Identifikasi Perkembangan Deforetasi Tambang PT.Semen
Padang dengan Menggunakan Citra Multi Spektral dan Multi
Temporal
Identify Development of Mining Deforetation PT.Semen Padang
use Multi Spectral and Temporal Imagery
1.
Beben Graha Putra, Latifa Annur, Isra Haryati Diva
Prodi Geografi Universitas Negeri Padang
ABSTRAK – Tujuan penelitian ini mengidentifikasi deforestasi dari aktivitas semen
padang, menentukan pola deforestasi, menghitung akurasi citra dan analisis deforestasi.
Didalam penelitian ini menggunakan citra Landsat 7 & 8, dan peta kadastral
pertambangan. Metode yang digunakan 1. Klasifikasi citra multispektral, maximum
likelihood dan NDVI, 2. Uji akurasi menggunakan confusion matrix. Hasil penelitian ini
ditemukan tipe tutupan lahan yaitu hutan, perairan, lahan terbangun, lahan terbuka,
belukar,padang rumput. Dari semua kelas tutupan lahan yang diklasifikasikan pada area
pertambangan didominasi oleh Hutan. Hasil transformasi indeks Vegetasi pada area
pertambangan berkisar pada rentang -0.306475 - 0.378938. Area deforestasi lahan
terbuka tahun 2007 yaitu 148 Ha dan tahun 2018 yaitu 197 Ha. Arahnya yang bergerak
ke selatan. Izin pertambangan dari ESDM seluas 618 Ha dan lahan deforestasi
pertambangan 33,10% . Hasil uji akurasi citra 80.1326%
Kata Kunci : Deforestasi,Pertambangan,NDVI
ABSTRACT - The purpose of this study to identified the deforestation of PT Semen
Padang activity, to determination of deforestation patterns, to calculate of image
accuracy and to analysis deforestation. In this research using Landsat 8, and cadastral
mining map. Methods used 1. Multispectral image classification, maximum likelihood and
NDVI, 2. accuracy assasment using confusion matrix. The results of this study found the
type of land cover that is forest, water, wake land, bare land, grass, meadow. From all of
land cover classified in mining areas are dominated by forests land cover. The
transformation of Vegetation index on mining area ranges from -0.306475 - 0.378938.
Deforestation area of bare land in 2007 is 148 Ha and in 2018 is 197 Ha. The land
expantion has direction moving to south. Mining permits from ESDM covering 618 Ha
and mining deforestation area 33,10%. Image accuracy test result 80.1326%.
Keywords: Deforestation, Mining, NDVI
1.Pendahuluan
Deforestasi merupakan masalah yang sering terjadi di Indonesia,Deforestasi sendiri adalah proses penghilangan
hutan alam dengan cara diambil kayunya atau mengubah lahan hutan menjadi lahan non hutan. Deforestasi bisa
disebabkan kebakaran,pembalakan,atau pembukaan lahan yang mana ini bisa diidentifikasi karena desakan konversi
lahan untuk pemukiman,infrastruktur,dan permanen industri maupun kegiatan tambang.
Deforestasi pertambangan menjadi contoh disaat kebutuhan akan mineral dengan semakin pesatnya kegiatan industri
menuntut deforestasi terjadi. PT.Semen Padang yang menjadi perusahaan BUMN bergerak dibidang industri semen
melakukan penambangan dikawasan Indarung. Batu kapur yang ditambang dibukit Karang Putih digunakan sebanyak
81%,Batu Silika yang depositnya berada dibukit ngalau yang masih satu kawasan dengan bukit Karang Putih digunakan
sebanyak 9%. Dilihat dari persentase nya maka kegiatan penambangan terus berlangsung dan kegiatan Deforestasi
terus berjalan yang mana ini akan dilihat dan dikaji menggunakan citra satelit yang biasa disebut dengan teknologi
penginderaan jauh atau remote sensing. Penginderaan jauh yaitu berbagai teknik yang dikembalikan untuk perolehan
dan analisis informasi tentang Bumi. Infromasi tersebut khusus berbentuk radiasi elektromagnetik yang dipantulkan atau
dipancarkan dari permukaan Bumi (Lindgren, 1985).
