KELEBATAN MANGROVE DI KABUPATEN BELITUNG TIMUR MENGGUNAKAN CITRA SATELIT LANDSAT
MUHAMMAD IQBAL C5407
2.5 Metode Observasi Permukaan Bumi dengan Remote Sensing
2.5.5 Aplikasi Remote Sensing untuk Mangrove
Lingkungan pesisir terdiri dari sebuah habitat alami yang sangat luas seperti bukit pasir, pulau penghalang, daerah pasang surut, hutan mangrove, terumbu karang, dan vegetasi akuatik tergenang yang menyediakan
makanan,tempat peristirahatan, tempat pemijahan untuk spesies darat dan laut. Teknologi dan ilmu remote sensingyang meliputi sensor satelit dan pesawat udara dalam akuisi data sudah memberikan cara yang praktis dalam melakukan
monitoring dan memahami dinamika lingkungan pesisir. Hutan mangrove merupakan salah satu ekosistem yang berada di wilayah pesisir yang menjadi perhatian khusus karena manfaatnya. Saat ini, aplikasi remote sensingdalam monitoring mangrove sudah banyak dilakukan. Banyak sekali data satelit yang tersedia yang dapat digunakan untuk mengkaji ekosistem mangrove,terutama untuk pemetaan dan klasifikasi mangrove. Remote sensing aktif dapat memetakan struktur kanopi dari hutan mangrove yaitu melalui 3D modelingpada data Shuttle Radar Topography Mission (SRTM) (Simard et al, 2010).
Aplikasi remote sensing untuk manajemen hutan mangrove berasal dari 3 (tiga) kategori yang digunakan untuk 3 (tiga) tujuan tertentu yaitu, (1) inventariasi sumberdaya, (2) deteksi perubahan, (3) seleksi dan inventarisasi tempat budidaya (Green et al, 2000 dalam Vaiphasa, 2006). Penginderaan jauh vegetasi mangrove didasarkan atas dua sifat penting yaitu, mangrove mempunyai zat hijau daun (klorofil) dan mangrove tumbuh di pesisir. Dua hal ini akan menjadi
pertimbangan penting di dalam mendeteksi mangrove melalui satelit. Banyak sekali sensor satelit yang saat ini dapat digunakan untuk mendeteksi mangrove karena mempunyai kanal sinar merah dan kanal sinar inframerah (Susilo, 2006).
Meskipun remote sensing sudah digunakan pada banyak peta tipe penutupan lahan di bumi,tetapi ini masih belum digunakan secara luas untuk memetakan mangrove karena keterbatasan spektral dan resolusi spasial pada gambar konvensional. Dengan gambar konvensional, maka penggunaan lebih ditujukan untuk membedakan mangrove dan bukan mangrove, tanpa memandang jenis mangrove. Beberapa studi yang telah ada mengenai analisi perubahan wilayah pesisir menggunakan data penginderaan jauh sebagai berikut:
(1) Dewi (2005) menggunakan data Landsat Tehmatic Mapper(TM)5 dan
Landsat Enhanced Thematic Mapper (ETM+) 7 untuk mengevaluasi perubahan wilayah pesisir Kabupaten Rembang Barat. Penelitian ini dilakukan tanpa pengecekan akurasi hasil klasifikasi citra.
(2) Satapathy, et.al(2007) yang mengaplikasikan penggunaan data penginderaan jauh Indian Remote Sensing (IRS) untuk kuantifikasi degradasi hutan mangrove dan manajemen wilayah pesisir di estuari
Godavari, Pantai Timur India. Penelitian ini dilakukan tanpa pengecekan akurasi hasil klasifikasi citra.
(3) James, et.al(2007) menggunakan data penginderaan jauh yaitu data citra Landsat TM 5 dan ETM+ 7 untuk menduga perubahan dan perluasan ekosistem Mangrove di Delta Nigeria dengan rata-rata hasil pendugaan akurasi dari citra hasil klasifikasi adalah 91, 37%.
