Digital Image Classification Comparison For Mangrove Species Mapping in Benoa Bay, Bali Using Worldview-2 Image
2. METODE 1 Studi Area
2.8 Diagram Alir
Secara sederhana alur penelitian ini ditunjukkan pada Gambar 5.
Gambar 5. Diagram Alir Penelitian
Komparasi Klasifikasi Citra Digital untuk Pemetaan Spesies Mangrove di Teluk Benoa, Bali Menggunakan Citra Worldview-2 (Candra, E.D., dkk.)
-181- 3. HASILDAN PEMBAHASAN
Pra proccessing citra dilakukan untuk memperbaiki kualitas citra. Koreksi radiometrik yang dilakukan untuk memperbaiki nilai piksel citra sehingga menggambarkan nilai pantulan dari setiap objek. Koreksi ini perlu dilakukan karena data citra akan digunakan dalam klasifikasi multispektral yang melibatkan nilai piksel citra.
Tahap koreksi radiometrik dibatasi sampai pada tahap top-of-atmosphere spectral reflectance. Hal ini disebabkan oleh klasifikasi multispektral hanya memproses nilai spektral dalam satu scene tiap bandnya. Citra hasil koreksi radiometrik inilah yang digunakan dalam pemrosesan data.
Objek mangrove dikenali dengan posisinya yang hanya terdapat di area tertentu seperti wilayah pesisir. Untuk membedakan vegetasi mangrove dan non mangrove yang ada di sekitarnya yaitu dengan rona pada warna merah yang terbentuk. Mangrove akan memiliki warna merah yang lebih gelap karena pengaruh objek air yang ada di bawahnya. Vegetasi non mangrove akan dikenali dengan warna merah yang lebih terang. Secara visual perbedaan vegetasi mangrove dan non mangrove ditampilkan pada Gambar 6. Setelah didapatkan objek mangrove saja, dilakukan masking untuk memisahkan objek mangrove tersebut dengan objek lainnya. Hal ini bertujuan agar pada pemrosesan data selanjutnya nilai piksel dari objek lain tidak terhitung.
Gambar 6.Perbedaan Warna Objek Vegetasi Mangrove dan Non Mangrove
Penentuan lokasi sampel didasarkan pada hasil klasifikasi multispektral unsupervised dengan asumsi setiap spesies mangrove memiliki pola yang berbeda-beda pada setiap panjang gelombang. Klasifikasi multispektral unsupervised dilakukan dengan dua metode yaitu ISODATA dan K-means pada berbagai tingkat iterasi.
Berdasarkan berbagai percobaan yang dilakukan metode K-means dengan iterasi 5 memberikan hasil terbaik.
Diperoleh empat kelas jenis mangrove dengan persebaran yang paling mengelompok. Tingkat iterasi dibawah dan di atas 5 sebaran kelasnya menjadi sangat acak seperti disebabkan piksel-piksel di antara kanopi bisa terkelaskan menjadi kelas jenis yang berbeda.
Terdapat beberapa jenis mangrove yang dapat teridentifikasi saat kerja lapangan, yaitu: Rhizopora apiculata, Rhizopora mucronata, Sonneratia alba, Bruguiera gymnorhiza, Ceriops tagal, Rhizopora stylosa, Avicennia marina, dan Aegiceras corniculatum. Berdasarkan lokasi sampel yang telah ditentukan jenis mangrove Rhizopora apiculata, Rhizopora mucronata, Sonneratia alba, dan Bruguiera gymnorhiza merupakan jenis mangrove yang mendominasi daerah kajian. Jenis-jenis lain yang ditemukan saat identifikasi cenderung berjumlah sedikit sehingga diabaikan perbedaan jenisnya pada setiap titik sampelnya.
Data lapangan tersebut digunakan untuk membangun model dengan jumlah sampel sebanyak 40 sampel. Model klasifikasi berbasis piksel dilakukan dengan klasifikasi multispektral supervised. Model dibangun dengan ketiga algoritma supervised yang digunakan yaitu Maximum Likelihood, Minimum distance to mean dan Paralelpiped.