Perubahan fungsi kawasan yang terus tergerus oleh pertambangan tentu melahirkan masalah untuk daerah disekitar
kawasan tersebut,mulai dari dampak lingkungan,polusi ditambah lagi daerah tersebut merupakan hutan dengan
kerapatan yang sangat tinggi menjadi kan nya ekosistem flora fauna yang berada dikawasan tersebut. Jika diambil
contoh sungai yang melintasi kawasan pertambangan tentu akan terkontaminasi oleh bahan bahan tambang dikawasan
tersebut ini bisa jadi masalah lingkungan selain dari dampak deforestasi yang terjadi. Hilang nya hutan tentu akan
meningkatkan efek rumah kaca dan menaikkan iklim global masalah seperti ini harus lah mendapatkan perhatian ekstra
agar tidak terjadi kerusakan kerusakan yang membahayakan dimasa depan. Maka pada penelitian dilakukan analisis
deforestasi yang terjadi sehingga bisa melihat setiap kerusakan dan perkiraan deforestasi yang terus terjadi seiring
meningkatnya permintaan industri.
Analisis tutupan lahan menggunakan penginderaan jauh juga banyak diaplikasikan untuk mendeteksi degredasi hutan.
Metode melakukan identifikasi Vegetasi sehingga bisa membedakan obyek Hutan dan Non Hutan. Dengan menggunakan
Citra dari Satelit Landsat 7 dan 8 yang mempunyai Resolusi 30m sehingga kita dapat melihat berapa besarnya luas
Deforestasi dari tahun 2007-2018. Penggunaan Citra Multispektral dapat menghasilkan berbagai saluran, Citra dengan
saluran yang berbeda tersebut dapat untuk mengidentifikasi kenampakan-kenampakan tertentu,karena saluran-saluran
tersebut memiliki kepekaan terhadap suatu kenampakan
Penggunaan metode Normalized Difference Vegetation Index (NDVI) merupakan kombinasi antara teknik penisbahan
dengan teknik pengurangan citra,NDVI mampu menonjolkan aspek kerapatan Vegetasi. Indeks vegetasi atau NDVI
adalah indeks yang menggambarkan tingkat kehijauan suatu tanaman. Indeks Vegetasi merupakan kombinasi matematis
antara band merah dan band NIR yang telah lama digunakan sebagai indikator keberadaan dan kondisi Vegetasi
(Lillesand dan Kiefer, 1997). NDVI dapat digunakan sebagai indikator biomasa dan tingkat kehijauan (greenness) relatif
(Sutanto, 1986). Indeks Vegetasi merupakan nilai yang diperoleh dari gabungan beberapa spektral band spesifik dari citra
penginderaan jauh. Gelombang indeks Vegetasi diperoleh dari energi yang dipancarkan oleh Vegetasi pada citra
penginderaan jauh untuk menunjukkan ukuran kehidupan dan jumlah dari suatu tanaman.
Tanaman memancarkan dan menyerap gelombang yang unik sehingga keadaan ini dapat di hubungkan dengan
pancaran gelombang dari objek-objek yang lain sehingga dapat di bedakan antara Vegetasi dan objek selain Vegetasi
(Horning, 2004). Transformasi NDVI memanfaatkan beberapa saluran dari citra satelit Landsat ETM + antara lain ; band 3
(TM 3) yang lebih dikenal dengan saluran merah dan band 4 yang lebih dikenal dengan saluran inframerah dekat.
Kelebihan kedua saluran ini untuk identifikasi Vegetasi adalah obyek akan memberikan tanggapan spektral yang tinggi.
Perhitungan perbandingan sifat respon obyek terhadap pantulan sinar merah dan NIR dapat menghasilkan nilai dengan
karakteristik khas yang dapat digunakan untuk memperkirakan kerapatan atau kondisi kanopi/kehijauan tanaman (Swain,
1978). Tanaman yang sehat berwarna hijau mempunyai nilai indeks Vegetasi tinggi. Hal ini disebabkan oleh hubungan
terbalik antara intensitas sinar yang dipantulkan vegetasi pada spektral sinar merah dan NIR (Purwadhi dan Sri, 2001).
Ada banyak metode yang digunakan untuk menghitung indeks Vegetasi, yang bisa digunakan adalah NDVI. NDVI
merupakan suatu pembagian dari gelombang yang dipantulkan oleh Vegetasi dengan gelombang yang diserap oleh
tanaman yaitu gelombang infrared dekat dengan gelombang merah, dan penjumlahan dan pengurangannya dari tiap-tiap
gelombang merupakan suatu normalisasi dari irradians (Shorts, 1982).
Konsep multi yang digunakan yaitu pencitraan multitemporal dan multispektral. Pencitraan multitemporal merupakan
cara yang digunakan pada system penginderaan jauh dengan memanfaatkan waktu perekaman yang berbeda-beda.
