You are on page 1of 7

Geo Image 6 (1) (2017)

Geo Image
http://journal.unnes.ac.id/sju/index.php/geoimage

KAJIAN KERAPATAN VEGETASI HUTAN LINDUNG GUNUNG UNGARAN


JAWA TENGAH TAHUN 2016 MENGGUNAKAN METODE INDEKS VEGETASI

Nuansa Chandra Lintang, TjaturahonoBudi Sanjoto & Heri Tjahjono

Jurusan Geografi, Fakultas Ilmu Sosial, Universitas Negeri Semarang, Indonesia

Info Artikel Abstrak


Diterima Februari 2017 Penelitian ini bertujuan untuk mengetahui tingkat kerapatan vegetasi dengan meng-
Disetujui Maret 2017 gunakan metode indeks vegetasi NDVI, SAVI, ARVI, DVI dan RVIdan mengeta-
Dipublikasikan Juni 2017 hui metode indeks vegetasi yang memiliki akurasi paling tinggi dalam prediksi me-
nentukan kerapatan vegetasi di hutan lindung Gunung Ungaran.Metode sampling
Keywords:
Confusion Matrix, Vegeta-
purposive random sampling, dengan 82 titik sampel. Penelitian ini menggunakan
tion Density, Vegetation Index metode penelitian deskriptif. Variabel pertama kerapatan vegetasi dan kedua perse-
baran serta luasan yang dihasilkan oleh transformasi indeks vegetasi. Hasil penel-
itian menjelaskan bahwa persebaran serta luas hasil klasifikasi tiap transformasi
indeks vegetasiberbeda-beda. Terdapat perbedaan luas yang kecil pada transformasi
NDVI dan SAVI yaitu seluas 900 m2 atau setara satu piksel pada citra Landsat-8.
Sedangkan untuk klasifikasi yang dihasilkan oleh transformasi ARVI luasan yang
dihasilkan lebih banyak masuk ke dalam kelas rapat, dan klasifikasi yang dihasilkan
oleh transformasi DVI dan RVI lebih banyak luasan yang masuk ke dalam kelas ja-
rang. Matriks kesalahan menunjukkan bahwa transformasi NDVI memiliki akurasi
terbaik dengan persentase akurasi keseluruhan sebesar 75,61%.

Abstract
The research aims are to know the vegetation density level using vegetation index method of
NDVI, SAVI, ARVI, DVI and RVI and to know the highest accuracy of vegetation index
methods to determine the vegetation density in protected forest Mount Ungaran. The sampling
method use purposive random sampling, with 82 sampel points. This research uses descrpitive
research method. The first variable is vegetation density and the second ones is distribution
and area produced by vegetation index transformations. The result of this research shows that
the distribution and the area of classification results for each vegetation index transformation
are different. There was little differenceof wide in the transformation of NDVI and SAVI is
an area of 900 m2, equevalent to one pixel on the Landsat-8 imagery. Meanwhile classifica-
tion generated by the transformation of ARVI, a lot of generating area is included dense
classification, and the classification generated by the transformation of DVI and RVI is more
a lot included rare classification. The confusion matrix shows NDVI transformation has the
best accuracy with an overall accuracy percentage of 75,61%.

© 2017 Universitas Negeri Semarang


Alamat korespondensi: ISSN 2252-6285
Gedung C1 Lantai 2 FIS Unnes
Kampus Sekaran, Gunungpati, Semarang, 50229
Email: geografiunnes@gmail.com
Nuansa Chandra Lintang / Geo Image 6 (1) (2017

