Pengaruh klasifikasi maximum likelihood dan Mahalanobis distance dalam analisis hidrograf :: Studi kasus pada DAS Garang, Jawa Tengah

LANDE, John Ernst, Dr. M. Pramono Hadi, M.Sc

2009 | Tesis | S2 Penginderaan Jauh

Analisis respon DAS terhadap limpasan langsung dengan hidrograf sering terkendala karena tidak tersedia data penutup lahan yang akurat, terutama pada kondisi eksisting. Saat ini terdapat beberapa metode klasifikasi berbasis citra satelit dalam menyadap informasi penutup lahan, dengan hasil akurasinya yang beragam. Penelitian ini dilakukan untuk menguji dua algoritma klasifikasi digital dalam menyadap informasi penutup lahan dari citra satelit Landsat 7 ETM+, serta menghitung akurasi masing-masing metode. Kedua algoritma tersebut adalah Maximum Likelihood dan Mahalanobis Distance. Kedua metode ini dipilih karena mempunyai dasar asumsi yang sama, yaitu nilai spektral obyek yang homogen terdistribusi normal. Kedua metode ini diterapkan di DAS Garang seluas 189,872 km2 karena faktor heterogenitas penutup lahan dan ketersediaan data hidrologi. Hasil akhir klasifikasi menunjukkan bahwa Maximum Likelihood mempunyai akurasi 97,98% dibandingkan Mahalanobis Distance sebesar 79,394%. Berdasarkan hasil tersebut, dilakukan analisis hidrograf, dengan memilih beberapa data hidrograf terukur sesuai tahun perekaman citra. Dari hasil analisis terlihat bahwa perbedaan tingkat akurasi peta penutup lahan tidak berpengaruh secara signifikan pada analisis volume limpasan dan debit puncak. Namun hal lain yang menarik adalah, dengan diintegrasikannya peta penutup lahan yang akurat, nilai Curve Number Komposit (CNComposite) dapat divalidasi sejak awal. Dengan demikian, parameter lainnya yang menggambarkan tingkat retensi DAS dan dihasilkan melalui proses kalibrasi dengan data terukur, dapat ditentukan dengan lebih akurat.

The watershed retention analyzed by hydrograph method constraints the unavailability of land-cover information as represented by existing conditions. Meanwhile, a number of methods (algorithm classifiers) are available for extracting land-cover information from satellite imagery with various accuracy levels as results. This research applied two algorithm classifiers in order to extract land-cover information from Landsat 7 ETM+ and investigates each accuracy. The classifiers applied are Maximum Likelihood and Mahalanobis Distance. They preferred since both of them stated with the same theory; assuming the spectral signatures from objects homogeny are normal distributed statistically. Garang watershed with 189.872 km2 used as the study area based on heterogeneity landcover aspect and sufficiency hydrology data. The overall’ accuracy showed that Maximum Likelihood classifier is 97.98% obtained of accuracy level, and the Mahalanobis Distance is 79.394% obtained respectively. Then, hydrograph was analyzing based on land-cover maps extracted. A number of single peak from observed hydrograph dataset used with the same year of imagery’ recorded. The analysis showed that the difference accuracy’s level from two land-cover maps was not significant to explain the volume runoff and peak flow. However, this research provides a new attractive measurement: the integration of a high accuracy land-cover maps will provide a better Curve-Number Composite (CNComposite) which can be validate in preprocessing analysis. Thus, other parameters defined as the retention of watershed using calibration improvement will be justified more accurate.

Kata Kunci : Maximum Likelihood,Mahalanobis distance,Curve number,DAS,Hidrograf, Maximum Likelihood, Mahalanobis Distance, Curve Number, Watershed, Hydrograph.