Obyek yang tergambar dalam citra menggambarkan kondisi dan waktu perekaman yang berbeda-beda. Tujuan
pemanfaatan citra multitemporal untuk mengetahui obyek yang tergambar dalam citra yang menggambarkan kondisi dan
waktu perekaman yang berbeda-beda. Pencitraan multispektral merupakan cara pengambilan objek menggunakan
seluruh spectrum gelombang elektromagnetik. Pencitraan spektral dapat memungkinkan ekstraksi informasi tambahan
mata manusia gagal untuk menangkap dengan reseptor untuk merah, hijau dan biru. Ini pada awalnya dikembangkan
untuk pencitraan berbasis ruang angkasa. Klasifikasi multispektral ini hanya bisa dilakukan pada citra satelit format digital
dengan bantuan sistem komputer dan .mengandalkan nilai kecerahan untuk membedakan obyek-obyek yang terekam
pada citra.
Karakteristik spektral merupakan besaran terukur yang dimiliki suatu objek pada satu atau beberapa julat panjang
gelombang (Reeves, 1975). Informasi mengenai karakteristik spektral pada suatu objek dapat diidentifikasi melalui kurva
pantulan spektral. Adanya kandungan air di tanah akan mengurangi pantulannya, sehingga pada kondisi tanah yang
berbeda yaitu tanah yang kering dan basah akan mempengaruhi amplitudo dari kurva pantulan tanah tersebut.
Selanjutnya, Sifat spektral tanah yang dikorelasikan pada masing – masing saluran citra Landsat TM digunakan untuk
memperoleh saluran terbaik yang merepresentasikan kelembaban tanah permukaan dan hubungannya dengan
kelembaban tanah permukaan di lapangan.
Phinn (2002) menyebutkan klasifikasi multispektral mengasumsikan: (a) resolusi spasial tinggi, dimana setiap piksel
merupakan piksel murni yang tersususun atas satu macam objek penutup lahan, (b) piksel-piksel yang menyusun satu
jenis penutup lahan mempunyai kesamaan spectral, (c) setiap penutup lahan yang berbeda juga mempunyai perbedaan
spektral yang signifikan. Cara kerja algoritma klasifikasi multispektral pada prinsipnya adalah menandai tiap jenis objek
hingga terlihat berbeda berdasarkan ciri-ciri nilai spektral pada beberapa saluran. Cara kerja algoritma klasifikasi adalah
menerjemahkan kenampakan visual tersebut menjadi parameter-parameter statistik yang dimengerti oleh computer dan
kemudian dieksekusi ( Projo Danoedoro. 2012). System klasifikasi menurut NOAA dan USGS mencampurkan konse
penutup dan penggunaan lahan karena berangkat dari asumsi bahwa penutup lahan lebih dapat diindera langsung dan
aspek aspek penggunaan lahan dalam beberapa hal dapat dideduksi dari penutup lahannya.
Maximum likelihood merupakan algoritma yang menggunakan dasar perhitungan probabilitas. Asumsi algoritma ini
adalah bahwa objek homogeny selalu menampilkan histogram yang yang terdistribusi normel (Bayesian ). Piksel
dikelaskan sebagai objek tertentu bukan karena jarak euklidiannya, melainkan bentuk, ukuran dan orientasi sampel pada
feature space ( Shresta, 1991). Untuk metode uji akurasi, terdapat 2 metode: (a) mengandalkan data sampel yang telah
diambil sebagai sumber referensi penilaian akurasi, (b) mengandalkan sumber independen, yang tidak pernah digunakan
dalam pengambilan sampel. Dalam penginderaan jauh, metode pertama tidak pernah direkomendasikan karena pada
metode ini hanya biasa digunakan dalam uji coba algoritma klasifikasi oleh para pengembang perangkat lunak. Metode
yang kedua lebih sesuai untuk studi penginderaan jauh.
Jumlah kelas dalam klasifikasi multispektral juga berpengaruh terhadap akurasi yang dihasilkan penelitian Danoedoro
(2006) menemukan bahwa jumlah kelas yang lebih banyak cenderung menghasilkan tingkat akurasi yang lebih rendah.
Semakin banyak kelas menyebabkan tuntutan pengelompokkan objek secara spesifik semakin meningkat. Jumlah kelas
yang banyak juga harus diimbangi dengan tingkat separabilitas antarkelas yang juga tinggi. Untuk persentase akurasi
yang dapat diterima bervariasi tergantung para ilmuwan masing masing seperti ahli geologi atau ahli tanaman, dll. . Hasil
uji akurasi adalah merupakan rerata ( overall accuracy).