22 3.1 Waktu dan Lokasi Penelitian
Penelitian ini dilakukan dari tanggal 20 Maret 2011 sampai 17 Juli 2011 dengan daerah di pesisir pantai Kabupaten Belitung Timur, Provinsi Kepulauan Bangka Belitung yang berada pada posisi antara 107o45' BT sampai 108o18' BT dan 02o30' LS sampai 03o15' LS. Pengolahan data dilakukan di Laboratorium Komputer, Departemen Ilmu dan Teknologi Kelautan, Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor. Survei lapang dilakukan dari tanggal 14 April 2011sampai 26 April 2011 yang berlokasi di 3 (tiga) tempat, yaitu,
Kecamatan Kelapa Kampit, Manggar, dan Gantung. Gambar 5 menunjukkan peta lokasi penelitian yang menjadi daerah kajian.
3.2 Kondisi wilayah Kabupaten Belitung Timur
Kabupaten Belitung Timur merupakan kabupaten hasil pemekaran dari Kabupaten Belitung yang baru terbentuk berdasarkan undang-undang Nomor 5 Tahun 2003 dengan Ibu Kota Manggar, berada di posisi 107º 45' BT- 108º 18' BT dan 02º 30' LS - 03º 15' LS. Kabupaten Belitung Timur berbatasan dengan:
x Sebelah Barat dengan Kabupaten Belitung x Sebelah Timur dengan Selat Karimata x Sebelah Selatan dengan Laut Jawa x Sebelah Utara dengan Laut Cina Selatan
Jumlah penduduk pada awal Tahun 2008 tercatat 98.686 jiwa yang terdiri dari barbagai etnis suku di Indonesia termasuk keturunan Cina (Dinas
Kebudayaan dan Pariwisata Kabupaten Belitung Timur, 2011). Kabupaten Belitung Timur, Propinsi Kepulauan Bangka-Belitung yang populer sebutan masyarakat setempat dengan singkatan Kabupaten Beltim merupakan daerah otonomi Tingkat II Kabupaten yang baru terbentuk. Kabupaten Belitung Timur terbentuk sejak tanggal 25 Februari 2003, bersamaan dengan terbentuknya Kabupaten Bangka Selatan, Bangka Tengah dan Kabupaten Bangka Barat di wilayah Propinsi ke-31 di Indonesia, yaitu Propinsi Kepulauan Bangka-Belitung (Pemerintah Kabupaten Belitung Timur, 2010).
Secara umum Kabupaten Belitung Timur terbagi atas 4 (empat)
kecamatan, yakni Kecamatan Manggar, Kecamatan Gantung, Kecamatan Kelapa Kampit, Kecamatan Dendang. Keempat kecamatan ini terbagi lagi atas 30 desa dan 128 dusun Kondisi demografis dalam kaitannya dengan jumlah dan kepadatan
Penduduk Kabupaten Belitung Timur pada tahun 2004 tercatat sebanyak 88.773 jiwa, yang berarti tumbuh 2,19 % dibandingkan tahun sebelumnya. Pembagian wilayah adminstrasi di Kabupaten Belitung Timur dapat dilihat pada Gambar 6.