PENDAHULUAN Tujuan penelitian ini adalah mengetahui


Hutan lindung adalah kawasan hutan yang tingkat kerapatan vegetasi dengan menggunakan
mempunyai fungsi pokok sebagai perlindungan metode indeks vegetasi NDVI, SAVI, ARVI, DVI
sistem penyangga kehidupan untuk mengatur tata dan RVI dan mengetahui metode indeks vegetasi
air, mencegah banjir, mengendalikan erosi, men- yang memiliki akurasi paling tinggi dalam pre-
cegah intrusi air laut dan memelihara kesuburan diksi menentukan kerapatan vegetasi di hutan
tanah (UU RI No. 41 tahun 1999).Hutan lindung lindung Gunung Ungaran.
adalah elemen vital pada mata rantai ekosistem,
apabila hutan lindung rusak dalam jangka wak- METODE PENELITIAN
tu panjang dapat mengakibatkan kerusakan pula Penelitian ini merupakan penelitian pen-
pada beberapa sektor lain seperti suhu lingkun- ginderaan jauh dengan memanfaatkan citra sate-
gan, kelembaban lingkungan, kelembaban ruan- lit landsat-8 perekaman 18 September 2015. Va-
gan, kemarau panjang dan curah hujan. riabel yang digunakan adalah kerapatan vegetasi
Kawasan hutan lindung yang terdapat di dan persebaran serta luasan kelas kerapatan ve-
Gunung Ungaran menjadi sangat penting ke- getasi yang diturunkan dari transformasi indeks
beradaannya karena merupakan hulu langsung vegetasi.
dari empat Daerah Aliran Sungai (DAS) besar Variabel ini berupa kelas kerapatan vege-
yaitu DAS Garang, DAS Blorong, DAS Bodri, tasi mengacu pada Soedjoko dan Fandeli (2002),
dan DAS Tuntang yang menjadi sumber air bagi yang dikelaskan menjadi:
masyarakat sekitar Kabupaten Semarang, Ka- a. Sangat Rapat : estimasi kerapatan tajuk > 70 %
bupaten Kendal, Kota Semarang, dan sebagian b. Rapat : estimasi kerapatan tajuk 51 – 70 %
Kabupaten Demak. Upaya melakukan kegiatan c. Sedang : estimasi kerapatan tajuk 26 - 50 %
d. Jarang : estimasi kerapatan tajuk 15 - 25 %
yang bertujuan untuk melestarikan kawasan hu-
e. Sangat Jarang : estimasi kerapatan tajuk 0 - 14 %
tan lindung Gunung Ungaran juga harus dilaku-
Teknik pengumpulan data yang digunakan
kan demi menjaga fungsi serta kelestarian hutan
dalam penelitian ini yaitu dokumentasi, interpre-
lindung tersebut agar tetap optimal dalam melin-
tasi citra dan survei lapangan.
dungi daerah dibawahnya.
Survei lapangan dilakukan dengan meng-
Hutan lindung Gunung Ungaran secara
gunakan dokumentasi kerapatan tajuk menggu-
administrasi terdapat pada dua wilayah yaitu,
nakan kamera lensa fisheye untuk mengetahui
Kabupaten Semarang dan Kabupaten Kendal
tingkat kerapatan vegetasi sesungguhnya.Survei
dengan luas 2365,28 ha (RTRW Jawa Tengah
dilakukan untuk mengetahui kerapatan secara
2009-2029). Hutan lindung akan lebih baik jika
kanopi dan tegakan. Teknik purposive random
merupakan hutan alam. Hutan alam adalah hu-
sampling digunakan untukmenentukan jumlah
tan yang didalamnya terdapat vegetasi yang seca-
sampel yang dicari dilapangan. Sampel yang di-
ra alami tumbuh dan ada sejak dulu kala. Menu-
gunakan untuk survei lapangan pada penelitian
rut Gunawan, dkk (2010) hutan alam di Gunung
ini berjumlah 82 titik sampel.
Ungaran pada tahun 1990 masih seluas 5.413,92
Teknik analisis yang digunakan adalah
ha dan pada tahun 2000 berkurang 28,43% men-
interpretasi citra secara digital menggunakan
jadi 3.874,79 ha dan pada tahun 2006 tersisa
software Envi 5.2 dengan memasukkan lima al-
1.335,77 ha atau dalam kurun waktu 16 tahun
goritma transformasi indeks vegetasi yang meng-
Gunung Ungaran telah kehilangan hutan alam
hasilkan perbedaan kelas kerapatan vegetasi.
seluas 4.078,17 ha (75,33%).
Teknik uji akurasi dengan menggunakan matriks
Penurunan luasan hutan alam mengin-
kesalahan dilakukan untuk mendapati transfor-
dikasikan tingkat kerapatan vegetasi di wilayah
masi indeks vegetasi yang paling mendekati kon-
hutan lindung juga mengalami penurunan. Maka
disi sesungguhnya di lapangan.
diperlukan informasi mengenai kerapatan vegeta-
si yang mengindikasikan baik buruknya vegetasi
HASIL PENELITIAN DAN PEMBAHASAN
di hutan lindung Gunung Ungaran.
Gambaran Umum Daerah Penelitian
Pada era ini dalam mencari nilai kerapatan
Penelitian ini berlokasi di Hutan Lindung
vegetasi dapat diperoleh dari ekstraksi teknologi
Gunung Ungaran Jawa Tengah dengan luas
penginderaan jauh.Berbagai macam transforma-
2365,28 ha (RTRW Jawa Tengah 2009-2029). Ter-
si indeks vegetasi dibuat oleh para ahli pengin-
letak pada koordinat antara 7o08’32” - 7o12’10”
deraan jauh untuk mencari nilai indeks vegetasi.
Lintang Selatan (LS) dan antara 110o18’42”
Namun, hasil pengolahan dari tiap nilai indeks
- 110o22’46” Bujur Timur (BT). Secara Admi-
vegetasi dapat menghasilkan kelas yang berbeda-
nistratif hutan lindung Gunung Ungaran masuk
beda.