Langkah awal yang dilakukan adalah koreksi radiometri citra. Koreksi radiometri citra diperlukan atas dua dasar yaitu
untuk memperbaiki kualitas visual citra dan memperbaiki nilai-nilai piksel yang tidak sesuai dengan nilai pantulan atau
pancaran spektspectralk yang sebenarnya. Koreksi radiometri meliputi 2 kelompok besar: (a) koreksi bertumpu pada
informasi dari citra sendiri, (b) koreksi yang mempertimbangkan factor-faktor luar yang berpengaruh terhadap kesalahan
informasi yang ada pada citra.
PT Semen Padang menyatakan berkomitmen menjaga lingkungan dengan mengelola bekas tambang untuk
mengembalikan fungsi lahan. Direktur Utama Semen Padang Benny Wendry menyebutkan perseroan memperhatikan
pengelolaan lingkungan dalam setiap operasionalnya sehingga menghasilkan produksi tambang yang ramah lingkungan
(28 Maret 2017). Contohnya lahan tambang tanah liat atau clay sekitar 90 hektare, yang dikerjakan perseroan di kawasan
Indarung, Kota Padang, direklamasi sejak 1993 serta dijadikan sarana olahraga dan konservasi. Benny mengungkapkan,
di area bekas tambang clay yang dinamai Taman Reklamasi Indarung itu, tumbuh 293 jenis tumbuhan. Enam di
antaranya tergolong dilindungi undang-undang. Tumbuhan itu sebagian besar ditanami, tapi ada juga yang tumbuh
secara alami. Selain itu, terdapat 47 jenis hewan yang mendiami kawasan bekas tambang tersebut. Untuk lahan yang
dikerjakan saat ini, anak usaha PT Semen Indonesia (persero) Tbk itu sudah menyiapkan perencanaan pascatambang
seluas 242 hektare agar kelestarian lingkungan sekitarnya tetap terjaga. Proses reklamasi tambang batu kapur baru bisa
dilakukan saat ketinggian bukit kapur sudah mencapai level tidak bisa ditambang lagi atau sekitar 200 meter dari
permukaan laut. Adapun tahapan pemulihan area bekas tambang adalah melakukan reklamasi lahan yang tidak
digunakan dan penutupan tambang. Untuk penutupan tambang, direncanakan pengembalian kawasan menjadi hijau
kembali dan melengkapinya dengan sarana pendukung, seperti waduk dan tata ruang, agar tidak terjadi erosi.
Gambar 1 Lokasi penelitian
2.Metode Penelitian
Data yang digunakan dalam penelitian ini menggunakan data citra Landsat 7 untuk tahun 2007 & Landsat 8 untuk
tahun 2018,wilayah menjadi objek penelitian yaitu daerah pertambangan PT. Semen Padang. Metode penelitian
menggunakan klasifikasi citra Multispektral, Maximum Likelihood,dan NDVI serta Uji akurasi menggunakan Confusion
matrix dan diperjelas dengan klasifikasi citra Temporal untuk melihat perkembangan deforestasi selama 11 tahun dengan
sample diambil dari 2007-2018 serta ditambahkan RTRW Sumatera Barat sebagai acuan lokasi peneltian.
2.1 Koreksi Radiometrik
Hal pertama yang dilakukan adalah koreksi radiometrik dan pemotongan citra sesuai dengan daerah penelitian.
Dengan daerah yang difokuskan maka akan didapatkan keakuratan penelitian,dilakukan Koreksi Radiometrik untuk
menetralkan hamburan yang terjadi ketika pengambilan gambar oleh Satelit. Menurut Catur, et al rumusan untuk koreksi
radiometrik adalah sebagai berikut:
𝐿𝜆 = 𝑀𝐿 𝑥 𝑄𝑐𝑎𝑙 + 𝐴𝐿 (1)
di mana;
𝐿𝜆 = ToA reflektansi
𝑀𝐿 = Reflectance_Mult_Band_x
𝐴𝐿 = Reflectance_Add_Band_x
𝑄𝑐𝑎𝑙 = Nilai digital number (DN)
Koreksi radiometri ditujukan untuk memperbaiki nilai piksel agar sesuai dengan yang seharusnya dengan
mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama. Dapat diasumsikan bahwa nilai piksel
terendah pada suatu kerangka liputan (scene) seharusnya nol, sesuai dengan bit-coding sensor. Apabila nilai terendah
piksel pada kerangka liputan bukan nol, maka nilai penambah (offset) tersebut dipandang sebagai hasil dari hamburan
atmosfer
2.2 Klasifikasi Citra Multispektral
Klasifikasi multispektral sendiri adalah algoritma yang dirancang untuk menyajikan informasi tematik dengan cara
mengelompokkan fenomena berdasarkan satu kriteria yaitu nilai Spektral. Cara kerja algoritma klasifikasi multispektral
pada prinsipnya adalah menandai tiap jenis objek hingga terlihat berbeda satu dari yang lain,berdasarkan ciri-ciri nilai
spektral nya sekaligus pada beberapa saluran. Cara kerja algoritma klasifikasi adalah menerjemahkan kenampakan
visual tersebut menjadi parameter-parameter statistik yang dimengerti oleh komputer,dan kemudian dieksekusi.