Hasilnya adalah algoritma Minimum distance to mean memberikan hasil klasifikasi yang terbaik. Hal ini terlihat pada klasifikasi dengan algoritma Maximum Likelihood dan Paralelpiped tidak menghasilkan kelas yang sesuai dengan training area yang diberikan yaitu hanya menghasilkan dua kelas dari empat kelas training area yang diberikan. Hal ini dapat disebabkan oleh jumlah sampel pada beberapa kelas tidak proporsional atau jumlahnya sangat sedikit. Kelas training area berjumlah empat dengan kelas spesies Rhizopora apiculata, Rhizopora mucronata, Sonneratia alba, dan Bruguiera gymnorhiza. Algoritma Minimum distance to mean menjadi salah satu algoritma yang menghasilkan empat kelas spesies tersebut.
Pemodelan kelas spesies mangrove menggunakan metode Minimum distance to mean dan CTA pada skala 2 m dan 10 m citra Worldview-2 ditampilkan pada Gambar 7. Berdasarkan keempat klasifikasi tersebut secara
Seminar Nasional Penginderaan Jauh -2016
-182-
keseluruhan memiliki pola yang hampir sama. Spesies Rhizopora apiculata dan Rhizopora mucronatamendominasi bagian hutan mangrove artificial atau buatan, sedangkan mangrove yang tumbuh secara alami didominasi oleh Sonneratia alba.Spesies Bruguiera gymnorhiza juga terdapat di daerah kajian. Pada keempat klasifikasi ditemukan Bruguiera gymnorhiza dengan sebaran yang berbeda. Klasifikasi dengan Minimum distance to mean menggambarkan spesies Bruguiera gymnorhiza tersebar pada sisi yang dekat dengan daratan. Hal ini sesuai dengan karakteristik spesies Bruguiera gymnorhiza yang cenderung ditemukan pada substrat lumpur yang masih keras yaitu area yang dekat dengan pantai. Hasil berbeda ditunjukkan oleh hasil CTA yaitu spesies Bruguiera gymnorhiza ditemukan pada sisi hutan alami yang cenderung dekat dengan laut dan terendam air dalam waktu cukup lama. Karakteristik area ini kurang sesuai untuk hidup Bruguiera gymnorhiza sehingga dimungkinkan adanya kesalahan dalam klasifikasi dengan CTA pada beberapa piksel.
Gambar 7.Kelas Spesies Mangrove Hasil klasifikasi
Perbedaan klasifikasi menghasilkan perbedaan luasan setiap kelas pula. Tiga dari empat klasifikasi memiliki pola luasan yang sama, yaitu spesies Bruguiera gymnorhiza memiliki luas terkecil, diikuti Rhizopora apiculata dan Rhizopora mucronata, serta Sonneratia alba memiliki luasan terbesar. Pola yang berbeda ditunjukkan oleh hasil CTA pada ukuran piksel 2 m. Apabila dibandingkan dengan kondisi lapangan luasan Bruguiera gymnorhiza memang paling kecil karena tidak banyak ditemukan pada titik sampel. Akan tetapi hanya klasifikasi CTA pada 2 m yang tidak menunjukkan hal yang sesuai kondisi lapangan justru menunjukkan bahwa Bruguiera gymnorhiza memiliki luas lebih besar dibanding Rhizopora apiculata.Selain itu, Rhizopora apiculata dan Rhizopora mucronata ditemukan mendominasi pada area artificial atau buatan. Hal ini juga sesuai dengan kondisi konservasi hutan mangrove tersebut menurut Balai Pengendali Perubahan Iklim dan Kebakaran Hutan dan Lahan yang saat ini menaungi hutan mangrove daerah kajian. Sebelum dilakukannya penanaman mangrove dilakukan kajian untuk mengetahui spesies yang paling cocok atau sesuai dengan kondisi lahan. Hasilnya adalah Rhizopora apiculata dan Rhizopora mucronata menjadi spesies yang dipilih untuk ditanam di lahan tersebut. Rhizopora mucronata ditanam dengan jumlah yang paling banyak karena dianggap paling sesuai dengan kondisi lahan dan juga tahan terhadap penyakit. Sonneratia alba mendominasi area hutan mangrove yang tumbuh secara alami. Spesies ini dianggap cocok tumbuh pada daerah yang dekat dengan laut karena sebagai pelindung dari gelombang laut. Ukuran satu individu spesies ini juga tergolong besar sehingga pada klasifikasi dihasilkan luasan yang besar pula. Walaupun
Komparasi Klasifikasi Citra Digital untuk Pemetaan Spesies Mangrove di Teluk Benoa, Bali Menggunakan Citra Worldview-2 (Candra, E.D., dkk.)