2
Nuansa Chandra Lintang / Geo Image 6 (1) (2017)

ke dalam Kabupaten Kendal dan Kabupaten Se- fikasi tingkat kerapatan rapat dengan luas 679,88
marang. Ha. Sedangkan wilayah tersempit dengan persen-
tase luas 3,55 % terdapat pada klasifikasi tingkat
Hasil Transformasi Indeks Vegetasi kerapatan sangat jarang dengan luas 84,08 Ha.
Informasi mengenai sebaran vegetasi dida- Tabel 2 Klasifikasi NDVI
pat dari transformasi indeks vegetasi pada citra
Landsat-8. Ada 5 jenis indeks vegetasi yang di-
gunakan pada penelitian ini, diantaranya NDVI
(Normalized Difference Vegetation Index), SAVI
(Soil Adjusted Vegetation Index), ARVI (At-
mospherically Resistant Vegetation Index), DVI
(Difference Vegetation Index), dan RVI (Ratio
Vegetation Index).
Pemilihan citra Landsat-8 untuk memain-
kan transformasi tersebut didasarkan pada ka-
pasitas citra yang sangat mumpuni dengan ku-
antifikasi 16 bit. Citra Landsat-8 terdiri dari 11 Hasil metode SAVI didapati persentase ter-
band termasuk didalamnya terdapat band merah luas masuk ke dalam klasifikasi tingkat kerapa-
dan inframerah dekat/NIR. Penggunaan saluran tan rapat dengan luas 679,79 Ha terpaut 0,90 Ha
merah dan NIR pada sebagian besar transforma- dari metode NDVI. Sedangkan wilayah tersempit
si indeks vegetasi didasarkan pada nilai tertinggi dengan persentase luas 3,55 % terdapat pada kla-
pantulannya. sifikasi tingkat kerapatan sangat jarang dengan
Vegetasi memberikan pantulan terting- luas 84,08 Ha.
gi pada NIR, namun dengan batasan yang di- Tabel 3 Klasifikasi SAVI
miliki mata manusia yang mendapati panjang
gelombang visibel maka daun sehat hanya tam-
pak hijau. Jadi, dengan mengombinasikan dua
pantulan (merah dan inframerah dekat) mampu
memberikan nilai/indeks kaitannya dengan ke-
beradaan vegetasi.
Nilai indeks vegetasi dapat bervariasi, ti-
dak selalu sama tergantung dari algoritma trans-
formasi yang digunakan.Hasil dari tiap transfor-
masi pada penelitian ini tersaji pada tabel 1.