Klasifikasi dalam penelitian ini dibagi 2 dan ditambah Ujiakurasi :
1.
Maximum Likelihood (Supervised)
Pada metode ini,analisis terlebih dahulu untuk menentukan daerah training area pada citra sebagai kelas kenampakan
objek tertentu. Penetapan ini berdasarkan pengamatan analisis terhadap wilayah dalam citra mengenai daerah tutupan
lahan. Danoedoro (2012) menyebutkan bahwa Algoritma maximum likehood merupakan algoritma yang secara statistik
mapan, dengan asumsi bahwa objek homogen selalu menampilkan histogram yang terdistribusi normal. Piksel dikelaskan
sebagai objek tertentu bukan karena jarak euklidiannya, melainkan bentuk, ukuran, dan orientasi sampel pada feature
space ( berupa elipsoida) (shresta, 1991)
Pengolahan Citra Landsat 7 dan 8 dengan menggunakan metode supervised menghasilkan pixels yang
diklasifikasikan dengan teratur dari perhitungan per pixels maka akan dikelompokkan sesuai jenis nya yang telah kita
tentukan. Adapun data yang dihasilkan ketika pengolahan training Citra dibawah ini :
2.2.1 Tabel
ROI Name
Lahan Terbuka
Belukar
Perairan
Sawah
Padang Rumput
Lahan Terbangun
Hutan
Pixels
3.177
2.449
2.451
4.348
991
8.084
73.072
Polygons
29/3.177
24/2.449
49/2.451
25/4.348
2/991
49/8.084
57/73.072
Tabel 1. Nilai Pengolahan Citra dengan ROI tool tahun 2007
2.2.2 Tabel
ROI Name
Lahan Terbuka
Belukar
Perairan
Sawah
Padang Rumput
Lahan Terbangun
Hutan
Pixels
3.141
1.192
2.059
3.871
865
7.499
86.860
Polygons
45/3.141
13/1.192
45/2.059
16/3.871
2/865
32/7.499
97/86.860
Tabel 2. Nilai Pengolahan Citra dengan ROI tool tahun 2018
2. Normalize Difference Vegetation Index (NDVI)
NDVI merupakan kombinasi antara teknik penisbahan dengan teknik pengurangan citra. Transformasi NDVI ini
merupakan salah satu produk standar NOAA (National Oceanic and Atmospheric Administration), satelit cuaca yang
berorbit polar namun memberi perhatian khusus pada fenomena globa vegetasi dan cuaca.
Menurut Curran , nilai NDVI dapat menunjukkan parameter yang berhubungan dengan parameter vegetasi, antara
lain, biomass dedaunan hijau, daerah dedaunan hijau yang merupakan nilai yang dapat diperkirakan untuk pembagian
vegetasi. NDVI pada dasarnya menghitung seberapa besar penyerapan radiasi matahari oleh tanaman terutama bagian
daun. Nilai NDVI merupakan perbedaan reflektansi dari kanal inframerah dekat dan kanal cahaya tampak (merah).
Algoritma yang digunakan adalah sebagai berikut :
𝑁
𝑁
𝑁
2.2.3 Tabel Tingkat kerapatan Vegetasi
No
Kisaran Nilai NDVI
Klasifikasi Tingkat Kerapatan
1.
-1 s/d -0,32
Tidak Bervegetasi
2.
-0,32 s/d 0.25
Jarang
3.
0,25 s/d 0,42
Cukup Rapat
4.
0,42 s/d 0,50
Rapat
5.