-183-
jumlah individu Sonneratia alba belum tentu lebih banyak dibandingkan Rhizopora mucronata. Gambar 8 menggambarkan grafik perbedaan luasan setiap kelas spesies mangrove.
Gambar 8. Perbandingan Luasan Spesies Mangrove
Hasil klasifikasi tersebut kemudian diuji akurasi menggunakan data yang diperoleh dari lapangan. Data ini berupa data sampel yang berjumlah 20 dan berbeda dari sample yang digunakan untuk membangun model atau trainingarea. Uji akurasi menggunakan error matrix dan nilai akurasinya dilihat dari akurasi keseluruhan atau overallaccuracy. Hasilnya adalah klasifikasi dengan CTA pada ukuran piksel 2 m memberikan akurasi tertinggi dibandingkan klasifikasi yang lain. Klasifikasi Minimum distance to mean juga memiliki akurasi tertinggi setelah CTA 2 m. Akurasi terendah ditunjukkan pada klasifikasi CTA pada ukuran piksel 10 m. Akan tetapi, hasil ini menunjukkan ketidakstabilan akurasi informasi yang dihasilkan. Pada perbandingan luasan, klasifikasi CTA pada 2 m menjadi satu-satunya klasifikasi yang tidak menunjukkan kesesuaian luasan setiap spesies.
Klasifikasi dengan akurasi tinggi dan juga memberikan informasi luasan paling sesuai adalah klasifikasi Minimum distance to mean pada piksel 2 m. Oleh karena itu, klasifikasi Minimum distance to mean lebih baik digunakan dalam memetakan spesies mangrove pada daerah kajian penelitian ini. Di luar hasil penelitian ini, sampel yang digunakan untuk uji akurasi memiliki peranan penting dalam menentukan akurasi dari metode klasifikasi. Jumlah dan juga sebaran dari titik sampel sangat menentukan besar kecilnya nilai akurasi dari klasifikasi. Semakin banyak dan menyebar untuk mewakili setiap kelas maka akan semakin sesuai nilai akurasi yang dihasilkan dengan kondisi di lapangan. Nilai akurasi penelitian ini terbatas oleh jumlah sampel yang dimiliki untuk uji akurasi. Gambar 9 menggambarkan grafik perbandingan nilai akurasi dari keempat metode klasifikasi.
Gambar 9. Perbandingan Akurasi Klasifikasi
4. KESIMPULAN
Kesimpulan dari penelitian ini adalah:
1. Klasifikasi Minimum distance to mean dengan ukuran piksel original Worldview-2 yaitu 2 m memberikan hasil yang terbaik dibandingkan metode klasifikasi yang lain untuk memetakan spesies mangrove di daerah penelitian ini, dan
Seminar Nasional Penginderaan Jauh -2016
-184-
2. Nilai akurasi yang dicapai penelitian ini sangat dipengaruhi oleh jumlah dan sebaran sampel yang digunakan untuk uji akurasi.
5. UCAPAN TERIMAKASIH
Ucapan terima kasih ditujukan kepada pihak-pihak yang telah membantu menyelesaikan penelitian ini, dari mulai tahap persiapan, pengambilan data, pengolahan data, hingga penulisan makalah ini. Terima kasih kami sampaikan kepada seluruh jajaran Fakultas Geografi Universitas Gadjah Mada yang telah memfasilitasi kami dalam menimba ilmu. Kami sampaikan terima kasih juga kepada dosen pembimbing Prof. Dr. Hartono, DEA., DESS. dan Dr. Pramaditya Wicaksono, M.Sc. yang telah mengarahkan dan membimbing penulis dalam penelitian.