Hasil metode ARVI didapati persentase


terluas masuk ke dalam klasifikasitingkat kerapa-
tan rapat dengan luas 876,98 Ha dengan persen-
tase luas 37,08 %. Sedangkan wilayah tersempit
terdapat pada klasifikasi tingkat kerapatan sangat
jarang dengan luas 46,91 Ha dengan persentase
luas 1,98 %.
Tabel 4 Klasifikasi ARVI

Perbandingan Luas Kerapatan


Hasil olah data pada citra landsat-8 pereka-
man 18 September 2015 dengan metode NDVI,
didapati persentase terluas masuk ke dalam klasi-

3
Nuansa Chandra Lintang / Geo Image 6 (1) (2017

Hasil metode DVI didapati persentase ter- Gambar 1 menunjukkan transformasi


luas masuk ke dalam klasifikasi tingkat kerapatan NDVI dan SAVI condong mengidentifikasi kera-
sedang dengan luas 622,19 Ha dengan persentase patan vegetasi di hutan lindung Gunung Ungaran
luas 26,30 %. Sedangkan wilayah tersempit ter- pada kelas rapat dengan luas yang tinggi. Trans-
dapat pada klasifikasi tingkat kerapatan sangat formasi ARVI mengidentifikasi vegetasi jauh
jarang dengan luas 7,87 % lebih condong kekelas rapat dan sangat rapat.
Tabel 5 Klasifikasi DVI Transformasi DVI mengidentifikasi untuk kelas
kerapatan vegetasi sedang dan rapat tidak terlalu
berbeda jauh luasannya, dan kelas kerapatan ve-
getasi sangat jarang diidentifikasi jauh lebih luas
daripada hasil transformasi NDVI, SAVI dan
ARVI. Transformasi RVI mengidentifikasi kera-
patan vegetasi lebih condong kearah kerapatan
sedang dan jarang, dan berbeda dengan indeks
lain, pada hasil identifikasi RVI kelas kerapatan
sangat jarang jauh lebih luas serta kelas kerapa-
tan sangat rapat luasan yang dihasilkan sangat
rendah.
Hasil metode RVI didapati persentase ter-
luas masuk ke dalam klasifikasi tingkat kerapatan Perbandingan Akurasi
jarang dengan luas 740,72 Ha dengan persentase Berdasarkan hasil survei lapangan dengan
luas 31,32 %. Sedangkan wilayah tersempit ter- menggunakan plot tunggal pada 82 titik sampel
dapat pada klasifikasi tingkat kerapatan sangat dapat dilihat lengkap pada lampiran 3, berdasar-
rapat dengan luas 12,44 Ha dengan persentase kan hasil perhitungan matriks kesalahan, akurasi
luas 0,53 %. yang dihasilkan masing-masing hasil indeks vege-
Tabel 6 Klasifikasi RVI tasi adalah sebagai berikut :
Tabel 7 Perbandingan Akurasi

Pada tabel 7 didapati akurasi tertinggi


Hasil klasifikasi masing-masing transfor- adalah hasil klasifikasi transformasi NDVI den-
masi indeks vegetasi menghasilkan diagram seba- gan persentase akurasi keseluruhan 75,61%, se-
gai berikut : dangkan akurasi terendah terdapat pada hasil
Gambar 1. Diagram Perbedaan Hasil Transfor- klasifikasi transformasi RVI dengan persentase
masi Indeks Vegetasi akurasi keseluruhan 39,02%. Sehingga dapat di-
simpulkan bahwa akurasi yang terbaik adalah ha-
sil klasifikasi transformasi NDVI yang kemudian
dianggap sebagai rujukan terbaik dengan indeks
kappa sebesar 0,69
Tabel 8 Akurasi Transformasi NDVI