0,50 s/d 1
Sangat Rapat
Tabel 3 Sumber : (Modifikasi, Careca, 2013)
3. Uji Akurasi (Confusion Matrix)
Penelitian ini menggunakan Uji akurasi klasifikasi atau perhitungan matriks dari setiap kesalahan (confusion matrix)
pada setiap penggunaan lahan dari interpretasi citra. Ketelitian pemetaan (MA) dibuat dalam beberapa kelas X serta
ketelitian keseluruhan hasil klasifikasi (KH) yang dapat dihitung dengan menggunakan rumus :
𝑀𝐴
𝑐
𝑐
𝑥 𝑙
𝑙𝑎
𝑥 𝑙
𝑙𝑎
𝑥 𝑙
𝑥 𝑙
𝑎
𝑐
𝑥 𝑙
𝑎
𝑥 𝑙
𝑙𝑎
2.3 Klasifikasi Citra Multi temporal
Multi Temporal merupakan cara memperoleh dan menganalisis data citra dengan memanfaatkan waktu perekaman
yang berbeda. Obyek yang tergambar dalam citra menggambarkan kondisi dan waktu perekeman yang berbeda.
Perekaman dalam penelitian ini yang dimulai dari tahun 2007 mengambil citra dari landsat 7 dan citra landsat 8 untuk
perekaman tahun 2018. Olahan data overlay setelah mendapatkan hasil dari pengklasifikasian multispektral,dengan
didapatnya luasan tiap tahun maka akan nampak jelas deforestasi yang terjadi pada kawasan tersebut selama 11 tahun
terakhir.
Tahap penelitian digambarkan pada bentuk diagram alir seperti dibawah ini :
Data citra Landsat 7 dan 8
Koreksi Radiometrik
Perhitungan Luas
Klasifikasi Multispektral
Maximum Likelihood dan NDVI
Klasifikasi Temporal
Perhitungan akurasi
Deforestasi
Informasi Spasial Deforestasi
tahun 2007-2018
Confusion matrix
Gambar 2 Diagram alir
3.Hasil dan analisis
Klasifikasi Multispektral (Maximum likelihood)
Setelah dilakukan pengolahan citra dengan metode Maximum Likelihood maka akan didapatkan hasil tutupan lahan
disekitar kawasan penambangan PT.Semen Padang. Tutupan lahan terdiri atas Lahan terbangun,Lahan
terbuka,Perairan,Sawah,Belukar,Padang Rumput,Hutan. Setelah melakukan Klasifikasi terbimbing atau Supervised
selanjutnya dilakukan pengukuran luas melalui pixels yang telah dikelompokkan. Dari hasil pengelompokkan pixels
tersebut didapatkan lah luas daerah Deforestasi yaitu sebesar 148 Ha dengan arah pergerakannya ke selatan.
Sebagai pembanding dari hasil Deforestasi dibutuhkan analisis tahun diatas nya dan dalam penelitian ini
menggunakan rentang 11 tahun yang dimulai dari 2007-2018. Penggunaan Landsat 8 pada tahun 2018 dengan akurasi
30 meter membuat perhitungan lebih akurat hasil nya bisa diamati pergerakan Deforestasi 2018 bertambah dari tahun
sebelumnya. Alur Deforestasi baru mengarah kearah tenggara serta perluasan area lahan pertambangan juga terjadi
dibagian utara seperti yang terlihat pada hasil klasifikasi dibawah ini.
Gambar 3 Peta hasil klasifikasi Supervised
Pengolahan Supervised Maximum Likelihood mendapatkan hasil bahwa selama jarak 11 tahun terjadi kenaikan dari
luas Deforestasi sebelumnya di tahun 2007 sebesar 148 Ha menjadi 197 Ha. Dengan adanya 2 peta ini bisa dianalisis
langsung pergerakan Deforestasi yang terjadi dan dapat menyimpulkan besaran luas areanya. Persentasi besaran luas
area pada tahun 2018 tersebut sebesar 33.11 % dari luas area sebelumnya pada tahun 2007. Dapat dikatakan telah
terjadinya perluasan area tambang oleh PT. SEMEN PADANG sepanjang 11 tahun ini.
Untuk memperkuat keakuratan klasifikasi maka dilakukan Uji akurasi yang mana nilai klasifikasi yang didapat dari
metode Confusion matrix sebesar 80.1326% sehingga ketelitian klasifikasi memenuhi toleransi dan klasifikasi dianggap
benar.