Gambar 6. Peta administrasi wilayah di Kabupaten Belitung Timur 3.3 Alat dan Bahan
Peralatan perlu dipersiapkan untuk melakukan pengamatan mangrove di lapangan dan pengolahan citra satelit. Bahan yang digunakan dalam penelitian meliputi data citra satelit dan data hasil pengamatan mangrove di lapangan. Peralatan dan bahan yang digunakan pada penelitian secara rinci ditabulasikan seperti pada Tabel 4, berikut ini:
Tabel 4. Alat dan bahan penelitian
No Alat dan Bahan Jumlah Keterangan
1 Laptop 1 Asus 14 inchdengan
processorIntel Pentium P6200 CPU
2.13 GHz
2 GPS (ketelitian 5-15 m) 1 Garmin 60i handheld
3 Transek kuadrat 1 (tali rafia) Ukuran 5 ×
5m
4 Buku identifikasi mangrove 1
5 Software Er Mapper7.2
Garmin Mapsource5.0,Global Mapper12
IDRISI Andes15,Google Earth6.0, dan
Microsoft Excel 2007
6 Data Citra Satelit 4 Citra Landsat tahun
1989,1994, dan 2010
7 Data lapang Kondisi mangrove dan
titik sampling akurasi Laptop digunakan untuk mengolah data citra satelit menggunakan
beberapa perangkat lunak (software) yang dipasang atau di-install pada Laptop tersebut yaitu, Er Mapper 7.0, Garmin Mapsource 5.0, Global Mapper 12, IDRISI Andes15,Google Earth 6.0, dan Microsoft Excel 2007. Global Positioning System(GPS) digunakan sebagai alat navigasi dan penanda titik sampling dilapangan. Transek kuadrat digunakan untuk pengamatan kondisi vegetasi mangrove dengan metode transek garis. Buku identifikasi mangrove digunakan untuk mengidentifikasi jenis mangrove yang ditemui di wilayah kajian.
3.4 Data Citra Satelit
Dalam penelitian ini digunakan data remote sensing Landsat Thematic Mapper(TM) dan Landsat Enhanced Thematic Mapper Plus(ETM+) dari beberapa tahun akuisisi. Citra satelit dipilih dengan mempertimbangkan tutupan awan yang paling sedikit dengan tujuan untuk memudahkan dalam proses analisis citra. Citra Landsat TM dan ETM+ diperoleh dari hasil unduhan pada website
United States Geological Survey (USGS) yaitu
(http://edcsns17.cr.usgs.gov/NewEarthExplorer/)dan GLCF (Global Land Cover Facility) yaitu (http://glcfapp.glcf.umd.edu:8080/esdi/index.jsp). Selain itu, dalam penelitian ini juga digunakan Peta Rupa Bumi Indonesia (RBI) dengan skala 1: 200.000 dan 1: 4.000 sebagai peta dasar untuk layoutpeta lokasi penelitian. Peta RBI diperoleh dari Pusat Survei Sumber Daya Alam Laut BAKOSURTANAL tahun 2009. Citra satelit Landsat yang digunakan dalam penelitian ini ada 4 (empat) citra pada 3 (tiga) tahun akuisisi yang berbeda yaitu, tahun 1989, 1994, dan 2010. Tanggal akuisisi dan karakteristik dari citra satelit yang digunakan dalam penelitian ini ditampilkan pada Tabel 5.
Tabel 5. Karakteristik dari data citra satelit Landsat dalam penelitian ini Tanggal
akuisisi Tipe Citra No.Band
Level
Pemrosesan Path/Row Keterangan
31/08/1989 L4 TM 7 L1G 122/62 Sedikit awan 22/09/1994 L5 TM 7 L1G 122/62 Sedikit awan 22/06/2010 L7ETM+ 7 L1T 122/62 jelas 12/10/2010 L7 ETM+ 7 L1T 122/62 jelas
3.5 Metode Pengolahan Data
Metode yang digunakan dalam penelitian ini dibagi menjadi 3 (tiga) kategori yaitu, (1) metode pengolahan citra, (2) metode survei lapang (ground check) di lapangan, dan (3) metode analisis data. Hasil klasifikasi citra pada pengolahan data digunakan untuk sebagai peta ground checkdi lapangan. Selanjutnya, data dari lapangan dan hasil pengolahan citra dianalisis untuk mendeteksi perubahan yang terjadi pada luas penutupan dan kerapatan mangrove di lokasi penelitian.