4
Nuansa Chandra Lintang / Geo Image 6 (1) (2017)

Pada tabel 8 transformasi NDVI menun- indeks vegetasi ternyata sensitif terhadap efek at-
jukkan di kelas sangat jarang akurasi pengguna mosfer maka indeks lain dikembangkan dengan
maupun akurasi pembuat sama-sama dapat di- cara menerapkan normalisasi terhadap radian-
terima dengan akurasi 100%. Pada kelas kera- si di saluran biru, merah dan inframerah dekat,
patan jarang akurasi pembuat termasuk sedang/ yang disebut dengan ARVI dirumuskan oleh
medium (90,91%) tetapi akurasi pengguna sangat Jensen (2005). Berbeda dengan luasan kerapatan
rendah (55,56%). Perhitungan akurasi pembuat vegetasi yang dihasilkan oleh NDVI dan SAVI,
dikaitkan dengan jumlah piksel benar (cek lapan- pada ARVI nilai kerapatan vegetasi condong le-
gan), sedangkan perhitungan akurasi pengguna bih. Adanya pengurangan dengan menggunakan
dikaitkan dengan jumlah interpretasi yang belum saluran biru mengakibatkan kelas yang masuk ke
tentu benar. Jadi tidak salah apabila lebih berpe- dalam kategori ke arah rapat jauh lebih banyak,
gang pada akurasi pembuat, sehingga hasil inter- walaupun secara nilai maksimal, nilai minimum,
pretasi kelas kerapatan jarang masih dapat dite- rata-rata dan standar deviasi hampir sama dengan
rima, hal ini sejalan dengan Sutanto (2016:83). nilai yang dihasilkan oleh transformasi NDVI.
Begitupula dengan kelas kerapatan sangat rapat. DVI merupakan transformasi indeks vege-
Namun untuk kelas sedang dan rapat akurasi tasi yang dikembangkan dari data Landsat MSS
pembuat lebih rendah dari 70%, hal ini mengin- di beberapa daerah Amerika Serikat. Dalam per-
dikasikan bahwa masih terdapat kesalahan inter- kembangannya pada tahun 1992, Richardson
pretasi pada kelas tersebut. &Everittmempublikasikan formulasi DVI baru
Tingkat kerapatan vegetasi menggunakan untuk dapat digunakan pada citra multi spekt-
metode indeks vegetasi yang berbeda menghasil- ral dengan rumus mengurangi nilai dari saluran
kan kelas kerapatan vegetasi yang berbeda. Hal inframerah dekat dengan saluran merah (dalam
tersebut dipengaruhi oleh algoritma yang digu- Sobirin dkk, 2007). Pengurangan tersebut menja-
nakan pada setiap transformasi indeks vegetasi dikan rentang nilai yang dihasilkan dapat berjum-
berbeda. Salah satu transformasi indeks vegetasi lah besar. Peta yang dihasilkan dari transformasi
pada penelitian ini adalah NDVI. Transformasi DVI untuk vegetasi rapat dan sangat rapat sekilas
NDVI merupakan transformasi yang paling se- nampak mirip pada persebarannya dengan hasil