Normalize Difference Vegetation Index (NDVI)
Langkah selanjutnya klasifikasi menggunakan NDVI yang mampu menonjolkan aspek kerapatan vegetasi. Pada
penelitian ini mengambil sample tahun 2018 untuk melihat indeks vegetasi pada kawasan sekitar pertambangan. Hasil
transformasi indeks Vegetasi pada area pertambangan berkisar pada rentang -0.306475 - 0.378938. Diklasifikasikan
menjadi 5 kelas yaitu daerah yang cukup rapat bisa terdiri dari semak belukar serta areal pertanian, kelas rapat tersusun
didalam nya terdapat hutan daerah ini terdapat di areal perbukitan yang mengeliling daerah pertambangan,kelas sangat
rapat merupakan daerah dengan indeks vegetasi sangat lebat atau bisa dikatakan sangat rapat yang berada pada
kawasan hutan di perbukitan, serta yang terakhir merupakan daerah tidak bervegatasi dengan kisaran nilai -1 s/d -0,32
terdiri atas Perumahan/Lahan terbangun dan Lahan terbuka.
Dengan melihat indeks vegetasi didapatkan analisis daerah deforestasi adalah daerah hutan yang kerapatan tinggi
tentu ini menjadi masalah terhadap efek hilang nya fungsi kawasan hutan,dimulai dari pemanasan global serta naiknya
suhu permukaan bumi. Selain efek terhadap iklim kawasan yang hilang fungsinya yang dahulu merupakan daerah
resapan air serta penyangga air limpasan yang mengalir melewati daerah perbukitan tersebut membawa dampak
berkelanjutan bisa didapat pada sungai yang tercemar dan dasarnya dipenuhi bahan bahan erosi sebagai bentuk efek
dari deforestasi.
Gambar 4 peta NDVI kawasan pertambangan PT Semen Padang
Klasifikasi Citra Multi temporal
Model klasifikasi multitemporal dipenelitian ini untuk menekan lebih jelas perubahan serta gerak deforestasi yang
terhitung dari pengklasifikasian Supervised. Ditahun 2007 seluas 148 Ha di bukit karang putih serta ditahun 2018 seluas
197 Ha apabila dihitung terjadi kenaikan sebesar 33,10%. Sementara itu daerah yang diizinkan untuk di tambang oleh
Kementerian ESDM pada daerah penelitian ini sebesar 618 Ha maka lahan yang telah terpakai sebesar 31,87%.
Perkembangan deforestasi dari peta yang dibawah ini menunjukkan perbandingan dengan jelas deforestasi tahun 20072018 dengan sisa izin yang ada maka pergerakan deforestasi akan terus terjadi. Apabila dilihat mungkin akan bergerak
kearah timur sesuai izin yang diberikan hingga akan dilakukan pertambangan sampai 2048 sesuai yang disampaikan oleh
PT.Semen Padang pada Harian Singgalang serta target reklamasi yang rampung pada tahun tersebut.
Gambar 5 Peta Perkembangan Pertambangan PT.Semen Padang
4.Kesimpulan
Dari penelitian yang dilakukan mengenai “Identifikasi Perkembangan Deforetasi Tambang PT.Semen Padang dengan
Menggunakan Citra Multi Spektral dan Multi Temporal” , maka dapat diambil kesimpulan sebagai berikut :
1. Perkembangan Deforestasi pada kawasan tambang yang terhitung dari 2007 seluas 148 Ha dan bertambah sebesar
33,10% ditahun 2018 menjadi 197 Ha.
2. Deforestasi dimulai dari Utara yang bergerak keselatan mengikuti batas izin tambang kementerian ESDM
3. Indeks vegetasi kawasan tersebut berada pada rentang -0.306475 – 0.378938 dengan dilakukan nya klasifikasi
menggunakan NDVI dan memakai kisaran nilai klasifikasi -1 s/d 1.
4. Lahan yang telah terpakai seluas 31.87% dari luas izin kementerian ESDM sebesar 618 Ha khusus daerah
penelitian yang berada dibukit karang putih.
5. Keakuratan pada penelitian ini dilakukan metode uji akurasi (confusion matrix) yang didapat persentase keakuratan
sebesar 80.1326%.
5.Daftar Pustaka
[1]
Andimanwno wordpress. 08 januari 2010. Konsep Multi pada Kegiatan
(https://andimanwno.wordpress.com/2010/01/08/konsep-multi-pada-kegiatan-interpretasi-citra/,
29/05/2018, 17.03 WIB )
[2]
Interpretasi Citra.
diakses
tanggal
Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta: C.V Andi Offset.
[3]
Phinn SR. (2002) GEOS 3301/7322 Advanced Remote Sensing. Lecture notes. StLucia, Brisbane: School of
Geography, Planning and Architecture,T he University of Queensland.
[4]
Lindgren.D.T, 1985., Land Use Planning and Remote Sensing, Martinus Nijhoff Publishers, Doldrecht.
