 3 juga tampak
Agustus 0.3780 -0,0350 -0,2480 -0,3680 0,1190 beragam untuk ketiga PC seperti halnya data kanal 2.
September 0,2743 0,0371 -0,0871 -0,2321 0,1607
Nilai koefisien PC1 untuk kanal 3 berkisar antara -
PC2 1998 September 0,3493 -0,0780 -0,0920 0,7147 -0,0773
Oktober 0,2821 0,4729 -0,0214 0,7514 -0,0450 0.2480 hingga 0.1863, untuk PC2 antara -0.2510
November 0,3006 0,3081 0,0794 0,7494 -0,0863 hingga 0.0982, dan untuk PC3 antara -0.2080 hingga
Desember 0,3244 0,1781 0,0206 0,7500 -0,0675
1999 Maret 0,3247 -0,0953 0,0982 0,7435 -0,0576 0.8520. Perbedaan nilai koefisien yang cukup
April 0,3392 0,1631 -0,0146 0,7454 -0,0438
Mei 0,2700 0,6080 0,0220 0.7420 0,0080 beragam untuk kanal 3 juga berhubungan dengan
Juni 0,3458 -0,1633 -0,1908 0,7067 0,0083 keragaman nilai DN data kanal 3 dalam menunjukkan
Juli 0,2540 -0,0420 -0,0940 0,4340 0,0180
Agustus 0,3060 -0,0650 -0,2510 0,6290 -0,0450 karakteristik kecerahan tanah (soil brightness) dari
September 0,1857 0,0607 -0,0821 0,5400 -0,0729
seluruh obyek yang digambarkan oleh PC1,
PC3 1998 September 0,2187 0,3347 -0,1473 0,1173 0,0267
Oktober 0,4650 -0,3336 0,4114 0,0579 -0,0036
karateristik kehijauan yang digambarkan oleh PC2,
November 0,4844 -0,1094 0,4619 0,0275 0,0306 dan karakteristik kelembaban yang digambarkan oleh
Desember 0,4256 -0,0331 0,4156 0,0306 0,0438
1999 Maret 0,4206 0,1965 0,3765 0,0453 0.0453 PC3.
April 0,3562 0,0006 0,4808 0,0862 0.0585
Mei 0,4040 -0,3080 0,8520 0,0840 0,1740
Hasil PCA untuk kanal 4 menunjukkan bahwa
Juni 0,3750 0,3533 0,0467 0,1558 -0,0550 nilai koefisien PC1 seluruhnya bertanda negatif yaitu
Juli 0,3840 0,3840 0,2640 0,0340 0,0820
Agustus 0,3140 0,4720 -0,2080 0,0920 0,0570 berkisar antara -0,2321 hingga 0,6625, sedangkan
September 0,5207 0,3307 -0,1250 0,0471 0,0586
untuk PC2 bertanda positif yaitu berkisar antara
0,4340 hingga 0,7514, dan untuk PC3 bertanda
Dari Tabel 2 terlihat bahwa koefisien positif yaitu berkisar antara 0,0275 hingga 0,1558.
transformasi data kanal 1 untuk PC1, PC2, dan PC3 Hasil PCA untuk kanal 4 yang konsisten untuk setiap
bernilai positif. Nilainya untuk PC1 berkisar antara PC. Hal ini menunjukkan bahwa data kanal 4 yang
0.2743 hingga 0.3983, untuk PC2 antara 0.1957 dihasilkan pada spektrum infra merah termal
hingga 0.3493, dan untuk PC3 antara 0.2187 hingga mempunyai DN yang cukup baik dalam
0.5207. Perbedaan nilai antar bulan untuk setiap PC menggambarkan karakteristik kecerahan tanah (soil
disebabkan oleh perbedaan nilai digital number (DN) brightness) dari seluruh obyek yang digambarkan
data aslinya akibat perbedaan penutupan awan. oleh PC1, karateristik kehijauan yang digambarkan
Adanya awan cenderung meningkatkan DN pada oleh PC2, dan karakteristik kelembaban yang
kanal 1 karena awan bersifat memantulkan radiasi digambarkan oleh PC3.
