3. METODE PENELITIAN
3.4. Analisis Data
3.4.1. Metode Pengolahan Citra
Tahapan yang dilakukan dalam pengolahan data citra MODIS untuk mendapatkan data suhu permukaan laut dan Klorofil dijelaskan dalam pola pengolahan data sebagai berikut:
1. Data Citra MODIS level 3 (diperoleh dari mengunduh pada situs
http:/oceancolor.gsfc.nasa.gov dan masih dalam format .hdf)
2. Proses ekstraksi dengan menggunakan perangkat lunak SeaDAS 5.2
(pemotongan/cropping citra untuk menentukan wilayah yang akan diamati
selanjutnya dipilih parameter yang akan dilihat (SPL dan Klorofil))
3. Mendapatkan data nilai ASCII file dari suhu permukaan laut dan klorofil.
Citra satelit yang digunakan pada penelitian menggunakan satelit Aqua MODIS dengan data pada level 3, dimana pada level ini sudah terkoreksi radiometrik maupun geometrik dengan resolusi 4 km dan waktu penginderaannya
selama 8 tahun dari bulan Juli 2002 – Desember 2009. Data dari citra MODIS ini
masih menggunakan format Hierarchical Data Format (HDF) dimana data
tersebut masih merupakan data digital compressed, data bentuk digital ini sebelum
diolah harus diekstrak terlebih dahulu dengan menggunakan perangkat lunak
WinRAR 4.0.
Data angin dan Nutrien (Phospat, Nitrat, Silikat) yang berformat NetCDF diekstraksi dengan bantuan perangkat lunak Ocean Data View (ODV) sehingga dihasilkan data dalam format dokumen (.txt) yang bisa diolah di perangkat lunak Microsoft Excel 2007.
3.4.2. Sebaran Temporal dan Spasial
Untuk mengetahui fluktuasi SPL, konsentrasi klorofil, nutrien dan angin
secara temporal, dapat ditampilkan dengan grafik time series bulanan dengan
metode stikplot menggunakan perangkat lunak Grapher versi 7.1. Nilai
konsentrasi klorofil, SPL, nutrien dan angin tersebut dirata-ratakan kemudian dibuat grafik stikplot berdasarkan waktu dan dianalisis untuk melihat adanya variasi tren setiap musim dan setiap tahunnya pada masing-masing lokasi penelitian. Interpretasi periode fluktuasi untuk semua parameter secara temporal didasarkan pada nilai tertinggi dan terendah, serta peningkatan dan penurunannya.
Analisis sebaran spasial konsentrasi klorofil dan suhu permukaan laut
(SPL) dilakukan dengan perangkat lunak surfer versi 9.0 untuk membandingkan
pola sebaran tiap-tiap parameter tersebut pada masing-masing lokasi penelitian. Pemilihan data yang ditampilkan berdasarkan penggabungan tiap-tiap bulan yang sama sehingga diketahui pola sebaran spasial tiap-tiap parameter di wilayah penelitian dengan melihat degradasi warna dan bentuk kontour pada citra dengan analisis EOF
3.4.3.Analisis Emperical Orthogonal Function (EOF)
Secara umum analisis Emperical Orthogonal Function (EOF) adalah
teknik yang mencoba untuk menggabungkan kedua korelasi spasial dan temporal (Weave dan Nosstrom, 1982 dalam Hannachi, 2004). Metode ini telah menjadi alat yang berguna untuk mengekstrak struktur dinamik, tren dan osilasi, dan untuk menyaring data.
Teknik EOF telah lama terdapat dalam statistik, tujuan utama dari analisis EOF adalah untuk mengurangi sejumlah besar variabel data menjadi hanya beberapa variabel, tapi tanpa merubah sebagian besar varian yang akan dijelaskan (Hannachi, 2004).
Analisis EOF menentukan sebuah set dari fungsi orthogonal yang
mempunyai karakteristik kovarian dari time series untuk sebuah set dari grid
points. Jadi setiap X grid points dengan nilai N dalam waktu, kita punya setiap X pola EOF dengan nilai N dalam waktu. Variabilitas sekala besar akan berada pada order rendah EOF dan order tinggi EOF akan mempunyai amplitudo rendah dengan sangat berkurangnya gangguan.
EOF1 merupakan indeks time series yang menghasilkan peta regresi atau
korelasi dengan amplitudo yang semuanya kuat. Sedangkan EOF2 merupakan
indeks time series yang menghasilkan peta regresi atau korelasi dengan amplitudo
yang kuat setelah mengurangi variabel yang berhubungan dengan EOF1. Dan begitu pula untuk EOF selanjutnya.