3.5.1 Pengolahan Citra
Pengolahan citra satelit Landsat dilakukan dengan menggunakan software Er Mapper 7,IDRISI Andes15,Global Mapper 12,GarminMapsource5dan
frame_and_fill_win32. Langkah- langkah pengolahan citra dijabarkan sebagai berikut :
(1) Gap and Filling citra tahun 2010
Pada citra tahun 2010 terdapat Stripping berupa garis-garis yang terjadi karena kegagalan sensor Scan Line Correction (SLC) pada Satelit Landsat 7 sejak Mei 2003. Oleh karena itu perlu dilakukan teknik tertentu untuk mengisi
kekosongan data pada strippingtersebut. Ada beberapa teknik yang biasa digunakan dalam mengatasi kekosongan data ini, salah satunya adalah teknik pengisian citra (Gap and Filling)dengan citra pada tahun yang sama dengan syarat citra pada tahun tersebut berbeda pola stripping-nya dengan citra yang akan diisi sehingga saling menutupi kekosongan data. Pada penelitian ini, pengisian stripping dilakukan dengan menggunakan software Frame and Fill win32. Diagram alir pengolahannya dapat dilihat pada Gambar 7. Dalam hal ini, citra dasar adalah citra Landsat ETM+ tanggal 12 Oktober 2010 sedangkan citra
pengisi adalah Landsat ETM+ tanggal 22 Juni 2010. Citra pengisi dapat lebih dari satu sesuai dengan prosedur pengolahan di software Frame and Fill win32.
Semakin banyak citra pengisi maka pemrosesan citra akan semakin lama dengan hasil akan semakin baik. Pada citra hasil pengolahan biasanya masih ada stripping
dan adanya overlapping(tumpang tindih) yang terjadi antara citra dasar dan citra pengisi yang ditandai dengan garis warna kuning. Cara lain yang juga dapat dilakukan adalah dengan teknik interpolasi pada titik yang mengalami kekosongan
data. Tetapi data yang dihasilkan dari teknik interpolasi memerlukan penelitian yang lebih lanjut dan kemungkinan tidak dapat diaplikasikan pada semua kajian ilmu (USGS, 2003).
Gambar 7. Diagram alir perbaikan stripping pada citra Landsat ETM+ (2) Koreksi Geometrik
Citra Landsat dikoreksi geometrik dengan metode image to image geometric correction. Citra Landsat tahun akuisisi 1994 dan 1989 dikoreksi geometrik dengan citra referensi tahun 2010 pada software Er Mapper
menggunakan Nearest neighbour resamplingdanpolynomial tranformationyang terdapat pada menu rektifikasi Er Mapper. Koreksi geometrik dari kedua citra tersebut menghasilkan Root Mean Square(RMS) rata- rata yaitu 0.005 pada
Mulai Citra pengisi dan
citra dasar Pemrosesan
dengan
Softwareframe and fill win32
Ok Citra hasil pengisian No Ok Selesai Tidak
proses rektifikasi citra. Alur kerja koreksi geometrik citra pada software Er Mapper dapat dilihat pada Gambar 8.
Gambar 8. Diagram alir proses koreksi geometrik dengan Er Mapper
(3) Koreksi Atmosferik
Citra ±citra digital dipengaruhi oleh kondisi atmosfer, seperti awan, kabut, gas, asap, dan sejenisnya. Pengaruh dari faktor- faktor ini cenderung
menyebabkan naiknya bilangan digital dari unsur spasial tubuh air yang menyebabkan nilai piksel badan air akan lebih besar dari nol, maka untuk mengeliminasi pengaruh atomosfer ini, perlu dilakukan pengurangan semua
Mulai Proses koreksi
geometrik
Input data (citra 1989 dan 1994) Geocoding wizard Polynomial rectification Polynomial setup : Linear GCP Setup:Geoceded image
Input data (citra 2010) GCP Edit Save and rectification Ok Tidak Selesai
bilangan digital dengan nilai digital piksel tubuh air supaya menjadi nol. Dalam penelitian ini dilakukan koreksi atmosferik terhadap citra satelit menggunakan metode pengurangan nilai digital bandcitra menggunakan software Er Mapper
(Prahasta, 2008) yang proses pengolahannya dapat dilihat pada Gambar 9.