pada spektrum tampak (spektrum kanal 1). Nilai Hasil PCA untuk data kanal 5 juga tampak
koefisien transformasi PC1 pada bulan September beragam untuk PC2 dan PC3 seperti halnya data
1999 terlihat lebih rendah dari pada bulan September kanal 2 dan kanal 3, tetapi relatif homogen untuk
1998 karena kondisi cuaca pada tahun 1998 lebih PC1. Nilai koefisien PC1 untuk kanal 5 berkisar
berawan dibandingkan dengan cuaca pada tahun antara 0,0540 hingga 0,1607, sedangkan untuk PC2
1999. Hal ini juga berkaitan dengan terjadinya antara -0,0863 hingga 0,0180, dan untuk PC3 antara -
fenomena La Nina pada tahun 1998 yang 0,0550 hingga 0,1740. Hal tersebut menunjukkan
menyebabkan cuaca lebih berawan. Perbedaan nilai bahwa data kanal 5 yang dihasilkan pada spektrum
koefisien pada bulan September tahun 1998 dan 1999 inframerah jauh menunjukkan karakteristik
juga terlihat dari nilai koefisien komponen utama kecerahan tanah (soil brightness) dari seluruh obyek
kedua (PC2) untuk data kanal 1, sedangkan nilai yang digambarkan oleh PC1 dengan cukup baik.
koefisien komponen utama ketiga (PC3) untuk data Sementara itu perbedaan nilai koefisien PC2 dan PC3
kanal 1 pada bulan September 1998 lebih rendah yang cukup beragam untuk kanal 5 bahwa data kanal
daripada bulan September 1999. 5 memiliki nilai DN yang kurang konsisten dalam
Hasil PCA untuk data kanal 2 tampak sangat menggambarkan karateristik kehijauan yang
beragam untuk ketiga PC. Nilai koefisien PC1 untuk ditunjukkan oleh PC2, dan karakteristik kelembaban
kanal ini berkisar antara -0,1400 hingga 0,5457, PC2 yang digambarkan oleh PC3.
berkisar antara -0,1633 hingga 0,6080, dan PC3 Berdasarkan uraian di atas dapat dikemukakan
berkisar antara -0,3336 hingga 0,4720. Beragamnya bahwa nilai koefisien transformasi berbeda antar
nilai koefisien untuk data kanal 2 berhubungan kanal. Umumnya koefisien bernilai positif, kecuali
dengan spektrum kanal 2 yaitu inframerah dekat yang beberapa nilai negatif yang diperoleh untuk kanal 2,
menyebabkan nilai DN data aslinya sebagian 3, 4, dan 5. Koefisien transformasi untuk PC1 pada
dipengaruhi oleh gabungan antara karakteristik kanal 1 dan 5 seluruhnya bernilai positif , untuk kanal
220 JMS Vol. 9 No. 1, Maret 2004
2 dan 3 sebagian bernilai positif dan sebagian lagi Tabel 3. Koefisien Rata-rata Komponen Utama
bernilai negatif, sedangkan untuk kanal 4 seluruhnya Pertama, Kedua, dan Ketiga Untuk Lima Kanal
bernilai negatif. Koefisien transformasi untuk PC2 AVHRR.