Tak lupa kami sampaikan terima kasih kepada Mbak Wulan dari Balai Pengendali Perubahan Iklim dan Kebakaran Hutan dan Lahan yang telah membatu dalam pelaksanaan survei lapangan. Terima kasih juga kami sampaikan kepada Pak Pujo dari Balai Pengendali Perubahan Iklim dan Kebakaran Hutan dan Lahan, Pak Dwi dari Balai Pemantapan Kawasan Hutan Bali, Mas Hernan, Mas Dayat dan Pak Suletra.
DAFTAR PUSTAKA
Alongi, D.M., (2002). Present state and future of the world’s mangrove forests. Environ. Conserv,29:331–349.
Bahuguna, A., Nayak, S., dan Roy, D., (2008). Impact of the tsunami and earthquake of 26th December 2004 on the vital coastal ecosystems of the Andaman and Nicobar Islands assessed using RESOURCESAT AWiFS data. International Journal of Applied Earth Observation and Geoinformation,10(2):229–237.
DigitalGlobe. (2009). The Benefits of the 8 Spectral Bands of WorldView-2; DigitalGlobe: Longmont, CO, USA.
Food and Agriculture Organization. (2007) The World’s Mangroves 1980–2005; FAO Forestry Paper 153; Food and Agriculture Organization of the United Nations: Rome, Italy,
Heenkenda, M., Joyce, K. E., Maier, S., dan Bartolo, R., (2014). Mangrove Species Identification: Comparing WorldView-2 with Aerial Photographs. Remote Sensing,6:6064-6087.
Malik, A., Mertz,O., dan Fensholt,R., (2016). Mangrove Forest Decline : Conseqquences for Livelihoods and environment in South Sulawesi. Regional Environmental Change.
Jia, M., Zhang, Y., Song, K.., dan Ren, C., (2014). Mapping the Distribution of mangrove Species in the Core one of mai Po Marshes Nature Reserve, Hongkong , using Hyperspectral Data and High Resolution Data. International Journal of Applied Earth Observation and Geoinformation33:226-231.
Kamal, M., danPhinn, S. (2011). Hyperspectral Data for Mangrove Species Mapping: A Comparison of Pixel-Based and Object-Based Approach. Remote Sensing, 3:2222-2242.
Kuenzer, C., Bluemel, A., Gebhardt, S., Quoc, T. V., dan Dech, S. (2011). Remote Sensing of Mangrove Ecosystems: A Review. Remote Sensing, 3:878-928.
Metcalfe, K. (2007). The Biological Diversity, Recovery from Disturbance and Rehabilitation of Mangroves in Darwin Harbour, Northern Territory. In Faculty of Education, Health & Science; pp. 1–17. Charles Darwin University: Darwin, NT, Australia.
Pham, dan Thien, D., (2016). Impacts of mangrove management systems on mangrove changes In the Northern Coast of Vietnam. Tropics. 24(4):141-151.
Suratman, M.N. (2008). Carbon Sequestration Potential of Mangroves in Southeast Asia. In Managing Forest Ecosystems: The Challenge of Climate Change; Bravo, F., Jandl, R., LeMay, V.,Gadow, K., Eds.; Springer: New York, NY, USA; pp. 297–
315.
Wiyanto, D. B., dan Faiqoh, E. (2015). Analisis vegetasi dan struktur komunitas Mangrove Di Teluk Benoa, Bali. Journal of Marine and Aquatic Sciences, 1-7.
Yh, Z., Liu, K., dan Liu, L., (2015). Retrieval of Magrove Aboveground Biomass at Individual Species Level with WorldView-2 Images. Remote Sensing,7:12192-12214
Congalton, R. G., dan Green, K. (2009). Assessing the Accuracy of Remotely Sensed Data. New York: CRC Press.
Digital Globe. (2010). Digital Globe Data Sheet. Diakses pada 9 Januari 2016, dari http://global.digitalglobe.com/sites/default/files/DG_WorldView2_DS_PROD.pdf
*) Makalah ini telah diperbaiki sesuai dengan saran dan masukkan pada saat diskui presentasi ilmiah BERITA ACARA
PRESENTASI ILMIAH SINASINDERAJA 2016