[5]
Lillesand, T.M., dan kiefer, R.W., 1997, Penginderaan Jauh dan Interpretasi Citra ( Terjemahan ), Yogyakarta :
Gadjah Mada University Press, Universitas Gadjah Mada Yogyakarta.
[6]
Sutanto.1986. Penginderaan Jauh Jilid 1 dan 2. Gadjah Mada University Press, Yogyakarta.
[7]
Horning, N., 2004. Global Land Vegetation; An Electronic Textbook. NASA Goddard Space Flight Center Earth
Sciences Directorate Scientifix and Educational Endeavors (SEE). http://www.ccpo.odu.edu/ SEES/ veget/
vg_class.htm. Diakses: tanggal 28/06/2018.
[8]
Purwadhi, Sri Hardiyanti. 2001. Interpretasi Citra Digital. Jakarta: Grasindo (Gramedia Widiasarana Indonesia).
[9]
Swain, P. H., and Davis, S.M (Ed.). 1978. Remote Sensing – The Quantitative Approch.New York: McGraw Hill
[10]
Short, N. M. 1982 Landsat Tutorial Workbook – Basics of Satellite Remote Sensing. Washington DC: NASA.
[11] Shresta, D. P. 1991. Digital Image Processing. Enschede: Internasional Institute for Aerospace Survey and Earth
Sciences.
[12] Darwin. Pembahasan Materi Analisis Citra Digital. http://dharwienchoppel.blogspot.co.id/2012/12/pembahasanmateri-analisis-citra-digital.html. Diakses: tanggal 29/05/2018, 17.03 WIB
[13] Dirgahayu, Dede., Heru Noviar, Silvia Anwar. 2014. Model Pertumbuhan Tanaman Padi di Pulau Sumatera
Menggunakan Data EVI Modis Multitemporal. Deteksi Parameter Geobiofisik dan Diseminasi Penginderaan Jauh
Seminar Nasional Penginderaan Jauh 2014 333
[14] F. Aninda Nurry M. dan Ira Mutiara Anjasmara. Kajian perubahan tutupan lahan daeah aliran sungai Brantas
Bagian Sungai Hilir Menggunakan Citra Satelit Multi Temporal ( Studi Kasus: Kali Porong, Kabupaten Sidoarjo)
[15] Fatmaraga, M. Adi. Pemanfaatan citra penginderaan jauh multi temporal untuk kajian tingkat bahaya erosi (
kasus di Syb das Mumus, Kalimantan Timur).
[16] Frahma, Yazella Feni., Bowo Eko Cahyono, Agung Tjahjo Nugroho. Analisis Tingkat Kehijauan Hutan Daerah
Pertambangan Sawahlunto Metode NDVI Berdasarkan Citra Landsat Tahun 2006-2016. 2018. Jurnal Fisika dan
Aplikasinya Volume 3 Nomor 1, April 2018. p-ISSN: 2541-3384 e-ISSN: 2541-3392. http://doi.org/10.21009/SPEKTRA
[17] Kajian Kelayakan Penambangan Batugamping di Area 412 HA, PT. Semen Padang, Kecamatan Lubuk Kilangan,
Kota Padang-Provinsi Sumatera Barat.
[18] Mulyanto, Lukman dan I NENGAH SURATI JAYA. Analisis Spasial Degradasi Hutan dan Deforestasi : Studi
Kasus di PT. Duta Maju Timber, Sumatera Barat. Jurnal Manajemen Hutan Tropika Vol. X No. 1 : 29-42. 2004
Purwanto, Taufik Hery. Pemanfaatan Citra Digital Multispektral Landsat TM untuk Identifikasi Karakteristik
Pantulan Spektral Kelembaban Tanah Permukaan, Studi Kasus: Sebagian KAbupaten Klaten.
[19]
[20] Shafitri, Luluk Dita., Yudo Prasetyo, Hani’ah. Analisis Deforestasi Hutan di Provinsi Riau dengan Metode
Polarimetrik dalam Penginderaan Jauh. Jurnal Geodesi Undip Januari 2018 Volume 7, Nomor 1 (ISSN : 2337-845X)
212.
[21] Singgalang, harian. 24 Januari 2018. Lingkungan Semen Padang Sulap Bekas Tambang jadi Area Konservasi. (
https://hariansinggalang.co.id/hijaukan-lingkungan-semen-padang-sulap-bekas-tambang-jadi-area-konservasi/. Diakses
23 Juli 2018, 20:16 Wib )