bernilai positif seluruhnya pada kanal 1 dan 4, Pinciple Periode KANAL
sedangkan pada kanal 2, 3, dan 5 sebagian bernilai Component 1 2 3 4 5
PC 1 Rata-rata Total 0,3493 0,1728 0,0047 -0,5552 0,1038
positif dan sebagian lagi bernilai negatif. Koefisien Rata-rata ms.hujan 0,3371 0,2223 0,0189 -0,5415 0,1291
Rata-rata ms.kemarau 0,3594 0,1316 -0,0071 -0,5666 0,0826
transformasi untuk komponen utama ketiga (PC3)
bernilai positif pada kanal 1 dan 4, sedangkan pada PC 2 Rata-rata Total
Rata-rata ms.hujan
0,2984
0,2884
0,1225
0,1884
-0,0478
-0,0191
0,6824
0,7011
-0,0419
-0,0698
kanal 2, 3, dan 5 sebagian bernilai positif dan Rata-rata ms.kemarau 0,3066 0,0676 -0,0717 0,6668 -0,0187
sebagian bernilai negatif. Berdasarkan hasil tersebut PC 3 Rata-rata Total 0,3971 0,1171 0,2571 0,0707 0,0471
Rata-rata ms.hujan 0,4229 0,0379 0,2033 0,0561 0,0312
dapat dikemukakan bahwa pada kanal 1 responnya Rata-rata ms.kemarau 0,3756 0,1831 0,3020 0,0829 0,0603
adalah positif untuk ketiga komponen utama. Hal ini
menunjukkan bahwa hasil transformasi kanal 1
bersifat konsisten untuk semua komponen utama. Nilai koefisien transformasi rata-rata untuk
Pada kanal 4 responnya adalah negatif untuk PC1, PC2 memiliki nilai positif tertinggi untuk kanal 4,
tetapi negatif untuk PC2 dan PC3 sehingga bersifat diikuti dengan kanal 1, dan 2, sedangkan untuk kanal
konsisten untuk masing-masing komponen utama. 3 dan 5 bernilai negatif. Hal ini menunjukkan bahwa
Sementara itu pada kanal 2, 3 dan 5 responnya tidak kanal 4 dan 1 sangat responsif terhadap informasi
konsisten. Hal ini disebabkan karakteristik spektral tentang kehijauan (greenness) yang digambarkan
kanal 2 yang mendekati kanal 1 dan karakteristik oleh PC2. Hal yang sama juga masih berlaku untuk
spektral kanal 3 dan 5 mendekati kanal 4. nilai rata-rata pada musim hujan maupun musim
Koefisien transformasi yang diperoleh untuk kemarau, meskipun nilai koefisien pada musim
seluruh data sangat banyak, sehingga akan kemarau umumnya lebih kecil (kecuali untuk kanal 1
menyulitkan dalam menerapkan hasil PCA untuk yang lebih besar) daripada musim hujan.
memperoleh persamaan transformasi umum terhadap Koefisien transformasi rata-rata total untuk
data NOAA-AVHRR untuk mendapatkan model PC3 memiliki nilai positif untuk semua kanal, yaitu
pendugaan lengas tanah. Oleh sebab itu dilakukan tertinggi untuk kanal 1, diikuti kanal 3, 2, 4, dan 5.
perhitungan nilai rata-rata total untuk seluruh PC. Hal ini menunjukkan bahwa kanal 1 paling responsif
Jika koefisien tersebut dirata-ratakan untuk seluruh terhadap informasi tentang kelembaban (wetness)
data yang diolah maupun untuk setiap musim, maka yang digambarkan oleh PC3. Hal yang sama juga
diperoleh nilai akhir seperti yang disajikan pada berlaku untuk rata-rata musim hujan dan musim
Tabel 3. Perhitungan rata-rata dilakukan dengan kemarau, meskipun nilai koefisien pada musim
mengelompokkan ke dalam musim karena keragaman kemarau umumnya lebih kecil daripada musim hujan.
