1.1 Latar Belakang
Indonesia sebagai salah satu negara tropis dianugrahi sumberdaya alam yang berlimpah dan tersebar di semua propinsi seluruh Indonesia. Salah satu cara untuk melakukan inventarisasi sumberdaya alam yang cepat dan dengan biaya yang relatif murah adalah dengan menggunakan data citra satelit. Indonesia telah memanfaatkan citra penginderaan jauh dalam pemantauan sumber daya alam terutama citra optik sejak mulai diterapkannya teknologi remote sensing. Posisi Indonesia yang berada di daerah tropis mengakibatkan hampir sepanjang tahun selalu diliputi awan. Kondisi ini mempengaruhi kemampuan citra optik untuk menghasilkan citra yang bersih dari awan. Hujan yang terjadi hampir sepanjang tahun dan kebakaran hutan yang menimbulkan asap di musim kemarau menjadi kendala citra optik untuk menghasilkan citra yang baik.
Radio detecting and ranging (radar) telah memberikan alternatif untuk mengatasi keterbatasan informasi yang dapat diambil melalui data citra optik. Radar memiliki kemampuan untuk melakukan perekaman pada segala cuaca, baik pada siang atau malam hari, serta mampu mengatasi kendala tutupan awan. Teknologi pengolahan citra radar sebenarnya telah lama dikembangkan di negara lain, namun Indonesia dinilai terlambat dalam aplikasi penginderaan jauh satelit sistem radar. Disain awal sistem satelit radar sudah dikerjakan sejak tahun 1980-an d1980-an mulai beroperasi pada tahun 1990-1980-an. Radar generasi pertama ini dikembangkan di negara Kanada, Jepang dan Uni Eropa dengan menggunakan polarisasi tunggal. Sementara saat ini, satelit sistem radar sudah memasuki generasi ketiga yang memiliki empat polarisasi (full polarization). Sistem radar generasi ketiga mencakup sensor dengan berbagai frekuensi. Sistem tersebut sudah beroperasi sejak awal tahun 2002.
frekuensi 9,6 GHz) yang dinyatakan mampu mengatasi tutupan awan. Produk tersebut ditawarkan untuk diujicoba di atas udara Indonesia. Sebagai imbalannya, pihak provider menawarkan penyediaan data spasial yang dibutuhkan oleh berbagai lembaga di Indonesia. Indonesia sudah lama menjadi tempat uji terlengkap berbagai sistem pemetaan radar yang pernah dikembangkan di dunia. Hal ini dikarenakan lokasi Indonesia berada di khatulistiwa serta ketertutupan awannya yang tinggi sehingga sesuai untuk uji radar yang ditargetkan dapat mengatasi awan. Oleh karena itu sudah saatnya pelaku pemetaan di Indonesia tak sekedar menjadi objek, tetapi juga sebagai subjek pemetaan dengan radar dan menyambut ujicoba yang ada sebagai peluang untuk membantu Indonesia dalam menyediakan data spasial.
1.2 Tujuan
Tujuan dari penelitian ini adalah untuk menguji kemampuan citra high resolution TerraSAR-X dalam mengklasifikasi penutupan lahan dan identifikasi spesies penyusun hutan mangrove.
1.3 Manfaat Penelitian
1. Sebagai bahan pertimbangan dalam menentukan citra radar yang akan digunakan untuk meningkatkan akurasi pengambilan data pada daerah yang memiliki tingkat gangguan berupa awan yang tinggi.
2. Sebagai bahan pertimbangan untuk memilih metode klasifikasi penutupan lahan dengan hasil akurasi yang terbaik.
3. Sebagai komplemen dari citra optik untuk memonitoring tutupan lahan yang tidak bisa dilakukan oleh citra optik.
2.1 Radar (Radio Detection and Ranging)
Radar merupakan metode penginderaan jauh gelombang mikro aktif yang meliputi pencitraan pulsa energi gelombang mikro dari sensor ke target dan kemudian mengukur pulsa balik atau sinyal pantulan (backscatter). Pemanfaatan radar dikalangan militer antara lain untuk menentukan dan pendeteksian objek pada kondisi malam hari, tersamarkan atau tertutupi kamuflase dan dalam cuaca yang berawan serta untuk navigasi pesawat udara dan kapal laut, sedangkan radar untuk keperluan sipil dimulai tahun 1960-an (Lo 1996).
Menurut Lillesand dan Kiefer (1990), radar merupakan suatu cara yang menggunakan gelombang radio untuk mendeteksi adanya objek dan menentukan letak posisinya, prosesnya meliputi transmisi ledakan pendek dan atau pulsa tenaga gelombang mikro ke arah yang dikehendaki dan merekam kekuatannya dari asal gema ”echo” atau pantulan yang diterima dari objek dalam sistem medan pandang.
Sistem penginderaan jauh dengan sistem radar (microwave remote sensing) ini sangat berbeda dengan sistem optik karena permukaan bumi yang diindera tidak menggunakan energi matahari tetapi menggunakan energi yang disuplai dari sensor sendiri (sensor aktif). Sistem optik sangat bergantung pada
scattering dan penyerapan yang disebabkan oleh klorofil, struktur daun, ataupun biomassa, sedangkan sensor dari sistem radar tergantung dari struktur kasar tajuk, kadar air vegetasi, sebaran ukuran bagian-bagian tanaman dan untuk panjang gelombang tinggi tergantung pada kondisi permukaan tanah (Jaya 2007).
Daya tembus terhadap atmosfer paling baik pada panjang gelombang yang lebih besar karena tidak terpengaruh hambatan atmosfer, sedangkan daya tembus terhadap permukaan tanah tergantung panjang gelombang dan konstanta dielektrik objeknya. Daya tembus besar pada panjang gelombang lebih besar dan material penutup kurang dari 1/10 panjang gelombangnya (biasanya sekitar 2-3 meter), daya tembus kecil pada konstanta dielektrik tinggi (objek yang kelembabannya tinggi) (Daulay 2011).
Panjang gelombang radar lebih dari 3 cm hanya sedikit berpengaruh oleh awan, kabut tebal, asap dan kabut tipis, dan hanya panjang gelombang yang besar yang benar-benar mampu menembus hujan lebat. Pada panjang gelombang yang lebih kecil, pantulan radar oleh tetes-tetes air masih dapat berpengaruh sehingga memberikan faktor gangguan yang sangat tinggi. Panjang gelombang yang lebih besar akan menghasilkan informasi yang jauh lebih sedikit mengenai kekasaran permukaan vegetasi dibandingkan panjang gelombang yang lebih kecil, tetapi panjang gelombang yang lebih besar akan banyak memberikan informasi mengenai kondisi medan. Di bidang kehutanan, panjang gelombang yang kecil lebih disukai, sedangkan para ahli tanah dan geologi biasanya lebih menyukai panjang gelombang yang lebih besar, karena akan diperoleh lebih banyak informasi yang relevan (Howard 1996).
2.2 Parameter Sistem Radar
2.2.1 Panjang Gelombang
Salah satu faktor utama yang mempengaruhi sifat khas transmisi sinyal sistem radar adalah panjang gelombang. Riansyah (2008) menyatakan bahwa intensitas hambatan balik tergantung pada sifat kekasaran muka objek (surface ruoghness), daerah panjang gelombang mikro yang digunakan dan polarisasi yang diamati. Panjang gelombang sinyal radar menentukan bentangan yang terpencar oleh atmosfer. Daya tembus pulsa radar dapat dibedakan atas dua jenis, yaitu daya tembus terhadap atmosfer dan terhadap permukaan. Makin rendah panjang gelombang maka daya tembusnya semakin rendah, dan sebaliknya, semakin tinggi panjang gelombang maka daya tembusnya akan semakin tinggi pula. Kisaran
Tabel 1 Kisaran panjang gelombang (λ) pada saluran / band radar Saluran / Band Panjang gelombang (λ)
(mm)
Frekuensi (f) = Cλ-1
Megaherts (106putaran-detik-1)
Ka 7,5–11 40.000–26.500
Sumber : Lillesand dan Kiefer (1990)
2.2.2 RADARPolarimetry
RADAR Polarimetry (Polar : Polarisasi, Metry : Menghitung) adalah bidang ilmu untuk memproses dan menganalisa polarisasi dari sebuah bidang elektromagnetik (Kusumardana 2005).
Polarisasi merupakan sifat penting dari suatu gelombang elektromagnetik. Menurut Raimadoya (2007), komponen terprediksi gelombang ini mempunyai suatu karakteristik struktur geometrik yang menentukan sifat geometrinya. Ketika dilihat sepanjang arah perambatannya dan mengasumsikan sumbu horizontal dan vertikal merujuk pada suatu sistem koordinat yang spesifik (misalnya sumbu didefinisikan paralel terhadap antena RADAR), maka ujung dari vektor medan listrik mengikuti suatu pola beraturan. Jika panjang dan kecepatan rotasi vektor medan listrik masing-masing mewakili amplitudo dan frekuensi gelombang, maka polarisasi merujuk pada orientasi dan bentuk dari pola yang diikuti oleh vektor medan listrik (Gambar 1). Vektor gelombang listrik merupakan penciri dari jenis polarisasi yang bervariasi dalam ruang dan waktu (Bariguna 2008).