Kelebihan dari analisis EOF adalah dapat menghasilkan indeks time series
dengan menjelaskan variabilitas dalam jumlah banyak, metode yang tepat untuk mengkarakteristik secara spasial pola dominan dari variabel, data yang
yang bebas. Sedangkan untuk kekurangan dari analisis EOF yaitu, dapat menjadi sensitif untuk memilih wilayah spasial dan periode waktunya, hasilnya dapat
menjadi tercampur antara EOF jika nilai eigenvalues serupa dan derajat kebebasan
dalam time series terlalu kecil.
Analisis EOF dapat didefinisikan sebagai berikut, setelah anomali data matriks telah ditentukan, kovarians dari matriks kemudian ditentukan dengan: ...(1)
dimana memuat kovarian antara berbagai pasangan grid point. Tujuan dari EOF
adalah untuk mencari kombinasi linier dari semua variabel, dengan kata lain grid
points yang menjelaskan varian maksimum. Hal itu untuk menentukan arah a = (a1,...,ap)T sehingga X’a memiliki variabilitas maksimum. Sekarang varian time
series terpusat X’a adalah:
Var (X’a) = =
………...(2)
Untuk mengatasi masalah biasanya kita membutuhkan vektor a untuk
menjadi sebuah kesatuan. Oleh karena itu hasilnya berupa:
...(3)
Solusinya mudahnya adalah eigenvalue problem (EVP):
...(4) Dari definisi matriks kovarian ∑ merupakan simetrikal dan juga dapat
berupa diagonal.Matriks kovarian juga semidefinite, maka semua eigenvalue
bernilai positif.Eigenvalue umumnya digunakan untuk menulis perbedaan yang
dijelaskan dalam persentasi sebagai berikut:
...(5)
Proyeksi pada bidang anomali X’ ke-k pada EOF ak yaitu ck = X’ak
merupakan EOF ke-k:
3.4.4. Analisis Wavelet
Dari sebaran spasial dan temporal selanjutnya dianalisis korelasi dan
koherensi antar parameter data yang didapat dengan analisis wavelet.
Transformasi wavelet merupakan pengembangan dari transformasi fourier.
Menurut Torence dan Compo (1998), analisis wavelet merupakan upaya mendekomposisi deret waktu ke dalam ruang waktu-frekuensi secara simultan. Metode ini mengkalkulasikan energi spektrum dari deret waktu.
Kelebihan dari analisis wavelet yaitu dapat mendeteksi fluktuasi-fluktuasi periodik yang bersifat transien dan dapat mengambarkan proses dinamik nonlinier komplek yang diperlihatkan oleh interaksi gangguan dalam skala ruang dan
waktu. Perangkat lunak yang digunakan dalam analisis wavelet adalah MATLAB
7.7.0.
3.4.4.1. Cross Wavelet Transform (XWT)
Cross Wavelet Transform (XWT) digunakan untuk menganalisis kovarian
dari dua data deret waktu Xn dan Yn, yang didefinisikan sebagai berikut:
WXY(s,t) = WX(s,t)WY*(s,t)
Dimana * menandakan complex conjugation.Spektrum daya wavelet silang lebih
lanjut didefinisikan sebagai |WXY|. Argumen kompleks arg(WXY) dapat
dinterpretasikan sebagai fase relatif lokal antara Xn dan Yn dalam ruang frekuensi
waktu (Grinsted et al, 2004). Hubungan fase relatif ditunjukkan dengan arah
panah dimana panah ke arah kanan berarti sefase (inphase), panah ke arah kiri berarti anti fase (anti-phase), panah 90° ke arah bawah berarti X mendahului Y dan panah 90° ke arah atas berarti Y mendahului X.
3.4.4.2. Wavelet Transform Coherence (WTC)
Spektrum energi wavelet silang menunjukkan area dengan kekuatan tinggi yang sama. Salah satu fungsi pengukuran yang lain adalah bagaimana mengukur
koherensi WTC dalam domain frekuensi waktu (Grinsted et al, 2004). Menurut
Torence dan Webster (1999) koherensi wavelet dari dua deret waktu dirumuskan sebagai berikut:
Dimana:
(s) : Koherensi wavelet
: Spektrum energi silang wavelet
: Spektrum energi wavelet dari xn
: Spektrum energi wavelet dari yn
s : Operator filter data
Definisi koherensi wavelet ini mempunyai kesamaan dengan nilai koefisien korelasi pada umumnya. Sehingga koherensi wavelet dapat dianggap sebagai lokalisasi koefisien korelasi dalam domain frekuensi waktu.
33