DN data asli cukup besar antar musim yang Hubungan antara PC1, PC2, dan PC3 dengan
diakibatkan oleh perbedaan penutupan awan. lengas tanah secara linier menunjukkan korelasi yang
Dari Tabel 3 dapat dilihat bahwa koefisien berbeda untuk setiap komponen utama maupun untuk
transformasi rata-rata total untuk PC1 memiliki nilai kedua kedalaman tanah (0-20 cm dan >20 cm).
positif tertinggi untuk kanal 1, diikuti dengan kanal Komponen utama ke-1 (PC1) dapat menduga lengas
2, kanal 5, dan kanal 3, sedangkan untuk kanal 4 tanah pada kedalaman > 20 cm dengan koefisien
bernilai negatif. Hal ini berarti bahwa kanal 1 keragaman 61.4 % dan pada kedalaman 0 – 20 cm
memberikan bobot terbesar diikuti kanal 2, 5, dan 3, dengan koefisien keragaman 83.3 %. Sementara itu
dimana hubungannya adalah semakin besar nilai DN komponen utama ke-2 (PC2) dapat menduga lengas
setiap kanal makin besar nilai PC1. Sementara itu tanah pada kedalaman > 20 cm dengan koefisien
hubungan yang berkebalikan diberikan oleh kanal 4, keragaman 26.5 % dan pada kedalaman 0 – 20 cm
dimana makin besar DN kanal 4 makin rendah nilai dengan koefisien keragaman 32.42 %. komponen
PC1. Keadaan ini berkaitan dengan karakteristik utama ke-3 (PC3) dapat menduga lengas tanah pada
spektral kanal 1 dan 4 dalam merespon kondisi kedalaman > 20 cm dengan koefisien keragaman 0.15
lengas di permukaan bumi. Karena korelasi PC1 % dan pada kedalaman 0 – 20 cm dengan koefisien
dengan lengas tanah adalah terbesar dibandingkan keragaman 14.33 %. Perbedaan keragaman hasil
dengan PC2 dan PC3, maka kanal 1 yang responsif validasi disebabkan kondisi lengas tanah permukaan
terhadap albedo permukaan dan kanal 4 yang relatif lebih dinamis dibandingkan dengan lengas
responsif terhadap suhu permukaan memberikan tanah di bagian yang lebih dalam. Dari analisis
kontribusi yang besar terhadap informasi tentang Soil keragaman tersebut terlihat bahwa PC1 merupakan
Brightness Index untuk menduga lengas tanah. penduga kadar lengas tanah yang terbaik
dibandingkan dengan kedua komponen utama
lainnya. Persamaan korelasi antara PC1 atau SBI
dengan lengas tanah untuk dua kedalaman tanah
adalah sebagai berikut:
JMS Vol. 9 No. 1, Maret 2004 221
Kedalaman 0-20 cm: Lengas tanah (dalam %) = - pada kedalaman > 20 cm. Hal ini karena indeks
2.47 + 0.220 SBI (R2 = 61.4 %) vegetasi hanya diturunkan dari data dua kanal
Kedalaman >20 cm: Lengas tanah (dalam %) = -3.66 (tampak dan infra merah dekat), sehingga tidak
+ 0.202 SBI (R2 = 83.3 %) semua informasi kanal dapat ditampilkan. Selain itu
NDVI dapat menduga lengas dengan baik apabila
Pada Gambar 2 disajikan citra PC1 untuk permukaan tanah tertutup oleh vegetasi, sedangkan
Pulau Jawa. Hasil PC1 juga dibandingkan dengan pada kondisi tanah terbuka nilai NDVI akan menduga
analisis indeks vegetasi (NDVI) yang biasa lengas tanah lebih rendah (under estimate).
digunakan untuk menduga lengas tanah. Hasilnya Sebaliknya, indeks yang dihasilkan dari komponen
menunjukkan bahwa koefisien keragaman (R2) antara utama pertama (PC1) dapat menduga lengas tanah
NDVI dengan lengas tanah adalah 67.12 % untuk pada kedua kondisi (dengan maupun tanpa vegetasi).
kedalaman 0-20 cm dan 65.61 % untuk kedalaman Hubungan antara NDVI dengan lengas tanah telah
>20 cm, sehingga dapat dijadikan penduga yang agak diteliti Adiningsih, dkk.6). Adapun persamaannya
lebih baik untuk lengas tanah permukaan daripada yang didapat untuk Pulau Jawa adalah:
korelasi PC1 dengan lengas tanah, tetapi NDVI
kurang baik untuk dijadikan penduga lengas tanah
Lengas tanah (%) = 0.8697 NDVI – 63.068 (untuk kedalaman tanah 0-20 cm)
Lengas tanah (%) = 1.6116 NDVI – 134.89 (untuk kedalaman tanah >20 cm)
Gambar 2. Citra Principal Component 1 atau Soil Brightness Jawa Pulau AVHRR kanal 1,
Gambar2. Citra Principal Component 1 atau Soil Brightness Index PulauIndexdari dataJawa dari data 2
dan 3 tanggal 25 Agustus 1999.