Gambar 9. Diagram alir proses koreksi Atmosferik dengan Er Mapper
dengan algoritma sebagai berikut:
««««) Sebagai contoh, hasil koreksi atmosferik citra Landsat tahun 1994 dapat dilihat pada Lampiran 4. Citra hasil koreksi kemudian akan dipotong berdasarkan batas - batas koordinat wilayah kajian penelitian.
(IF INPUT1<=X) THEN NULL ELSE INPUT1-X Mulai
Tampilan citra pada Er Mapper Transform edit limits
Identifikasi actual input limit(min & max) pada histogram
View Cell value Profile
Nilai piksel tubuh air Masukkan algorithm pada E=mc2
Citra terkoreksi Selesai
(4) Pemotongan (Cropping)
Selanjutnya, citra dipotong (cropping) menggunakanIDRISI Andes 15
sesuai dengan koordinat wilayah pengecekan di lapangan sehingga menjadi tiga wilayah kajian seperti yang dapat dilihat pada Lampiran 6. Citra dipotong dengan cara memasukkan nilai koordinat pada modul croppingdengan software IDRISI Andes 15.Cropping dapat dilakukan sekaligus untuk beberapabanddengan memasukkan bandsatu persatu atau dengan memasukkan satu citra gabungan dari beberapa band sebagai data input. Setiap wilayah dipotong berdasarkan posisi geografis yaitu dengan cara memasukkan koordinat wilayah kajian pada pada proses croppingdengan software IDRISI Andes 15. Posisi pemotongan untuk setiap wilayah kajian diatas dapat dilihat pada tabel 6.
Tabel 6. Lokasi dan koordinat wilayah kajian pada 3 (tiga) kecamatan
Lokasi Koordinat
Kec. Kelapa Kampit 108°08'32.27" BT-108°12' 3.23" BT 2°38'49.83" LS -2°41'44.03" LS Kec. Manggar 108°15'22.34" BT-108°18'4.87" BT 2° 49'6.34" LS -2°52'10.19" LS Kec. Gantung 108°12'15.06" BT -108°14'41.38" BT 2°57'34.67" LS -3°01'57.52" LS (5) Transformasi Citra
Citra yang telah dipotong kemudian di tumpang tindih dan ditransformasi menjadi citra komposit maksimum yaitu, band 5 ditumpang tindih dengan band 3, band 4 ditumpang tindih dengan band 2, dan band 2 ditumpang tindih dengan band 1 yang masing masing menggunakan teknik tumpang tindih maksimum (maximum overlay) pada software IDRISI Andes yang dapat dilihat hasilnya pada olahan citra Landsat tahun 2010 seperti pada Gambar 6, 7, dan 8. Kemudian hasil tumpang tindih digabung menjadi citra komposit RGB (maksimum 42, maksimum
53, maksimum 21). Nilai maksimum dari band(kanal) 5, 4, dan 2 baik untuk pemisahan mangrove dengan objek permukaan bumi lainnya, sedangkan band
(kanal) 3, 2, dan 1 baik untuk pengamatan vegetasi darat dan perairan. Diagram alir transformasi citra dapat dilihat pada Gambar 10.