ring digunakan dalam kajian kerapatan vegetasi transformasi NDVI ataupun SAVI, namun pada
dikarenakan transformasi ini adalah transformasi kelas sedang, jarang, dan sangat jarang transfor-
yang telah dinormalkan dengan rentang hasil -1 masi DVI mengelaskan lebih luas dan lebih con-
sampai 1. Pada pengolahan citra Landsat-8 pere- dong mengelaskan vegetasi pada kondisi kerapa-
kaman 18 September tahun 2015 menggunakan tan jarang.
NDVI didominasi oleh tingkat kerapatan rapat. RVI adalah indeks vegetasi paling tua
Bulan September merupakan awal musim hujan. yang dipublikasikan oleh Jordan (1969). Menu-
Sehingga vegetasi pada umumnya mulai menge- rut Danoedoro (2012) bila nilai RVI diplot pada
luarkan daun-daun muda yang dapat menambah feature plot inframerah dekat (sumbu y) mela-
tingkat kerapatan vegetasinya. wan merah (sumbu x), terlihat bahwa nilai RVI
Campbel dalam As-syakur dkk, (2009) me- yang sama akan membentuk satu garis, yang juga
nyatakan bahwa nilai-nilai dari indeks vegetasi menunjukkan besarnya gradien. Nilai RVI terbe-
selain dipengaruhi oleh kondisi tanaman itu sen- sar ternyata berimpit dengan garis vegetasi, dan
diri juga dipengaruhi oleh sudut pantulan cahaya nilai RVI terkecil berimpit dengan garis tanah.
dari objek yang diterima sensor, pantulan tanah, Dengan kata lain, garis tanah menunjukkan RVI
dan perubahan atmosfer. SAVI merupakan trans- bernilai 0, dan garis vegetasi menunjukkan RVI
formasi indeks vegetasi yang dipercaya mampu bernilai maksimum. Dengan memanfaatkan nilai
menekan latar belakang tanah. Hal tersebut dapat rentang kelas yang dihasilkan transformasi RVI
mengasumsikan bahwa gangguan spektral tanah lebih rendah dari transformasi yang lain. Menu-
lebih dominan pada daerah penelitian. Ganggu- rut Danoedoro (2012) secara implisit, berbagai
an spektral tanah pada daerah penelitian dapat penelitian menunjukkan adanya korelasi yang
timbul karena pengaruh topografi yang terjal dan cukup kuat antara RVI dengan NDVI. Artinya,
juga efek bayangan gunung yang dihasilkan keti- keduanya dapat memberikan efek yang sama.
ka perekaman citra berlangsung. Perbedaan utama diantara keduanya terletak
Berbeda dengan SAVI, ARVI adalah in- pada nilai asli yang dihasilkan. Pada RVI nilai
deks vegetasi yang lebih menekankan efek atmos- terkecil adalah 0 dan nilai maksimum biasanya
fer. Pada formula ARVI terdapat tambahan salu- mencapai dua digit. Apabila hasil korelasi ting-
ran yang digunakan yaitu saluran biru. Menurut gi ditunjukkan oleh nila NDVI dengan RVI ke-
Danoedoro (2012) ketika disadari bahwa banyak mungkinan besar kesalahan yang dapat terjadi