AVHRR kanal 1, 2 dan 3 tanggal 25 Agustus 1999.
4. Kesimpulan PC2, dan PC3. Kanal 4 juga responsif terhadap
kondisi lengas tanah, kehijauan (greenness), tetapi
Dari hasil penelitian ini dapat disimpulkan
kurang responsif terhadap kelembaban (wetness).
bahwa transformasi komponen utama dari data
Komponen utama pertama (PC1) atau disebut
NOAA-AVHRR dapat diterapkan untuk menduga
pula Soil Brightness Index merupakan penduga
kadar lengas tanah di Pulau Jawa. Koefisien
lengas tanah terbaik dibandingkan dengan PC2 dan
transformasi rata-rata total untuk PC1 memiliki nilai
PC3 maupun NDVI, yaitu dengan korelasi 61.4 %
positif tertinggi untuk kanal 1, diikuti dengan kanal
untuk kedalaman tanah 0-20 cm dan 83.3 % untuk
2, kanal 5, dan kanal 3, sedangkan untuk kanal 4
kedalaman tanah >20 cm.
bernilai negatif. Koefisien transformasi rata-rata total
untuk PC2 memiliki nilai positif tertinggi untuk kanal Daftar Pustaka
4, diikuti dengan kanal 1, dan 2, sedangkan untuk
1. Dirgahayu, D., Sitanggang, G., Carolita, I., Arifin,
kanal 3 dan 5 bernilai negatif. Koefisien transformasi
S., dan Surlan, “Penggunaa data radar dan optik
rata-rata total untuk PC3 memiliki nilai positif untuk
untuk memprediksi kelengasan lahan (Studi kasus
semua kanal, yaitu tertinggi untuk kanal 1, diikuti
pada areal tanaman tebu)”, Proyek Perencanaan
kanal 3, 2, 4, dan 5.
dan Peningkatan Ketatalaksanaan, Lapan, Jakarta,
Kanal 1 sangat responsif terhadap kondisi
1997.
lengas tanah, kehijauan (greenness), dan kelembaban
(wetness) seperti yang digambarkan oleh nilai PC1,
222 JMS Vol. 9 No. 1, Maret 2004
2. Morisson, D.F., “Multivariate Statistical Method”, “Penentuan awal musim tanam menggunakan data
3rd ed. McGrawHill Publishing Company, satelit lingkungan dan cuaca di pulau jawa.
Singapura, 1990. Prosiding Seminar Internasional Penginderaan
3. Horler, D.N. & Ahern, F.J., “Forestry information Jauh dalam Pengembangan Ekonomi dan
contents of thematic data”, Int. J. Remote Sensing, Pelestarian Lingkungan Hidup”, Jakarta, 11-12
7, 405-428, (1986). April 2000.
4. Abdurrazak, M. N., “Profil Nilai Digital Awan 6. Ernawati, “Transformasi Komponen Utama Data
dan Asap Kebakaran”, Skripsi, Jurusan Statistika, Citra Landsat TM5 pada Areal Tanaman Padi”,
FMIPA, Institut Pertanian Bogor, Bogor, 1999. Skripsi, Jurusan Statistika, FMIPA, Institut
5. Adiningsih, E.S., Prasasti, I., Effendi, I., Pertanian Bogor, Bogor, 2001.
Khomarudin, M.R., Wiweka, Las, I., & Impron,
Related docs