Gambar 10. Diagram alir pengerjaan RGB komposit maksimum pada
IDRISI Andes 15
Di dalam penelitian ini juga dilakukan transformasi citra menggunakan algorima untuk mendapatkan klasifikasi kelebatan vegetasi. Luas tutupan vegetasi mangrove di wilayah pesisir Belitung Timur didapatkan dari hasil Clusteringpada citra satelit Landsat . Pendekatan yang digunakan termasuk pendekatan statistik dengan cara mangaplikasikan algoritma untuk menentukan kelebatan vegetasi yaituNormalized Difference Vegetation Index(NDVI) (Bonfiglio et al. 2002, Labus et al. 2002 dalam Mutitanon andTripathi, 2005), yaitu :
«««««««««««««««...«)
Persamaan 2 digunakan untuk menghitung indeks vegetasi dari citra Landsat. Kelebatan vegetasi mangrove dibagi menjadi 5 kelas sesuai dengan pengelompokan kelebatan vegetasi mangrove berdasarkan nilai NDVI (Kadi,
Citra hasil Cropping
Tumpang tindih (overlay) maksimum
RGB maksimum untuk pasangan pasangan band42, 53, dan 21 Ok
Selesai Mulai
1996 dalam Susilo,2006) yaitu, tidak bervegetasi (nilai NDVI<0.0001), vegetasi sangat jarang (nilai NDVI 0.0001-0.1), vegetasi jarang (nilai NDVI 0.1-0.2), vegetasi sedang (nilai NDVI 0.2-0.3), vegetasi lebat (nilai NDVI 0.3-0.4), dan vegetasi sangat lebat (nilai NDVI >0.4). Pada penelitian ini, digunakan 5 kelas yaitu, vegetasi tidak lebat, kurang lebat, sedang, lebat, dan sangat lebat dengan mengacu pada range nilai NDVI menurut Kadi (1996) dalam Susilo (2006) . Kelas tidak bervegetasi tidak digunakan dalam penelitian ini dengan alasan untuk memudahkan pada saat pemisahan wilayah mangrove dengan bukan mangrove. Selanjutnya setiap kelas dianalisis perubahan luasannya dari tahun ke tahun. Diagram alir transformasi NDVI dapat dilihat pada Gambar 11.
(6) Klasifikasi Citra
Klasifikasi Citra dilakukan menggunakan metode Iterative self organize clustering analysis (ISOCLUST) pada software IDRISI Andes 15 yang merupakan kombinasi antara metode klasifikasi terbimbing (supervised) dan tak terbimbing (unsupervised). Dengan metode ini, tiga citra hasil tumpang tindih maksimum
Mulai
Citra hasil cropping
Modul transformasi NDVI
Reclasskategori NDVI
Selesai
Tidak
Gambar 11. Diagram alir transformasi NDVI Hasil ok
(max53, max42, dan max21) digunakan sebagai input.Kemudian dari data
tersebut ditampikan histogram yang menggambarkan kelas- kelas nilai digital dari piksel dalam citra. Dari histogram tersebut dapat ditentukan jumlah kelas untuk proses klasifikasi dengan metode ISOCLUST pada software IDRISI Andes 15. Selanjutnya, proses klasifikasi dilakukan pada hasil tampilan citra hasil clustering
dengan cara memberikan warna yang sama untuk objek yang sama menggunakan
palettepada IDRISI Andes 15. Citra hasil klasifkasi tidak selalu baik sehingga perlu dilakukan pengulangan dengan menambahkan jumlah kelas yang bertujuan untuk memisahkan objek dengan lebih akurat. Alur kerja klasifikasi citra dapat dilihat pada Gambar 12.
Selanjutnya hasil ini diklasifikasi ulang pada tool RECLASS menjadi 4 kategori atau kelas Land Use/Land Cover (LU/LC) yaitu mangrove, non- mangrove, badan air, dan lahan terbuka, yang dapat dilihat pada Tabel 7.