RADAR dirancang untuk memancarkan radiasi gelombang mikro baik terpolarisasi horizontal maupun vertikal. Dengan cara serupa, antena menerima energi hamburan balik baik yang terpolarisasi horizontal atau vertikal. Simbol arah polarisasi pemancar dan antena (penerima) ditunjukkan oleh huruf H dan V untuk horizontal dan vertikal. Polarisasi HH dan VV merupakan rambatan sinyal RADAR yang dipancarkan serta diterima oleh sensor masing-masing secara horizontal dan vertikal pesawat. Polarisasi HV merupakan rambatan sinyal RADAR yang dipancarkan secara horizontal dan diterima secar vertikal relatif terhadap pesawat. Demikian berlaku sebaliknya untuk polarisasi VH (Gambar 2). Pencitraan radar yang dilakukan menggunakan berbagai kombinasi polarisasi dan panjang gelombang, dapat menghasilkan berbagai informasi yang komplementer bagi sasaran di permukaan bumi (Raimadoya 2007). Ada empat kemungkinan kombinasi sinyal transmisi dan penerimaan yang berbeda, yaitu HH, HV, VH, dan VV. Citra yang mempunyai keempat polarisasi ini disebut citra yang full polarization. Bentuk polarisasi sinyal mempengaruhi kenampakan objek pada citra yang dihasilkan, karena berbagai objek diubah polarisasi tenaga yang dipantulkannya dalam berbagai tingkatan.
Gambar 2 Ilustrasi gelombang hamburan balik. 2.3 Satelit TerraSAR-X
Infoterra GmbH. TerraSAR-X diluncurkan pada tanggal 15 Juni 2007 di Boikonur Cosmodrome, Kazakhstan, dan telah beroperasi penuh sejak Januari 2008. Setelah peluncuran satelit kedua, TanDEM-X tahun 2010 awal, kenyataannya kedua satelit tersebut sebagai pasangan (Infoterra 2011). Satelit TerraSAR-X dapat dilihat pada Gambar 3, sedangkan sistem parameter dan orbitnya dapat dilihat pada Tabel 2 dan 3. Bagian dari komponen citra TerraSAR-X sendiri dapat dilihat pada Gambar 4.
Produk TerraSAR-X terdiri dari beberapa tahap (infoterra.de), antara lain : 1. RaNSAR Radiometrically Corrected Images, untuk peningkatan
interpretasi objek topografi.
2. ORISAR Orthorectified Images, untuk menampilkan peningkatan ketepatan lokasi piksel berdasarkan integrasi eksternal berkualitas tinggi DEMs.
3. MCSAR Radar Mosaics, untuk perakitan gambar yang berdekatan menjadi satu sebagai Dataset yang harmonis.
4. ADMSAR Ascending-Descending Merges, untuk mengurangi efek samping yang tampak seperti bayangan danlayoversecara signifikan.
Tabel 2 Sistem parameter dari TerraSAR-X Sistem Parameter Carrier rocket Dnepr rocket
Satellite mass 1230 kg
Satellite size 5 mheight by2,4 mdiameter
Type Low Earth Orbit
Radar carrier frequency 9,65 GHz
Radiated RF Power 2 kW
Nominal radar duty cycle ~18 % Incidence angle range for
12 (full performance range) 123 (access range)
Number spotlight azimuth beams ca.249 Incidence angle range for spotlight
modes
20º - 55ºfull performance(15º - 60º accessible)
Pulse Repetition Frequency (PRF) 2,0 kHz–6,5 kHz
Range Bandwidth max.150 MHz (300 MHzexperimental) Sumber :Fritz and Eineder (2006)
Tabel 3 Orbit danattitudeparameter dari TerraSAR-X Orbit dan attitude parameter Nominal orbit height at the equator 514 km
Orbits/day 152/11
Revisit time (orbit repeat cycle) 11days
Inclination 97,44º
Ascending node equatorial crossing time 18:00 + 0,25h(local time) Attitude steering “Total Zero Doppler Steering” Sumber :Fritz dan Eineder (2006)
10 km
5-10 km 2.3.1 Mode Pencitraan
Instrumen waktu dan arah dari antena elektronik menurut Fritz dan Eineder (2006) dapat diprogram dengan kemungkinan berbagai kombinasi. Dari banyak kemungkinan teknis, empat mode pencitraan telah dirancang untuk mendukung berbagai aplikasi mulai dari pencitraan resolusi polarimetrik menengah hingga pencitraan resolusi tinggi. Karena antena yang pendek, sistem dioptimalkan untuk resolusi azimut yang lebih tinggi. Akibatnya,
Pulse Repetition Frequency (PRF) harus tinggi yang membatasi lebar maksimum petak lapangan yang dapat direkam.
Mode pencitraan berikut ini ditetapkan untuk perkembangan produk dasar: 1. Stripmap mode(SM) dalamsingleataudual polarization
2. High Resolution Spotlight mode(HS) dalamsingleataudual polarization
3. Spotlight mode(SL) dalamsingleataudual polarization
4. ScanSAR mode(SC) dalamsingle polarization
2.3.2 ModeSpotlight
Menurut Fritz dan Eineder (2006) mode spotlight menggunakan sistem kemudi phased array beam pada arah azimut untuk menambah waktu pencahayaan, yaitu ukuran synthetic aperture. Aperture yang terbesar dalam resolusi azimut yang lebih tinggi berpengaruh pada biaya ukuran scene azimut. Dalam kasus ekstrim dari mode spotlight, rekaman antena akan berhenti beroperasi pada scene dan panjang scene sesuai dengan panjang rekaman antena (Gambar 5).
BerdasarkanFritz dan Eineder (2006) rekaman antena X-Band pada mode spotlight tidak diprediksi untuk digunakan pada TerraSAR-X karena ukurannya yang kecil. Sebaliknya, dua varian sliding mode spotlight dirancang dengan nilai yang berbeda untuk resolusi dan ukuran scene azimut. Untuk identifikasi produk tersebut diberi nama "spotlight" dan "high resolution spotlight". Pencitraan spotlight ini hanya membutuhkan beberapa detik dan membutuhkan kemudi antena yang tepat secara simultan sebagai sensor yang melewati scene, sehingga sapuan area yang diinginkan akan membutuhkan sasaran dan waktu yang tepat. TerraSAR-X menawarkan fleksibilitas yang tinggi untuk citra penggunaan kawasan yang penting. Dalam elevasi, elevasi spotlight 123 dimaksudkan untuk menyesuaikan pusat scene sedikit demi sedikit sehingga luas yang diperlukan dapat ditempatkan di tengah-tengah scene. Pada azimut sekitar 125 beams dari satu set 249 beams digunakan bersama dalam satu data yang diperlukan untuk memperpanjang synthetic aperture. Proses pencitraan dimulai ketika global positioning system (GPS) dioperasikan, yaitu ketika satelit mencapai posisi sepanjang orbit yang dihitung dari koordinat pusat scene yang dibutuhkan pengguna. Dengan cara ini pengaruh kesalahan prediksi sepanjang jalur orbit pada lokasi produk akhir dapat dikompensasi.
Mode high resolution spotlight (HS) dirancang untuk resolusi azimut 1 meter dan mengakibatkan dalam sebuah scene azimut berukuran 5 km. Karakteristik Modehigh resolution spotlight(HS) disajikan pada Tabel 4.
Tabel 4 Parameterhigh resolution spotlight mode
Parameter Nilai
Scene extension 5 km (azimuth) x 10 km (ground range) Full performance incidence angle range 20º - 55º
Data access incidence angle range 15º - 60º
Number of elevation beams 95 (full performance) 123 (data access) Number of azimuth beams ca. 249
Azimuth steering angle + 0,75º
Azimuth resolution 1 m (single polarization) 2 m (dual polarization)
Ground range resolution 1,34 m–3,21 m (@ 55°..20°incidence angle) Polarizations HH or VV (single)
2.3.3 Resolusi Geometrik
Kisaran teoritis resolusi maksimum slant range TerraSAR-X menurut Fritz dan Eineder (2006) pada polarisasi tunggal adalah 0,89 meter yang didasarkan pada bandwidth kisaran 150 MHz jika tidak ada bobot spektral yang diterapkan. Untuk produk yang terdeteksi bobot spektral, resolusi maksimumnya dikurangi dengan bobot kisaran spektrum dengan Hamming window (koefisien 0,75) untuk menekansidelobedari fungsi point target response(PTR) hingga -20 dB. Hal ini menghasilkan resolusi slant range sebesar 1,0 meter. Bandwidth kisaran 150 MHz tidak dapat dicapai untuk semua incidence angle, tergantung pada parameter waktu yang sebenarnya, hal ini disebabkan karena keterbatasan waktu instrumen. Jangkauan sorotan yang jauh dapat dioperasikan dengan mengurangi berbagai pengaturan bandwidth pada 100 MHz. Hal ini juga dapat menyebabkan berbagai pengaturan bandwidth yang berbeda dalam ScanSAR 4 sorotan.
Dalam teori menurut Fritz dan Eineder (2006), resolusi azimut pada mode
stripmap adalah setengah dari panjang antena (4,8 m / 2 = 2,4 m). Karena batas sampling merupakan sin (x)/x maka pembentukan spektrum Doppler selalu terjadi. Dalam prosesor, bandwidth dikurangi dan pembentukan spektral dilakukan untuk mengurangi ketidakteraturan yang disebabkan oleh aliasing
(peningkatan rasio ketidakteraturan sinyal azimut "SAAR") dan untuk memperbaiki bentuk PTR. Sebuah resolusi konstan sebesar 3 meter merupakan tujuan desain untuk semua produk stripmap polarisasi tunggal. Pemrosesan
bandwidth Doppler pada mode polarisasi tunggal dan polarisasi ganda masing-masing sekitar 2266 Hz dan 1066 Hz. Dalam mode polarisasi ganda PRF efektif per channel menurun dan resolusi efektif dari produk tersebut akan disesuaikan hingga 6 meter, yaitu setengah dari resolusi polarisasi tunggal. Strategi analog diterapkan pada dataspotlightpolarisasi ganda.
2.4Digital Number
pada tiap lapisan RGB.Band dengan nilai intensitas pada DN yang paling tinggi, maka warnanya akan dominan dan posisinya berada pada lapisan Red. Demikian seterusnya untuk band dengan nilai intensitas yang semakin rendah secara berurutan akan menempati posisi lapisanGreendanBlue.
Digital Number (DN) juga dapat disebut sebagai salah satu bentuk output data statistik yang mengekspresikan kunci polarisasi (ITT Visual Information Solutions 2008). Kedua definisi DN tersebut saling berkaitan, karena secara statistik nilai intensitas menentukan nilai Coefisien Backscetter. Rumus yang menjelaskan hubungan antara keduanya adalah sebagai berikut :
= 10 log 10 ( )
Keterangan : σ adalahCoefisien backscatter(dB) I adalah intensitas dalam 16 bit
Besarnya nilai Coefisien Backscetter menunjukkan besarnya intensitas sinyal hamburan balik (Arifin 2007). Pada Horizontal Profile, nilai instensitas sinyal hamburan balik tersebut ekuivalen dengan nilai Digital Number (DN) (ITT Visual Information Solutions2008). Sehingga baik nilai intensitas hamburan balik pada Horizontal Profile maupun nilai DN, dapat digunakan untuk mempelajari karakteristik hamburan balik suatu objek. Suatu objek biasanya memiliki karakteristik hamburan balik yang khas untuk suatu polarisasi tertentu.
2.5SpeckleFilter
perhitungan yang berdasarkan jarak dari pusat filter, faktor kabut, dan variasi lokal (ITT Visual Information Solutions2008).
FilterLeedan filterFrostmerupakan aplikasi pemfilteran spasial (adaptive filter) yang menggunakan standar deviasi untuk menghitung nilai baru sebuah pixel yang berada di sekitar kotak lokal (kesatuan pixel yang digunakan untuk memfilter citra digital). Berbeda dengan filter penghalus berfrekuensi rendah,
adaptive filter menjaga ketajaman dan detil citra ketika mereduksi noise (ITT Visual Information Solutions2008).
2.6 Penutupan Lahan
Tutupan lahan merupakan material dasar dari suatu lingkungan (sitis), yang diartikan dengan sejumlah karakteristik alami, yaitu iklim, geologi, tanah, topografi, hidrologi dan biologi (Hendayanti 2008).
Secara nasional, peta penutupan lahan/penggunaan lahan tertua adalah peta penggunaan lahan tahun 1969 yang dibuat oleh Badan Pertanahan Nasional (BPN), Departemen Dalam Negeri. Berdasarkan peta ini, penutupan lahan dibagi menjadi 14 tipe penggunaan lahan, pada skala 1:250000. Pada tahun 2003 dan 2008 Direktorat Planologi mempublikasikan data penutupan lahan untuk seluruh Indonesia. Data ini dibuat berdasarkan interpretasi visual citra Landsat dengan mempertimbangkan tingkat gangguan hutan (primer atau sekunder) dan kondisi lahan (rawa/lahan kering). Klasifikasi Direktorat Jendral Planologi Kehutanan menggunakan 23 kelas (Baplan 2008).
Setiap tutupan lahan memiliki karakteristik spektral yang berbeda. Hal ini terjadi karena bagi material-material yang mnjadi target sensor, jumlah radiasi sinar matahari yang dipantulkan, diserap, atau bahkan diteruskan kembali akan bervariasi sesuai dengan beberapa panjang gelombang yang dipancarkan. Karakter istik dari setiap materi tersebut diantaranya :
jernih menyerap tenaga pada panjang gelombang kurang dari 0,6 µm (Prahasta 2008).
b. Turbid water (air keruh), kemungknan besar , mengandung endapan atau sedimen (biasanya pada layer bagian atas perairan yang bersangkutan) yang dapat meningkatkan nilai pantulan pada domain merah-akhir spektrum hingga kenampakannya bisa jadi kecoklatan (nilai pantulannya
“lebih baik” dan kenampakannya lebih cerah). Sementara warna
kenampakannya akan memperlihatkan suatu pergeseran yang mulus ke arah gelombang yang lebih panjang. Ada kalanya fakta (fenomena) pada air keruh tidak jauh berbeda dengan kondisi pada perairan dangkal (shallow water) yang bersih. Pada kasus ini, keberadaan klorofil alga (jika banyak terdapat di dalam perairan yang bersangkutan) lebih banyak menyerap radiasi gelombang pada domain biru dan memantulkan yang hijau. Oleh karena itu kehadiran alga dalam shallow water akan menyebabkan perairan yang bersangkutan berwarna kehijauan (kadang juga berwarna biru-hijau atau cyan).
c. Secara umum, pada wilayah perairan, radiasi elektromagnetikvisible yang lebih panjang dan near-infrared lebih banyak diserap daripada radiasi elektromagnetik visible yang panjang gelombangnya lebih pendek. Oleh karena itu, wilayah perairan sering juga Nampak berwarna kebiruan atau kehijau-biruan karena pantulan yang lebih kuat dari gelombang yang lebih pendek tadi. Walaupun demikian, tubuh air akan Nampak lebih gelap jika menggunakan band-band merah (visiblepaling kanan [lebih panjang]) atau
near-infrared.
tinggi. Dengan tidak adanya kandungan air tanah akan bertekstur kasar dan akan tampak lebih gelap pada tanah bertekstur halus. Dua faktor lain yang memperkecil pantulan tanah yaitu kekasaran permukaan dan kandungan bahan organik (Lillesand dan Kiefer 1990 ).
e. Vegetasi memilikispectral signature yang unik dan memungkinkan untuk membedakan tipe-tipe penutupan lahan pada iage near-infrared. Pantulanya akan bernilai rendah pada spektrum biru dan merah. Hal ini terjadi karena terjadi penyerapan klorofil untuk proses fotosintesis (Prahasta 2008). Vegetasi memiliki pantulan puncak pada spektrum hijau. Hal ini dipengaruhi oleh pigmen daun pada tumbuhan. Klorofil misalnya, banyak menyerap energi pada panjang gelombang yang terpusat antara 0,45 µm – 0,65 µm. Apabila terjadi gangguan pada tumbuhan dan mengakibatkan penurunan produksi klorofil, maka serapan klorofil pada spektrum merah dan biru akan berkurang. Hal ini akan mengakibatkan warna untuk tumbuhan tersebut menjadi kuning (gabungan antara hijau dan merah karena pantulan pada spektrum merah bertambah) . Setelah panjang gelombang 1,3 µm, tenaga yang datang pada vegetasi pada dasarnya akan diserap atau dipantulkan, dan tidak ada atau sedikit yang ditransmisikan. Penurunan pantulan pada daun akan terjadi pada panjang gelombang 1,4 µm, 1,9 µm dan 2,7 µm karena air yang terdapat pada daun pada panjang gelombang ini kuat sekali serapannya. Sehingga pada panjang gelombang ini sering disebut spektrum penyerap air (Lillesand dan Kiefer 1990).
2.7 Klasifikasi Penutupan Lahan
lahan. Hal ini disebabkan karena nilai digital pada daerah bayangan topografi dan topografi arah sensor terkadang tidak sesuai dengan nlai digital tutupan lahan yang seharusnya.
Penafsiran tutupan lahan secara visual menggunakan elemen interpretasi tertentu seperti warna, tekstur, bentuk, pola, asosiasi dan situs. Berbeda dengan klasifikasi secara digital, penafsiran tutupan lahan secara visual bersifat kualitatif, sehingga perlu dilakukan proses kuantifikasi. Proses kuantifikasi ini penting karena perhatian penafsir pada apa yang terdapat pada citra hampir selalu disertai dengan memperhatikan dimana kedudukan objek yang diamati tersebut di lapangan dan bagaimana bentangan arealnya (Lillesand dan Kiefer 1990).
Ada tiga faktor yang mempengaruhi hasil penafsiran visual, yaitu ragam jenis tutupan lahan, keberadaan alat bantu, dan penafsir. Ragam jenis tutupan lahan dapat dikategorikan tetap dikarenakan pada suatu wilayah ragam jenis tutupan lahan cenderung tetap, sementara penafsir pada umumnya memiliki kemampuan yang berbeda pada setiap individu. Keberadaan manual sebagai alat bantu penafsiran visual menjadi penting karena penafsir yang berbeda dapat menghasilkan hasil yang berbeda. Kualitas hasil penafsiran tutupan lahan kemudian ditentukan oleh kualitas alat bantu penafsiran, dalam hal ini manual penafsiran tutupan lahan (Salman 2011).
Klasifikasi penutupan lahan secara digital menggunakan elemen piksel sebagai interpretsi yang dilakukan oleh komputer. Klasifikasi digital dapat dilakukan secara terbimbing dan tidak terbimbing. Klasifikasi terbimbing merupakan teknik umum yang menggunakan informasi yang berasal dari beberapa area yang diketahui identitasnya untuk mengklasifikasikan piksel yang tidak diketahui pada citra. Sedangkan klasifikasi tak terbimbing merupakan teknik otomatis yang mencari kelompok natural atau klaster dari piksel-piksel berdasarkan kecerahannya pada beberapa band(ITT Visual Information Solutions
2008).
2.8 Hutan Mangrove
Menurut bahasa Inggris kata mangrove digunakan untuk komunitas tumbuhan yang tumbuh di laut, atau setiap individu jenis tumbuhan yang berasosiasi dengannya. Sedangkan dalam bahasa Portugis, kata mangrove digunakan untuk setiap individu tumbuhan yang tumbuh di laut, dan kata mangal untuk menunjukkan komunitas tumbuhan yang terdiri atas jenis-jenis mangrove.
Kata mangrove menurut FAO (1982) sebaiknya digunakan untuk individu jenis tumbuhan maupun komunitas tumbuhan yang tumbuh di daerah pasang surut. Dengan demikian hutan mangrove adalah hutan yang dipengaruhi pasang surut air laut.
Nybakken (1982) menyebutkan hutan bakau atau mangal adalah sebutan umum yang digunakan untuk menggambarkan suat varietas komunitas pantai tropik yang didominasi oleh beberapa spesies pohon-pohon yang khas atau semak-semak yang mempunyai kemampuan untuk tumbuh dalam perairan asin. Lebih lanjut dikatakan bakau adalah tumbuhan daratan berbunga yang mengisi kembali pinggiran laut. Sebutan bakau ditujukan untuk semua individu tumbuhan, sedangkan mangal ditujukan bagi seluruh komunitas atau asosiasi yang didominasi oleh tumbuhan ini.
Menurut Undang-Undang no 5 tahun 1967 tentang Ketentuan Pokok Kehutanan, hutan mangrove terdiri dari dua kata, yaitu hutan dan mangrove. Hutan adalah suatu lapangan tetumbuhan pohon-pohonan yang secara keseluruhan merupakan persekutuan hidup alam hayati beserta alam lingkungannya yang ditetapkan oleh pemerintah sebagai hutan. Arti kata mangrove adalah vegetasi hutan yang tumbuh di antara garis pasang dan surut, tetapi dapat juga tumbuh pada pantai karang, dataran koral mati yang di atasnya ditimbuni selapis tipis pasir atau ditimbuni lumpur (Bappeda Sidoarjo 2008).
2.9 Keragaman Mangrove dan Kondisi Mangrove di Sidoarjo
pantai). Demikian pula ke arah daratan zonasi mangrove sulit untuk dilakukan pengelompokan.
Berdasarkan data pengamatan yang dilakukan Bappeda Sidoarjo tahun 2010 dari plot yang terletak di Dusun Bromo pada Muara sungai Kepitingan
diketahui terdapat kurang lebih 19 spesies mangrove tegakan yaitu; Acrosticum speciosum, Aegiceras flororidum, Avicenia marina, Avicenia lanata, Avicenia
officianalis, Avicenia alba, Excocaria agallocha, Nypa fruticans, Rhizophora
mucronata, Soneratia alba, Soneratia caseolaris, Xylocarpus molucensis,
Calotropis gigantea, Hibiscus tiliaceus, Ipomea pes-caprae, Morinda citrifolia,
Passiflora foetida, Sesuvium portulacastrumdanTerminalia catappa.
Avicennia alba merupakan mangrove yang dominan pada kawasan tersebut, hal ini ditunjukkan dari nilai Dominasi relatif yang tertinggi dibanding dengan jenis mangrove yang ada lainnya. Dengan demikian mangroveAvicennia alba merupakan jenis tumbuhan utama yang mempengaruhi dan mengkontrol komunitas pada kawasan tersebut. Avicennia Alba dan Sonneratia Alba
menunjukkan sebaran dengan frekuensi tertinggi pada akawasan tersebut.
Avicennia Albajuga merupakan mangorove yang paling adaptif terhadap kondisi lingkungan setempat dibanding dengan mangrove lainnya.
Hasil perhitungan luasan hutan mangrove berdasarkan data Bappeda Sidoarjo menggunakan citra satelit Spot rekaman september 2010 adalah sebagaimana tabel berikut berikut.
Tabel 5 Luas hutan mangrove di Kabupaten Sidoarjo
Kecamatan Luas Hutan Mangrove (Ha)
perubahan fungsi hutan mangrove menjadi tambak yang sebelumnya dilakukan penebangan vegetasi/kayu mangrove. Ancaman ke depan terkait dengan lahan hutan mangrove adalah perkembangan kawasan yang membutuhkan lahan sebagai tempat beraktifitas seperti industri, pergudangan, perdagangan, dan permukiman. Kondisi ini akan semakin meningkat dengan ditetapkannya kawasan timur Kecamatan Sedati sebagai kawasan strategis yang pada akhirnya akan merubah kondisi lingkungan setempat.
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan pada bulan Juli 2011 sampai dengan Januari 2012 dengan daerah penelitian di Desa Sawohan, Kecamatan Buduran, Kabupaten Sidoarjo, Jawa Timur. Peta lokasi penelitian dapat dilihat pada Gambar 6. Kegiatan pengolahan dan analisis dilakukan di Laboratorium Fisik Remote Sensing dan GIS, Departemen Manajemen Hutan Fakultas Kehutanan, Institut Pertanian Bogor.
3.2 Perangkat Keras (Hardware) dan Perangkat Lunak (Software)
HardwaredanSoftwareyang digunakan dalam penelitian ini adalah : a. Seperangkatnotebookyang terdapatSoftware:
- PolSARprov4.2.
- ENVI4.7
- ERDAS IMAGINE9.1
- Microsoft WorddanExel2010
- Google Earth Prov5.0.1
b. Kamera digital Kodak C143Easyshare
c. GPS Garmin Oregon 550
3.3 Data
Data utama yang digunakan pada penelitian ini adalah :
a. Citra TerraSAR-Xdual polarizationmodehigh resolution Spotlight
rekaman Desember 2007 (sumber : Departemen ITSL, IPB).
b. Citra Quickbird yang terdapat pada google earth rekaman Juli 2010 (sumber :google earth)
Data pendukung lainnya :
b. Peta sebaran mangrove Kabupaten Sidoarjo tahun 2010 (sumber : Bappeda Sidoarjo).
Gambar 6 Peta lokasi penelitian.
Tampilan citra dual polarization dari TerraSAR-X masing-masing polarisasi HH dan VV dapat dilihat menggunakan software ENVI 4.7 dalam bentuk tiga jendela grup (Gambar 7), yaitu Image Window, Scroll Window dan
Zoom (4x) Window.
a c
Gambar 7 [a]Image window,[c]scroll window dan [b] zoom (4x) window pada citra polarisasi HH.
a c
Gambar 9 [a]Image window,[c]scroll window dan [b] zoom (4x) window pada citra polarisasi VV.
Gambar 10 Citra hasilcroppingarea penelitian pada polarisasi VV.
3.4 Metode Pengolahan Data
Tahapan penelitian dimulai dengan pengolahan awal citra yang berupa proses ekstraksi, cropping dan reduksi speckle. Kemudian dilakukan proses analisis citra secara visual dan digital. Hasil verifikasi digital kemudian diperiksa
akurasinya dengan membandingkan hasil analisis visual menggunakan bantuan hasil ground check dan perbandingan citra Quickbird dari google earth. Setelah itu dilakukan proses stratified classification pada penutupan lahan hutan mangrove. Tahapan penelitian secara lengkap disajikan pada Gambar 12.
3.4.1 Pengolahan Awal Citra (Pre-Image Processing)
3.4.1.1 Ekstraksi Pada Citra Terrasar-X High Resolution dan Proses
Cropping
Citra TerraSAR-X harus diekstraksi terlebih dahulu agar dapat diproses lebih lanjut. Proses ekstraksi ini menggunakan bantuansoftwarePolSARpro v4.2. Sebelum dilakukan proses ekstraksi, data citra TerraSAR-X harus di-import
terlebih dahulu ke dalam software. Setelah data masuk kemudian memilih menu
read header yang terdapat pada menu PolSARpro. Pada saat proses ekstraksi, harus dipilih opsi full resolution.Keluaran dari hasil ekstraksi berupa file dengan format *.bin dan citra RGB dengan tampilan (|VV|-|HH-VV|-|HH|). Hasil ekstraksi tersebut merupakan proses ekstraksi keseluruhan area pencitraan satelit.
File ekstraksi pada wilayah yang diinginkan diperoleh dengan cara memasukkan batas kolom piksel dan batas baris piksel pada area yang diinginkan. Proses ini sama halnya dengan melakukan cropping pada citra yang telah terkoreksi. Hal ini bertujuan untuk lebih memfokuskan perhatian ke area penelitian juga untuk mereduksi volume data citra, agar mudah dalam proses di komputer.
3.4.1.2 ReduksiSpeckle
Reduksi specklepada penelitian ini dilakukan denganadaptive filter yaitu
pada penelitian ini. Hal ini dilakukan untuk menjaga variasi nilai DN pada piksel di wilayah pemfilteran lokal yang dirumuskan sebagai berikut :
= [ ( , − ) ]/ ( − 1)
Keterangan :
n = ukuran kernel (ITT Visual Information Solution 2008)
Gambar 11 Kernel ukuran 3x3 pada prosesfiltering.
Filter Lee menggunakan distribusi statistik pada nilai DN di wilayah pemfilteran l untuk mengestimasi piksel mana yang akan menjadi pusat perhatian (noise). Speckle pada pencitraan radar dapat dirumuskan sebagai perkalian noise
dengan nilai rata-rata satu. Rumus standar deviasinoiseadalah sebagai berikut:
= √ = = ( )
PemfilteranLeemenggunakan asumsi bahwa rata-rata dan variasi piksel di wilayah yang diamati sama dengan rata-rata dan variasi lokal dari semua piksel yang berada di wilayah pemfilteran lokal yang dipilih. Perhitungan pemfilteran
Leeadalah sebagai berikut :
= [ ] + [ − ]
Keterangan :
K =normalization constant
Filter Frost merupakan filter kabut yang secara eksponensial lingkaran simetrik menggunakan lokal statistik. Lokal statistik berfungsi untuk memindahkan jendela filter yang menyesuaikan dengan respon filter terhadap pulsa. Rumus DN output hasil pemfilteranFrostadalah sebagai berikut :
= { | | = | |}/ ( × )
X, Y =posisi koordinat piksel ke-i terhadap piksel tujuan (pusat kernel)
X0, Y0 =piksel tujuan (pusat kernel)
n =ukuran kernel (Lopeset al.1990)
3.4.2 Analisis Citra
3.4.2.1 Analisis Citra Secara Visual (Visual Image Interpretation)
Klasifikasi visual atau kualitatif merupakan suatu kegiatan untuk mendeteksi dan mengidentifikasi objek-objek permukaan bumi yang tampak pada citra, dengan cara mengenalinya atas dasar karakteristik spasial, spektral, dan temporal. Unsur-unsur interpretasi yang digunakan yaitu:
a. Tone dan warna
tersebut dipengaruhi oleh karakteristik obyek, diantaranya berupa kekasaran permukaan, complex dielectric constant, kelerengan dan arah obyek. Selain itu untuk citra radar dipengaruhi juga oleh sistem sensor radar yang digunakan. b. Tekstur
Tekstur adalah frekuensi perubahan rona pada citra. Tekstur merupakan hasil gabungan dari unsur bentuk, ukuran, pola dan rona obyek. Tekstur sering dinyatakan dengan kasar, sedang atau halus. Tekstur kasar umumnya dibentuk oleh rona dengan variasi tinggi (belang-belang) dimana terjadi perubahan tone yang besar, sedangkan tekstur halus terbentuk dari variasi yang relatif kecil. c. Pola
Pola adalah hubungan susunan spasial obyek. Pengulangan bentuk umum tertentu merupakan karakteristik dari banyak obyek alamiah atau bangunan dan akan memberikan suatu pola yang membantu penafsiran untuk mengenali obyek yang bersangkutan. Pola yang digunakan pada interpretasi visual umumnya mengacu pada tata ruang atau tata letak objek dalam suatu ruang. Pola sebaran objek dengan jarak yang teratur, tone yang sama akan menghasilkan tampilan pola yang berbeda dengan objek yang tersebar secara acak (random) dan tone yang relatif berbeda.
d. Lokasi
Lokasi adalah letak obyek dalam hubungannya dengan obyek yang lain. Lokasi sangat berguna untuk membantu pengenalan obyek.
e. Asosiasi
Asosiasi dapat diartikan sebagau keterkaitan antara obyek yang satu dengan obyek yang lain. Karena keterkaitan inilah, maka terlihatnya suatu obyek pada citra sering merupakan petunjuk bagi adanya obyek lain.
f. Bentuk
umum bagian luar (eksternal), struktur, konfigurasi atau garis besar dari individu objek. Bentuk-bentuk umum yang digunakan adalah variasi bentuk polygon dan atau garis, seperti segi empat panjang, segitiga, lingkaran, garis lurus, garis melengkung, dan sebagainya. Bentuk-bentuk objek buatan manusia umumnya lebih teratur dibandingkan dengan bentukbentuk alam. Pada citra radar, bentuk objek merupakan hasil rekaman dari posisi miring (oblique/side looking), jarak
slantdari radar. g. Ukuran
Ukuran adalah atribut obyek yang merupakan fungsi dari skala, oleh sebab itu dalam interpretasi citra harus selalu memperhatikan skala yang digunakan. Ukuran suatu objek atau yang tampak dalam citra atau foto sangat bergantung pada skala, resolusi dan ukuran objek yang sebenarnya ada di alam.
h. Bayangan
Pada citra radar, bayangan topografi adalah bagian yang tidak ada informasi backscatter. Bayangan itu juga berguna untuk meningkatkan atau mengidentifikasi topografi dan bentang alam, khususnya dalam citra radar. Bayangan pada radar sangat terkait dengan sudut miring dari radiasi gelombang mikro yang dipancarkan sistem sensor dan bukan oleh geometri dari iluminasi matahari.
Unsur interpretasi berdasarkan tingkat kerumitan dibedakan menjadi empat tingkat yaitu :
a. Kunci interpretasi primer, yaitu : tone dan warna.
b. Kunci interpretasi sekunder, yaitu : bentuk, ukuran, dan tekstur. c. Kunci interpretasi tersier, yaitu : pola dan bayangan.
d. Kunci interpretasi lebih tinggi, yaitu : lokasi atau asosiasi.
Kegiatan ini dilakukan untuk memberikan gambaran awal dalam mengidentifikasi pola sebaran, penentuan jumlah kelas tutupan lahan dan macam kelas tutupan lahan yang ada di daerah penelitian.
3.4.2.2 Pengolahan Citra Digital (Image Processing)
klasifikasi citra. Berdasarkan tekniknya, klasifikasi dapat dibedakan menjadi klasifikasi terbimbing dan tidak terbimbing. Pada klasifikasi t e r b i m b i n g , pengelompokkan piksel ke dalam suatu kelas yang telah ditetapkan dilakukan oleh interpreter secara manual berdasarkan nilai kecerahan (brightness) maupun warna dari piksel yang bersangkutan. Pada klasifikasi tidk terbimbing, pengelompokkan dilakukan secara otomatis oleh komputer berdasarkan nilai kecerahan (brightness value atau digital number) contoh yang diambil sebagai contoh (region of interest).
3.4.2.2.1 Klasifikasi Citra
Metode yang digunakan dalam klasifikasi ini adalah metode klasifikasi terbimbing dan tidak terbimbing. Metode klasifikasi terbimbing terdiri dari metode maximum likelihood, mahalanobis distance, minimum distance, parallelepiped dan Support Vector Machine (SVM). Untuk metode klasifikasi tidak terbimbing digunakan metode k-means. Kelima metode tersebut kemudian dicari nilai akurasinya untuk dapat dipilih suatu metode dengan nilai akurasi terbaik.
a. PembuatanRegion of Interest
Pembuatan region of interest (ROI) atau pengelompokan piksel-piksel pada setiap obyek dilakukan untuk mengambil informasi statistik kelas-kelas tutupan lahan. Pengambilan informasi statistik pada citra TerraSAR-X dilakukan dengan cara menentukan semua area contoh tiap kelas tutupan lahan secara manual dengan bantuan citra optik Quickbird pada google earth.. Informasi statistik dari setiap tutupan lahan ini digunakan untuk menjalankan fungsi separabilitas dan fungsi akurasi. Informasi yang diambil adalah nilai rata- rata, simpangan baku, nilai digital minimum, dan maksimum, serta matriks kovarian untuk setiap kelas tutupan lahan. Kegiatan pembuatan ROI ini hanya dilakukan pada metode klasifikasi terbimbing.
b. Analisis Separabilitas
digunakan untuk analisis separabilitas ini merupakan hasil ROI pada metode klasifikasi terbimbing dan hasil kelas yang dibentuk pada klasifikasi tidak terbimbing. Metode yang digunakan untuk analisis ini adalah metode
transformed divergence.Kriteria tingkat keterpisahan dapat dilihat pada Tabel 6. Tabel 6 Kriteria tingkat keterpisahan metodetransformed divergence
Nilai Transformasi keterpisahan Keterangan
2 Sempurna (excellent)
1,900–1,999 Sangat baik (good)
1,700–1,899 Baik (fair)
1,600–1,699 Cukup baik (poor)
< 1,600 Tidak terpisahkan (inseparable)
Sumber : Jaya (2009) disesuaikan dengan software ENVI 4.7 3.4.2.2.2 Akurasi Hasil Klasifikasi
Salah satu cara untuk mengevaluasi ketepatan hasil klasifikasi adalah dengan melakukan evaluasi akurasi yaitu dengan membuat matriks kesalahan (error matrix). Matriks kesalahan adalah matriks bujur sangkar yang berfungsi untuk melihat penyimpangan klasifikasi yaitu berupa kelebihan jumlah piksel dari kelas yang lain atau kekurangan jumlah piksel pada masing-masing kelas. Idealnya semua elemen yang bukan diagonal dalam matrik tersebut harus bernilai nol yang artinya tidak ada penyimpangan dalam matriks (Lillesand and Kiefer 1990).
dimana :
N = Jumlah semua piksel yang digunakan untuk pengamatan R = Jumlah baris atau lajur pada matriks kesalahan (jumlah kelas) Xii = Nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-i X+i = Jumlah piksel dalam kolom ke-i
Xi+ = Jumlah piksel dalam baris ke-i 3.4.3 Ekstraksi Hutan mangrove
3.4.3.1 Klasifikasi Hutan Mangrove
Estimasi spesies kawasan mangrove dilakukan menggunakan metode klasifikasi yang memiliki nilaioverall accuracy paling tinggi. Kawasan mangrove ini merupakan area yang didapat dari hasil penafsiran secara visual dan telah di
crop pada objek-objek lainnya untuk meningkatkan besarnya akurasi. Sehingga dengan menerapkan sistem stratified classification dapat mengurangi terjadinya kesalahan klasifikasi karena menghilangkan objek-objek lain.
a. PembuatanRegion of Interest
Pembuatan region of interest (ROI) pengelompokan piksel-piksel pada setiap obyek mangrove dilakukan untuk mengambil informasi statistik kelas-kelas tutupan lahan. Pengambilan informasi statistik pada citra TerraSAR-X dilakukan dengan cara menentukan semua areal contoh tiap kelas mangrove secara manual.
b. Analisis Separabilitas
Analisis separabilitas adalah analisis kuantitatif yang menunjukkan keterpisahan statistik antar kelas mangrove, apakah suatu kelas layak untuk digabung atau tidak berdasarkan kriteria tingkat keterpisahan. Metode yang digunakan untuk analisis ini adalah metode transformed divergence. Kriteria tingkat keterpisahan dapat dilihat pada Tabel 6.
3.4.3.2 Analisis Akurasi Klasifikasi Hutan Mangrove
kelas yang lain atau kekurangan jumlah piksel pada masing-masing kelas. Idealnya semua elemen yang bukan diagonal dalam matrik tersebut harus bernilai nol yang artinya tidak ada penyimpangan dalam matriks (Lillesand and Kiefer 1990).
Persentase ketepatan hasil klasifikasi tersebut dapat dilihat dari nilai User’s Accuracy, Producer’s Accuracy, Overall Accuracy dan Kappa Accuracy. Kappa Accuracy merupakan suatu ukuran yang paling banyak digunakan karena mempertimbangkan semua elemen dalam matriks kesalahan sehingga dinyatakan dengan rumus :
N = Jumlah semua piksel yang digunakan untuk pengamatan R = Jumlah baris atau lajur pada matriks kesalahan (jumlah kelas) Xii = Nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-i X+i = Jumlah piksel dalam kolom ke-i
Xi+ = Jumlah piksel dalam baris ke-i
3.4.4 Pemeriksaan Lapangan (Ground Check)
3.4.5 Diagram Alir Penelitian
Gambar 12 Diagram alir metode penelitian. Mulai
4.1 Lokasi Geografis
Lokasi penelitian terletak di Desa Sawohan, Kecamatan Buduran, Kabupaten Sidoarjo Jawa Timur. Kondisi umum lokasi tersebut berdasarkan letak geografis, luas wilayah, topografi, tanah dan klimatologi adalah sebagai berikut :
Kabupaten Sidoarjo merupakan salah satu daerah penyangga (buffer zone) Kota Surabaya yang terletak antara 112º 5’ dan 112º 9’ Bujur Timur dan antara 7º 3’ dan 7º 5’ Lintang Selatan. Batas wilayah Kabupaten Sidoarjo adalah:
Bagian Utara : Kota Surabaya dan Kabupaten Gresik Bagian Selatan : Kabupaten Pasuruan
Bagian Barat : Kabupaten Mojokerto Bagian Timur : Selat Madura
Lokasi penelitian terletak di Desa Sawohan Kecamatan Buduran Kabupaten Sidoarjo. Koordinat lokasi penelitian tersebut adalah 7º 26’ 31,09” - 7º 27’ 13,03” Lintang Selatan dan 112º 44’ 57,25” - 112º 45’ 59,59” Bujur Timur. Batas wilayah Desa Sawohan adalah :
Bagian Utara : Desa Damarsari, Desa Pepe dan Desa Kalangnyar Bagian Selatan : Desa Gebang dan Kedung Peluk
Bagian Barat : Desa Kemiri, Desa Sidokumpul, Desa Pucanganom dan Desa Sekardangan Bagian Timur : Selat Madura
4.2 Luas Wilayah
karena dilalui jalan arteri primer Surabaya Malang, jalan Surabaya -Banyuwangi dan Surabaya - Madiun.
4.3 Topografi
Ketinggian tempat Kabupaten Sidoarjo dari permukaan laut adalah :
0 - 3 meter merupakan daerah pantai dan pertambakan yang berair asin/payau berada di sebelah Timur seluas 15.539 Ha atau 29,99 %.
4 - 10 meter merupakan daerah bagian tengah sekitar jalan protokol yang berair tawar seluas 25.889 Ha atau 40,81 %.
10 - 25 meter terletak di sebelah Barat seluas 18.524 Ha atau 29,20 %.
4.4 Tanah
Struktur tanah di Sidoarjo terdiri atas tanah alluvial kelabu seluas 6.236 Ha, Assosiasi alluvial kelabu dan alluvial coklat seluas 4.970 Ha, alluvial hidromart seluas 29.346 Ha, dan grumosol kelabu tua seluas 870 Ha.
4.5 Klimatologi
5.1 Ekstraksi Citra TerraSAR-XDual Polarization
Citra RGB terbaik idealnya mampu memberikan informasi mengenai objek, daerah atau fenomena yang dikaji secara lengkap. Oleh karena itu citra RGB terbaik sudah selayaknya mampu menampilkan objek yang sebanyak-banyaknya. Citra hasil ekstraksi dengan susunan pada band blue: HH-VV,green: VV dan red: HH sudah dapat menampilkan objek yang berwarna untuk proses identifikasi penutupan lahan. Mata manusia cenderung lebih mudah membedakan objek yang berwarna daripada objek dengan tingkat keabuan (rona). Warna yang ditampilkan dari citra RGB |HH|-|VV|-|HH-VV| merupakan warna palsu yang digunakan untuk membedakan beberapa objek yang berbeda. Dari tampilan citra pada Gambar 13 terlihat bahwa objek tambak dan air cenderung berwarna hijau, vegetasi berwarna merah muda, tanah kosong berwarna biru muda dan rumput berwarna kuning.
Gambar 13 Citra hasil ekstraksi dengan susunan RGB |HH|-|VV|-|HH-VV|.
5.2 ReduksiSpeckle
belum dapat memperlihatkan karakteristik objek apapun. Kecuali pada objek sungai dan tambak yang masih dapat diidentifikasi secara visual berdasarkan bentuknnya, sedangkan untuk objek lainnya belum dapat diidentifikasi. Hal ini disebabkan oleh mata manusia yang sulit mengidentifikasi objek menggunakan perbedaan rona pada citra polarisasi tunggal (citra gray scale). Apalagi dengan adanya speckle akibat interferensi acak pada sel resolusi citra tersebut akan semakin mempersulit proses identifikasi. Oleh karena itu perlu dilakukan proses penajaman citra (enhancement image). Pada penelitian ini digunakan metodeJ.S. LeedanFrostdalam proses spasial filter.
a b
Gambar 14Scroll windowcitra polarisasi HH terfilter :
Frost[a] danLee[b].
a b
Gambar 15Scroll windowcitra polarisasi VV terfilter :
Adanyaspeckle dapat menyebabkan piksel-piksel yang terdapat pada citra tidak dapat menampikan pola spektral yang sebenarnya dari suatu objek. Oleh karena itu, speckle perlu direduksi dengan melakukan proses pemfilteran. Dalam penelitian ini digunakan proses pemfilteran LeedanFrostpada citra TerraSAR-X
dual polarization dengan jendela filter 3x3. Pemilihan jendela filter 3x3 memiliki pengertian bahwanoise yang berupa speckle pada wilayah yang diamati (interest site) pada citra akan direduksi pada luas wilayah pemfilteran sebesar 9 piksel. Dalam penelitian ini, kawasan mangrove dijadikan sebagai wilayah yang diamati (interest site) pada citra. Luas pemfilteran tersebut diduga cukup sesuai dengan luasan kawasan mangrove di lokasi penelitian. Hal ini diharapkan mampu menonjolkan keberadaan dan perbedaan objek mangrove dibandingkan objek lainnya pada citra. Hasil tampilan objek mangrove yang dapat diidentifikasi dari obyek lainnya akan mempermudah proses ekstraksi kawasan mangrove pada citra yang telah dilakukan proses filter.
Pada citra hasil pemfilteran, objek-objek yang nampak dalam citra terfilter
Lee pada polarisasi HH maupun VV terlihat lebih tajam dibandingakan dengan obyek yang nampak dalam citra terfilter Frost (Gambar 15). Citra terfilter Lee
juga tetap mempertahankan tingkat kecerahan pada citra aslinya. Sedangkan objek-objek yang nampak dalam citra terfilter Frost pada polarisasi HH maupun VV terlihat lebih cerah dibandingkan dengan obyek yang nampak dalam citra terfilter Lee (Gambar 14). Namun tingkat ketajaman objek-objek pada citra terfilter Frost masih berada di bawah tingkat ketajaman objek-objek pada citra terfilterLee.
FilterFrostmenganggap bahwa piksel-piksel yang berada di pinggir objek dan menjadi batas dengan objek lainnya sebagai speckle. Tampilan pada Zoom
(4x) Window menunjukkan hasil pemfilteran Frost yang serupa dengan proses generalisasi objek. Efek dari filter Frost menghilangkan objek yang memiliki luasan kecil pada citra polarisasi. Sedangkan pada filter Lee,piksel yang dianggap sebagaispeckleadalah piksel yang memiliki nilai intensitas sangat tinggi dari area terang dan nilai intensitas sangat rendah dari area gelap. Zoom (4x) Window
objek. Efek dari filterLee justru akan memperjelas tampilan objek yang memiliki luasan sempit pada citra polarisasi.
Dalam mengamati kawasan mangrove, luasan tajuk yang nampak pada citra akan membantu dalam proses identifikasi jenis spesies mangrove tersebut. Luasan tajuk yang nampak per pohon tersebut memiliki luasan yang sempit, yaitu diduga ditampilkan dengan bentuk bulat yang tidak beraturan. Dengan demikian proses pengolahan citra selanjutnya akan menggunakan citra polarisasi HH dan VV yang terfilterLee.
5.3 Klasifikasi Penutupan Lahan Citra TerraSAR-X
5.3.1 Penafsiran Visual Penutupan Lahan
Suatu objek di permukaan bumi pada citra satelit dapat dikenali secara visual dengan mengetahui karakteristik atau atribut masing-masing objek. Karakteristik objek pada citra disebut elemen interpretasi citra. Elemen yang digunakan yaitu tone (warna), bentuk, ukuran, tekstur, pola, site (lokasi), dan asosiasi. Penafsiran visual dilakukan pada citra TerraSAR-X pada perekaman tahun 2007 di Desa Sawohan dengan luasan 247,4 Ha dengan bantuan citra Quickbird yang terdapat pada google earth. Proses klasifikasi visual ini menggunakan klasifikasi manual pada software ENVI v4.7.
kemudian ditentukan oleh kualitas alat bantu penafsiran, dalam hal ini manual penafsiran tutupan lahan.
Hasil penafsiran visual menghasilkan 5 jenis tutupan lahan, yaitu: padang rumput, tanah terbuka, sungai, vegetasi mangrove, dan tambak. Hasil penafsiran visual dapat dilihat pada gambar 16.
Gambar 16 Peta hasil penafsiran visual citra TerraSAR-Xhigh resolutiondi Kabupaten Sidoarjo.
Kelas interpretasi badan air merupakan seluruh kenampakan perairan, termasuk laut, sungai, danau, waduk, terumbu karang, dan padang lamun (lumpur pantai) (BAPLAN 2008). Tutupan lahan berupa badan air yang terdapat di lapangan hanya berupa sungai, yaitu sungai Bluru. Sungai pada citra RGB |HH|-|VV|-|HH-VV| memiliki kenampakan warna hijau atau hijau gelap mendekati hitam, bentuknya berkelak-kelok cenderung tidak teratur dengan ukuran kecil memanjang dengan tekstur halus.
Kelas interpretasi hutan mangrove merupakan seluruh kenampakan hutan bakau, nipah dan nibung (BAPLAN 2008). Tutupan lahan berupa hutan mangrove terdapat di lapangan berupa tegakan pohon mangrove di pinggir sungai dan galangan tambak yang bercampur dengan pohon lain sebagai pelindung. Secara umum kawasan mangrove memiliki warna ungu, merah muda hingga merah keputih-putihan dan merah kekuning-kuningan. Bentuknya adalah poligon tidak beraturan dengan ukuran kecil mengelompok dan bertekstur kasar.
Kelas interpretasi lahan terbuka merupakan seluruh kenampakan lahan terbuka tanpa vegetasi (singkapan batuan puncak gunung, kawah vulkan, gosong pasir, pasir pantai) dan lahan terbuka bekas kebakaran (BAPLAN 2008). Tutupan lahan berupa lahan terbuka yang terdapat di lapangan berupa area galangan tambak yang tidak bervegetasi dan area tambak yang telah mengering sehingga akan tampak pada citra sebagai suatu area tanah kosong. Tutupan lahan terbuka umumnya memiliki penampakan warna biru hingga biru muda dengan bentuk poligon yang tidak beraturan dan pola yang menyebar.
Kelas interpretasi padang rumput merupakan kenampakan non-hutan alami berupa padang rumput kadang dengan sedikit semak atau pohon (BAPLAN 2008). Tutupan lahan berupa padang rumput di lapangan terdapat pada area tambak yang sudah tidak dipakai lagi dan dibiarkan, sehingga ditumbuhi oleh rumput liar. Selain itu pada galangan tambak juga ditumbuhi oleh rumput-rumput pendek yang diselingi dengan pohon mangrove. Tutupan lahan rumput-rumput ini umumnya memiliki penampakan warna kuning hingga kuning keputihan dengan bentuk poligon tidak beraturan dan pola yang menyebar.
Dari hasil penafsiran visual tersebut diperoleh luasan masing-masing tutupan lahan pada daerah penelitian yang disajikan pada Tabel 7.
Tabel 7 Luasan hasil interpretasi visual tutupan lahan
Jenis tutupan lahan Luas (Ha) Persentase (%)
Data luasan penutupan lahan Desa Sawohan pada Tabel 6 merupakan hasil dari digitasi poligon pada citra TerraSAR-X. Hasilnya menunjukkan bahwa tambak merupakan objek yang terluas dalam penutupan lahan pada area penelitian ini dengan luas total 135,9 Ha. Hal ini menunjukkan bahwa 54,9 % dari 247,4 Ha keseluruhan luas area penelitian merupakan tambak. Sementara hutan mangrove yang masuk ke dalam kelas area bervegetasi dengan luasan 76,5 Ha atau sebesar 30,9 % dari luas total area penelitian. Area bervegetasi ini selain terdiri dari mangrove juga terdapat semak belukar yang tingginya mencapai 5 meter dan campuran vegetasi mangrove atau pohon besar dengan rerumputan pendek. Sementara untuk rumput yang terdapat pada galangan tambak maupun yang tumbuh di tengah-tengah tambak mempunyai luasan 15,3 Ha atau sebesar 6,2 %. Sungai Bluru dan tanah kosong yang tidak ditumbuhi vegetasi apapun masing-masing hanya mempunyai luasan sebesar 11,8 Ha dan 7,9 Ha. Beberapa tutupan lahan yang telah diamati di lapangan dapat dilihat pada Tabel 8.
Tabel 8 Beberapa pengamatan penutupan lahan di lapangan No Penutupan
lahan
Tampilan pada citra TerraSAR-X
Pengamatan di lapangan
1 Tanah kosong
3 Tambak
4 Vegetasi mangrove dominasi
Avicennia sp.
5 Vegetasi mangrove dominasi
Rhizophora sp.
6 Vegetasi mangrove dominasi
Hibiscus tiliaceus
7 Vegetasi mangrove dominasi
Xylocarpus sp.
8 Rumput
5.3.2 Klasifikasi Digital Citra TerraSAR-X
5.3.2.1 Analisis Digital
Analisis digital digunakan untuk memperoleh informasi mengenai besarnya kisaran nilai digital (digital number/DN) dari masing-masing kelas tutupan lahan. Dalam konteks ini kelas-kelas tersebut adalah region of interest
yang telah ditentukan dari masing-masing kelas. Dengan diketahuinya besaran kisaran nilai digital number tersebut maka akan diketahui karakteristis spektral dari setiap kelas tutupan lahan terhadap band yang dimiliki oleh suatu sensor satelit. Karakteristik spektral setiap kelas dari citra TerraSAR-X dapat dilihat pada Gambar 17.
a b
Gambar 17 Histogram masing-masing kelas pada polarisasi HH [a] dan VV [b]. Berdasarkan pada gambar 16, nilai digital numberpada polarisasi HH dan VV dapat membedakan kepekaan terhadap obyek vegetasi dengan obyek yang lain. Nilaidigital numberobyek vegetasi pada polarisasi HH atau VV mempunyai selang nilai yang panjang. Hal ini menunjukkan bahwa pada polarisasi HH maupun VV obyek vegetasi mempunyai karakteristik spektral yang sangat bervariasi karena vegetasi tersebut tersusun atas spesies vegetasi yang sangat bervariasi pula. Namun dari nilai digital numberyang bervariasi ini, frekuensinya mengumpul ke suatu nilai. Hal ini dapat menjelaskan nilai digital number pada vegetasi yang dominan pada area tersebut. Tampak pada gambar di atas bahwa pada polarisasi HH mempunyai frekuensi yang lebih tinggi pada suatu nilaidigital numbertertentu dibandingkan dengan polarisasi VV.
yang hampir merata. Sedangkan pada polarisasi VV cenderung ke kiri dengan nilai frekuensinya sedikit mengumpul di suatu nilai. Pada objek sungai dan tambak mempunyai bentuk histogram yang hampir sama. Sehingga dari visual terlihat tidak ada perbedaan antara polarisasi HH dan polarisasi VV. Namun perbedaan objek tersebut antar polarisasi dapat dilihat lebih detail dari nilai statistiknya. Nilai statistik setiap kelas tutupan lahan ditampilkan pada tabel 9. Tabel 9 Nilai DN hasil analisis statistik setiap kelas tutupan lahan
Kelas Polarisasi DN Min DN Max DN Mean Std dev
Tambak HH 7 129 37,0 13,1
VV 4 121 35,9 13,4
Rumput HH 21 330 110,2 44,45
VV 62 647 243,1 82,5
Tanah HH 33 533 177,6 81,9
VV 11 295 67,6 35,2
Sungai HH 8 145 38,1 13,9
VV 5 176 34,0 12,2
Mangrove HH 14 921 187,4 83,5
VV 20 830 179,6 81,7
Pada band HH terlihat perbedaan yang sangat kontras antara nilai digital number rata-rata obyek yang bervegetasi dan tidak. Obyek yang bervegatasi menunjukkan nilai digital number rata-rata yang tinggi. Sedangkan objek yang tidak bervegetasi menunjukkan nilai rata-rata digital number yang cenderung lebih rendah. Namun hal ini berbeda pada objek tanah kosong, nilai digital number pada polarisasi HH ini cenderung lebih tinggi, yaitu mencapai 180 dan menyerupai nilai digital number pada objek vegetasi. Hal ini juga dapat dilihat dari nilai standar deviasinya yang tinggi yaitu 91,4. Sedangkan pada objek yang tidak bervegetasi lainnya, yaitu pada objek tambak dan sungai mempunyai nilai
digital numberyang cenderung lebih rendah dan nilainya di bawah 50.