5
Nuansa Chandra Lintang / Geo Image 6 (1) (2017

karena ketidakcocokan metode interval teratur liki korelasi paling baik apabila dikaitkan den-
yang digunakan pada transformasi RVI untuk gan transformasi NDVI, hal ini disebabkan sifat
pengkelasannya. transformasi RVI yang hanya membedakan objek
Hasil penelitian ini merupakan hasil aku- vegetasi dengan non vegetasi.
rasi terbaik yang dihasilkan antara transformasi
NDVI, SAVI, ARVI, DVI dan RVI dengan me- SIMPULAN
manfaatkan citra satelit landsat-8. Berdasarkan hasil penelitian dan pemba-
Berdasarkan perhitungan data hasil pene- hasan, simpulan yang terdapat pada penelitian
litian, tingkat akurasi yang dihasilkan oleh lima ini adalah akurasi tertinggi dihasilkan oleh trans-
transformasi indeks vegetasi yang paling mende- formasi indeks vegetasi NDVIdengan persenta-
kati kondisi lapangan sesungguhnya adalah trans- se akurasi keseluruhan sebesar 75,61%. Tingkat
formasi NDVI (Normalized Difference Vegetati- kerapatan vegetasi yang dihasilkan terbagi pada
on Index) dengan persentase 75,61%. Kondisi ini kelas sangat rapat seluas 577,73 Ha, rapat seluas
sejalan dengan Ray (1995) dalam As-syakur dkk, 679,88 Ha, sedang seluas 632 Ha, jarang seluas
(2009) bahwa persamaan NDVI sangat cocok di- 391,61 Ha dan sangat jarang seluas 84,08 Ha.
gunakan pada daerah dengan vegetasi rapat. Se- Berdasarkan hasil temuan penelitian, di-
lain itu, NDVI merupakan suatu persamaan yang sarankan perlu dilakukan penelitian lebih lanjut,
paling umum digunakan untuk mencari indeks terutama menggunakan transformasi NDVI den-
vegetasi dimana NDVI memiliki sensitivitas yang gan metode klasifikasi lain untuk meningkatkan
tinggi terhadap perubahan kerapatan tajuk vege- akurasi pada kelas kerapatan vegetasi sedang dan
tasi dibandingkan indeks vegetasi lainnya. rapat, metode SAVI dapat menjadi pembanding
Transformasi SAVI hanya memiliki perbe- hasil metode NDVI serta pada daerah jarang dan
daan satu piksel dengan transformasi NDVI, hal sangat jarang dapat dilakukan reboisasi.
tersebut sejalan dengan adanya gangguan latar
belakang tanah yang besar pada daerah kajian. DAFTAR PUSTAKA
Adanya topografi yang terjal juga akan berdam- As-syakur, A. Rahman. dkk. 2009. Analisis Indeks
pak memunculkan efek bayangan. Efek bayangan Vegetasi Menggunakan Citra ALOS AVNIR-2
tersebut masuk ke dalam gangguan latar belakang Dan Sistem Informasi Geografi (SIG) Untuk
Evaluasi Tata Ruang Kota Denpasar. Bali. Uni-
tanah, sehingga transformasi SAVI cocok dalam
versitas Udayana : Jurnal Bumi Lestari Vol. 9
pendugaan kerapatan vegetasi dihutan lindung No. 1
Gunung Ungaran. Danoedoro, Projo. 2012. Pengantar pengindraanjauh
Transformasi ARVI memiliki akurasi ke- digital. Yogyakarta: UGM.
seluruhan sebesar 60,98%. Transformasi ARVI Gunawan, Hendra, Lilik B. Prasetyo, Ani Mardiastuti,
menggunakan band biru untuk menekan efek dan Agus P. Kartono. 2010. Fragmentasi Hutan
atmosfer tidak berpengaruh besar karena kondisi Alam Lahan Kering Di Provinsi Jawa Tengah.
citra yang baik, namun mengakibatkan kesalahan Bogor. Kementerian Kehutanan : Jurnal Pene-
pada hasil transformasi dalam pendugaan kera- litian Hutan dan Konservasi Hutan Vol. 7 No.1
Sobirin, Revi Hernina, dkk. 2007. Modul Praktikum
patan vegetasi.
Interpretasi Citra Digital (Menggunakan ER
Transformasi DVI merupakan transforma- Mapper 6.4). Depok: Departemen Geografi
si indeks vegetasi yang dikembangkan dari data Fakultas Matematika dan IPA UI.
landsat MSS. Berbeda dengan landsat ETM dan Soedjoko, Sri Astuti dan Fandeli, Chafid. 2002. Kri-
juga OLI TIRS pada landsat 8 julat yang diha- teria Indikator Dan Parameter Kerusakan
silkan juga berbeda, contohnya adalah julat yang Ekosistem Daerah Aliran Sungai (Studi Kasus
dihasilkan landsat MSS5 adalah 0-127 sedangkan DAS Srayu)”. Makalah disajikan dalam Semi-
pada landsat 7 julatnya adalah 0-255. Hal terse- nar Prosiding Monitoring dan Evaluasi Penge-
but yang menjadikan transformasi DVI memiliki lolaan DAS, Surakarta, 23 Desember.
Sutanto. 2016. Metode Penelitian Penginderaan Jauh
akurasi yang buruk pada penelitian ini.
(Edisi Revisi). Yogyakarta: Penerbit Ombak.
Pada transformasi RVI terdapat kesalahan Undang – Undang RI No. 41 Tahun 1999. Tentang
omisi dan komisi yang besar, padahal menurut Kehutanan. Jakarta: Departemen Kehutanan.
Danoedoro (2012:248) transformasi RVI memi-

6
Nuansa Chandra Lintang / Geo Image 6 (1) (2017)

LAMPIRAN

You might also like