Mulai Citra Input :RGB
komposit maksimum Hard
classifier
ISOCLUST classification
Histogram citra Penetuan jumlah kelas
Reclassmenggunakan pallete
Ok Selesai
Tidak
Tabel 7. Deskripsi kategori LU/LC yang digunakan dalam klasifikasi
Kategori LU/LC Definisi
Badan Air Semua badan air yang ukurannya lebih besar dari 1 piksel (0.08 ha)
Mangrove
Semua jenis vegetasi mangrove (Rhizophora sp, Avicennia sp,Lumnitzera sp, dan lain lain)
Non-mangrove
Semua vegetasi selain mangrove (yang menutupi suatu lahan)
Lahan Terbuka/Wilayah Perkotaan
Wilayah tanpa vegetasi, lahan kosong, lahan terbangun, pemukiman penduduk,
pertambangan, dan industri Sumber : James et,al ,2007
(7) Analisis perubahan (LU/LC Change)
Analisis perubahan luas penutupan dan kerapatan mangrove dilakukan menggunakan Modul Land Change Modeler(LCM) yang terdapat pada Software IDRISI Andes. LCM digunakan untuk menganalisis beberlajutan ekologis melalui analisis perubahan lahan, proyeksi ke masa depan, dan pendugaan implikasi nya terhadap perubahan habitat dan biodiversitas mahluk hidup (Eastman, 2006). Modul ini menggunakan teknik tumpang tindih (overlay) dan geoprocessing
(substract,intersect, erase dan lain-lain) terhadap citra lama dan terbaru sehingga diperoleh citra/gambar yang menunjukkan perubahan tutupan lahan serta
informasi statistiknya. Analisis Trendjuga terdapat pada modul ini sehingga dapat digunakan untuk melihat trendperubahan yang terjadi selama kurun waktu
tertentu, tetapi pada penelitian ini tidak dilakukan analisis trendkarena masih perlu pemahaman dan studi lebih lanjut mengenai penggunaan modul ini.Diagram
alir pengolahan data pada modul LCM dapat dilihat pada Gambar 13 dan tampilan Modul LCM dapat dilihat pada Gambar 14.
Gambar 13. Diagram alir analisis data pada Modul LCM
Gambar 14.Tampilan Modul LCM pada software IDRISI Andes 15
3.5.2Ground Checkdi Lapangan
Pengecekan kondisi keberadaan mangrove di lapangan meliputi kegiatan pengecekan kondisi mangrove, kerapatan jenis, penutupan jenis, frekuensi relatif jenis, dan Indeks Nilai Penting (INP) mangrove. Selain itu, di lapangan juga dilakukan pengambilan titik sampling jenis tutupan lahan yang menggunakan
Modul LCM Citra input : 1989, 1994, dan 2010 Hasil ok tidak Selesai Mulai
teknik Random Sampling yaitu pengambilan titik sampling secara acak terhadap empat kategori penutupan lahan yang sudah disesuaikan dengan kategori pada citra hasil klasifikasi. Data ini kemudian digunakan sebagai data referensi lapang untuk menentukan akurasi citra dari hasil klasifikasi dengan metode matriks akurasi/konvolusi (error matrix analysis). Pendugaan akurasi sangat perlu dilakukan untuk meningkatkan reliabilitas terhadap data penginderaan jauh (Banko,1998).
Penentuan posisi pengecekan lapang dilakukan pada citra hasil klasifikasi menggunakan software Google Earthdan Global Mapperyang kemudian
dilakukan pengecekan posisinya di lapangan menggunakan GPS. Setelah data posisi direkam menggunakan GPS, data posisi ditransfer dan diolah menggunakan
Software Garmin Mapsourceyang selanjutnya akan dianalisis akurasinya. Pada pengecekan dilapangan, tidak semua titik yang ditentukan sebelumnya dapat dijangkau dengan mudah sehingga dilakukan perbandingan dengan melihat tempat yang memiliki jarak terdekat dengan posisi pengecekan dan selanjutnya dibandingkan dengan kenampakan muka bumi pada tampilan Google Earthyang dikenal dengan metode Stratified Random Sampling.