5.3.2.2 Analisis Separabilitas
Analisis separabilitas ini merupakan analisis dalam klasifikasi untuk mengetahui tingkat atau daya keterpisahan bagi semua pasangan kelas yang disajikan dalam bentuk matriks. Tujuan dari analisis separabilitas ini adalah untuk membuat kelas-kelas penutupan lahan yang benar-benar terpisahkan satu dengan yang lain. Semakin besar nilai keterpisahan antar kelas berarti semakin baik hasil klasifikasi tersebut dan setiap kelas dapat dibedakan dengan jelas. Evaluasi separabilitas dari 5 kelas penutupan lahan dari hasil penafsiran secara visual pada citra TerraSAR-X menggunakan metode transformed divergence dapat dilihat dalam tabel 10.
Tabel 10 Nilai separabilitastransformed divergencepada citra TerraSAR-X
Kelas Tambak Rumput Tanah Sungai Mangrove
Tambak - 1,999 1,939 0,011* 1,877
Rumput 1,999 - 1,999 1,999 1,619
Tanah 1,939 1,999 - 1,963 1,803
Sungai 0,011* 1,999 1,923 - 1,890
Mangrove 1,877 1,619 1,803 1,890
-Pengelompokan piksel pada citra TerraSAR-X ke dalam 5 kelas penutupan lahan yang berbeda pada kombinasi band HH dan VV dengan metode
transformed divergence memberikan nilai separabilitas yang berkisar dari 0 sampai 2,0. Hal ini menunjukkan seberapa baik keterpisahan antara pasangan kelas penutupan lahan. Nilai yang lebih besar dari 1,9 menunjukkan bahwa pasangan kelas penutupan lahan terpisah dengan sangat baik.
Nilai keterpisahan untuk kelas penutupan lahan tambak dan sungai bernilai sangat kecil, yaitu sebesar 0,011. Hal itu berarti kedua obyek tersebut sulit untuk dipisahkan karena sifat medianya yang sama yaitu air. Akan tetapi jika diinterpretasi secara visual menggunakan kunci interpretasi pola dan bentuk kedua objek tersebut dapat dibedakan dengan jelas. Sungai yang mempunyai pola berliku-liku tidak teratur dan memanjang sedangkan tambak mempunyai pola yang lebih teratur dan berbentuk segi empat.
kelas penutupan lahan rumput dengan tambak, tanah terbuka dan sungai, yaitu sebesar 1,999. Hal itu menunjukkan kedua obyek tersebut dapat dibedakan dengan sangat baik.
Secara umum, urutan pasangan kelas yang dimulai dari tidak dapat dipisahkan hingga dapat dipisahkan dengan sangat baik adalah tambak-sungai, rumput-mangrove, sungai-mangrove, tambak-mangrove, tambak-rumput, tanah-mangrove, rumput-sungai, tanah-sungai, tambak-tanah dan rumput-tanah. Rata-rata nilai keterpisahan kelas penutupan lahan pada metode metode Transformed Divergencesebesar 1,710. Hal tersebut dikarenakan beberapa kelas tutupan lahan yang kurang dapat dipisahkan dengan baik, terutama kelas tutupan lahan tambak dengan sungai dan rumput dengan mangrove.
5.3.2.3 Metode Klasifikasi Terbimbing Citra TerraSAR-X
Klasifikasi secara kuantitatif dalam konteks multispektral dapat diartikan sebagai suatu proses pengelompokan piksel ke dalam kelas-kelas yang ditetapkan berdasarkan peubah-peubah yang digunakan. Berdasarkan teknik pendekatannya klasifikasi kuantitatif dibedakan atas klasifikasi tidak terbimbing (unsupervised classification) dan terbimbing (supervised classification). Klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan analis (supervised). Beberapa model klasifikasi terbimbing diterapkan untuk mencari nilai akurasi yang paling tinggi dengan menggunakan data dari hasil penafsiran visual pada citra TerraSAR-X sebagai data acuannya. Diantaranya adalah metode klasifikasi
maximum likelihood, mahalanobis distance, minimum distance, parallelepiped
dan Support Vector Machine (SVM). Besarnya nilai overall accuracy dan koefisien kappa pada masing-masing model terdapat dalam tabel 11.
Tabel 11 Nilaioverall accuracydan koefisien kappa setiap model Metode klasifikasi terbimbing Overall accuracy
besarnya persentase keakuratan hasil penafsiran. Terlihat pada tabel 11 bahwa nilai overall accuracy atau akurasi secara keseluruhan metode Support Vector Machine(SVM) adalah paling besar, yaitu 77,93 % dengan akurasi kappa sebesar 58,85 %.
a. Support Vector Machine(SVM)
Support vector machine (SVM) adalah sistem pembelajaran yang menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang fitur (feature space) berdimensi tinggi, dilatih dengan algoritma pembelajaran yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias
yang berasal dari teori pembelajaran statistik (Christianini dalam Sembiring 2007).
Support Vector Machine (SVM) pertama kali diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-konsep unggulan dalam bidang pattern recognition. Learning machine SVM bekerja atas prinsip
structural risk minimization(SRM) dengan tujuan menemukanhyperplaneterbaik yang memisahkan dua buah class pada input space. Pattern recognition
merupakan salah satu bidang dalam komputer sains, yang memetakan suatu data ke dalam konsep tertentu yang telah didefinisikan sebelumnya. Konsep tertentu ini disebut class atau category. Berbagai metode dikenal dalam pattern recognition, seperti linear discrimination analysis, hidden markov model hingga metode kecerdasan buatan seperti artificial neural network. Namun salah satu metode yang akhir-akhir ini banyak mendapat perhatian sebagai state of the art
dalampattern recognitionadalah Support Vector Machine (SVM). b. AkurasiSupport Vector Machine(SVM)
Berdasarkan hasil penelitian JAXA pada tahun 2009 tentang klasifikasi penutupan lahan di Riau dengan menggunakan citra ALOS PALSAR resolusi 50 meter, metode Support Vector Machine (SVM) merupakan metode klasifikasi terbaik. Secara prinsip SVM adalah linear classifier, pattern recognition
umumnya, yang melakukan optimisasi parameter pada ruang hasil transformasi yang berdimensi lebih rendah daripada dimensi input space.
Hasil confusion matrix dari klasifikasi Support Vector Machine (SVM) dengan menggunakan citra TerraSAR-X polarisasi HH dan VV rekaman tahun 2007 ditampilkan pada Tabel 12.
Tabel 12 Confusion matrix ground truth pada metode Support Vector Machine
(SVM)
(piksel) 619771 32397 10708 51963 714839
2 Padang rumput
(piksel) 4313 22840 13 42576 69742
3 Tanah lapang
(piksel) 11740 319 18229 47989 78277
4 Vegetasi mangrove
(piksel) 26946 10878 2977 196621 237422
Total (piksel) 662770 66434 31927 339149 1100280
Producer’s accuracy (%) 93.51 34.38 57.10 57.97 User’s accuracy (%) 86.70 32.75 23.29 82.81
Overall accuracy(%) 77.9312
Kappa accuracy (%) 58,85
Nilai akurasi umum (overall accuracy) untuk hasil klasifikasi terbimbing menggunakan metode Support Vector Machine (SVM) pada citra TerraSAR-X adalah sebesar77,93 %, sedangkan untuk nilai akurasi kappa adalah sebesar58,85 %. Perhitungan akurasi kappa dilakukan karena nilai akurasi umum cenderung
over estimate (Liu et al. 2009). Akurasi kappa ini dihitung menggunakan semua elemen dalam matriks kesalahan, sehingga perhitungan akurasinya lebih baik. Agar hasil penafsiran visual kelas tutupan lahan tersebut dapat digunakan, maka besarnya nilai akurasi harus lebih besar dari 85%.
menuntut proses digitasi poligon untuk lebih detail lagi. Misalnya pada daerah tambak atau sungai. Adanya gulma atau tanaman yang di atas perairan tambak akan terekam pada citra sebagai rumput karena nilaidigital number hampir sama, sehingga dalam evaluasi akurasi akan dihitung sebagai suatu kesalahan, karena dalam penafsiran secara visual masuk ke dalam kelas tambak. Hal ini dapat dilihat pada Tabel 13. Adanya rumput atau gulma pada tengah tambak juga akan sangat menyulitkan pada proses digitasi poligon, karena keberadaannya merata dan tidak mengelompok, tetapi menyebar dengan jumlah yang kecil-kecil. Selain itu ada juga tambak yang telah mengering karena sudah melewati masa panen ikan dan belum dilakukan irigasi kembali, sehingga mempunyai nilai digital number yang hampir sama dengan tanah kosong.
Tabel 13 Objek di lapangan yang mempengaruhi keakuratan hasil klasifikasi
No Keterangan Objek Tampilan TerraSAR-X Tampilan Quickbird Tampilan di lapangan 1 Tambak yang telah
mengering
2 Gulma yang ada di tambak
![Gambar 9 [a] Image window, [c] scroll window dan [b] zoom (4x) window pada citra polarisasi VV.](https://thumb-ap.123doks.com/thumbv2/123dok/881580.385048/24.896.163.746.126.563/gambar-image-window-scroll-window-window-citra-polarisasi.webp)
![Gambar 17 Histogram masing-masing kelas pada polarisasi HH [a] dan VV [b].](https://thumb-ap.123doks.com/thumbv2/123dok/881580.385048/47.896.169.771.120.413/gambar-histogram-masing-masing-kelas-pada-polarisasi-hh.webp)