Pengecekan kondisi mangrove pada survei lapang berdasarkan pedoman teknis pengamatan vegetasi mangrove (Bengen, 2001) dihitung menggunakan dengan rumus sebagai berikut:
««««««««««««...(3)
Kerapatan Relatif Jenis adalah perbandingan antara jumlah tegakan jenis i dan jumlah total tegakan jenis dihitung dengan rumus:
««««««««««««...«4)
ܦ݅ ൌ݊݅ ܣ
ܴܦ݅ ൌ ݊݅
Frekuensi Jenis adalah peluang ditemukannya jenis i dalam jumlah petak contoh/ plot yang diamati dalam total petak contoh dihitung dengan rumus:
««««««««««««...«5)
Frekuensi Relatif Jenis merupakan perbandingan antara Fi dengan jumlah frekuensi seluruh jenis dihitung dengan rumus:
««««««««««««...«6)
Penutupan Jenis adalah luas penutupan jenis i dalam suatu unit area dihitung dengan rumus:
««««««««««««...«7)
««««««««««««...«8)
««««««««««««...«9)
Penutupan Relatif Jenis adalah perbandingan antara penutupanjenis I dengan total area penutupan untuk seluruh jenis dihitung berdasarkan rumus:
««««««««««««...«10)
Jumlah nilai Kerapatan RDi, RFi, dan RCi menunjukkan Nilai Penting Jenis (IVi) dihitung dengan rumus:
««««««««««««...«11) Keterangan setiap variabel pada rumus diatas dapat dilihat pada
Terminologi. Dalam pengecekan di lapangan digunakan transek 5 x 5 meter yang dibuat pada setiap kategori kerapatan dengan metode transek garis dari wilayah hutan mangrove ke arah garis pantai yang dapat dilihat pada Lampiran 1. Dalam
ܨ݅ ൌ ݅ σ ܴܨ݅ ൌ ܨ݅ σܨൈ ͳͲͲ ܥ݅ ൌ σܤܣ ܣ ܤܣ ൌ ߨሺܦܤܪሻ ଶ Ͷ ܦܤܪ ൌ ܥܤܪ ߨ ܴܥ݅ ൌ ܥ݅ σܥൈ ͳͲͲ ܫܸ݅ ൌ ܴܦ݅ ܴܨ݅ ܴܥ݅
hal ini penentuan ukuran transek 5 x 5 meter didasarkan dengan
mempertimbangkan tingkat kesulitan untuk membuat transek di lokasi kajian dan efesiensi waktu dalam pengamatan vegetasi mangrove. Selain itu pengamatan juga dilakukan terhadap tipe substrat mangrove (lumpur, lumpur berpasir, dan pasir berlumpur) dan dampak kegiatan manusia terhadap mangrove (0=tidak ada dampak, 1=dampak ringan, 2=dampak sedang, 3=dampak berat, dan 4=dampak sangat berat).Semua data ditulis bentuk tabulasi di Tabel Form Mangrove yang kemudian dianalisis menggunakan perhitungan pada Microsoft Excel sesuai pedoman teknis pengamatan kondisi vegetasi mangrove. Ilustrasi transek garis untuk pengamatan mangrove di lapangan dapat dilihat pada Gambar 15.
Gambar 15. Ilustrasi metode transek pengecekan mangrove di lapangan 3.5.3 Analisis Data
Deteksi perubahan adalah sebuah aplikasi penting pada remote sensing dan mempunyai pengertian yang berbeda pada setiap pengguna data penginderaan jauh. Data penginderaan jauh ini perlu memiliki reliabilitas tertentu supaya bisa digunakan dalam berbagai bidang ilmu.Oleh karena itu, perlu dilakukan
pendugaan akurasi hasil klasifikasi untuk mengetahui besarnya reliabilitas dari data dan informasi yang dihasilkan. Akurasi dari klasifikasi citra dapat dilakukan dengandibandingkan dengan hasil ground checkdi lapangan menggunakan matrik konvolusi/akurasi (error matrix analysis). Prinsip kerja dari error matrix analysis
Gambar 16. Contoh matematis sebuah Matriks Kesalahan/Error Matrix
(Congalton & Green, 2009)
Jumlah sampel hasil klasifikasi dalam kategori i dari hasil klasifikasi data penginderaan jauh dan kategori j untuk data lapang dijabarkan pada formula berikut:
««««««««««««...«12)
««««««««««««...«13)
Overall Accuracy antara data hasil klasifikasi dan data referensi bias dihitung melalui formula sebagai berikut:
««««««««««««...«14)
3URGXFHU¶VAccuracybisa dihitung menggunakan formula sebagai berikut: