ANALISIS TUTUPAN LAHAN DENGAN MENGGUNAKAN METODE
BREAK FOR ADDITIVE SEASONAL AND TREND (BFAST) BERDASARKAN
INDEKS VEGETASI
Ramos Lumban Tobing
Jurusan Fisika ,Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sumatera Utara (USU)
Jl. Bioteknologi No.1, Medan E-mail : mosnny_wleo@yahoo.co.id Abstrak .Metode penginderaan jarak jauh
(Remote Sensing) telah banyak digunakan dalam berbagai bidang termasuk diantaranya bidang tutupan lahan/vegetasi termasuk perkebunan. Produk dari penginderaan jauh tersebut banyak tersedia diantaranya NDVI (Normalized Difference Vegetation Index) dan EVI (Enhanced Vegetation Indeks) yang merupakan indikator proxy dari suatu lokasi atau kondisi tutupan lahan lokasi tersebut. Dari beberapa penilitian, NDVI telah banyak digunakan namun EVI masih belum banyak digunakan. Kami membandingkan pengaruh dari penggunaan NDVI dan EVI pada jumlah dan waktu perubahan yang terekam dengan menggunakan metode BFAST (Breaks For Additive Seasonal and Trend). Data yang digunakan adalah MODIS (Moderate Resolution Imaging Spectroradiometer)16 harian NDVI dan EVI berupa gambar komposit (06 April 2000 s.d. 16 November 2014) dari empat piksel (pixel 293,294,295 dan 296) disekitar menara fluks Aek Loba.Hasil penelitian menunjukkan bahwa EVI untuk pemantauan tutupan lahan di kawasan perkebunan tropis yang ditutupi oleh awan intens lebih baik dari NDVI itu. Meskipun demikian, penelitian lebih lanjut dengan meningkatkan resolusi spasial dari citra satelit untuk aplikasi NDVI sangat dianjurkan.
Kata kunci : Vegetasi, MODIS, BFAST, NDVI, EVI, LAI
I. PENDAHULUAN
Di Indonesia, tutupan hutan berkurang dari 162.000.000 hektar menjadi 98.000.000 hektar sejak tahun 1950 (globalforestwatch, 2012). Di tahun 1996, tingkat perubahan hutan (deforestration) meningkat dengan rata-rata per tahun yaitu sekitar 2.000.000 (globalforestwatch, 2012). Badan dunia FAO (Organisasi Pangan dan Pertanian) pada tahun 2010 memperkirakan bahwa luas tutupan
hutan Indonesia berkurang dari 118,5 juta ha pada tahun 1990 menjadi 94,4 juta ha pada tahun 2010 atau berkurang sekitar 24,1 juta hektar selama 20 tahun. Apabila trend tersebut terus berlanjut, bukan tidak mungkin bahwa Indonesia akan kehilangan kekayaan hutannya dalam waktu ke depan. Untuk deteksi skala global, penginderaan jarak jauh (Remote Sensing) adalah metode yang mungkin dilakukan karena teknik tersebut dapat dimanfaatkan untuk melakukan monitoring perubahan hutan/perubahan tutupan lahan secara menyeluruh, teratur dan kontinyu (Healey et al., 2005). Produk satelit indeks vegetasi telah umum diaplikasikan untuk mengamati dan membedakan tutupan vegetasi di permukaan bumi dari luar angkasa (Jiang et al., 2008). Pemilihan indeks vegetasi terbaik untuk analisis perubahan vegetasi merupakan faktor yang mempengaruhi keberhasilan deteksi (Wallace & Campbell, 1989). Meskipun NDVI (Normalized Difference Vegetation Index) telah mulai luas dipergunakan sebagai indeks vegetasi, NDVI sangat rentan terhadap latar belakang reflektansi dan terhadap saturasi dari LAI (Leaf Area Indeks) tingkat menengah ke tinggi yang menghasilkan penyimpangan pada deteksi pola musiman (Sjostrom et al., 2011). Satelit MODIS (Moderate Resolution Imaging Spectroradiometer)
menghasilkan pengembangan dari indeks vegetasi yaitu EVI (Enhanced Vegetation Indeks) yang mampu memperkuat sinyal vegetasi dengan meminimalisasi pengaruh dari tutupan atmosfer dan canopi tumbuhan, selain itu EVI juga mampu memperkuat sensitivitas perekaman indeks vegetasi di wilayah dengan bio massa yang tinggi (Sjostrom
et al., 2011). Namun, studi perbandingan tentang
aplikasi NDVI dan EVI untuk deteksi perubahan tutupan lahan di Indonesia belum banyak dilakukan. Dalam penelitian ini, akan dilakukan deteksi perubahan vegetasi dengan menggunakan metode BFAST (Breaks For Additive Seasonal and Trend).
II. TINJAUAN PUSTAKA
Metode yang digunakan dalam penelitian ini adalah BFAST (Breaks For Additive Seasonal and Trend) dengan menggunakan indeks EVI, NDVI dan LAI.
A. BFAST
BFAST dilakukan dengan Model Dekomposisi Additive (Verbesselt et al., 2010b). Model dekomposisi secara umum digunakan untuk menentukan faktor trend dan musiman (seasonal) dalam time series data (PSU 2012). Tujuan utama dekomposisi yaitu untuk memprediksi efek musiman yang dapat digunakan untuk mempresentasikan trend musiman (seasonal) saat ini. Dekomposisi additif dapat dihitung dengan model umum (Verbesselt et al., 2010b):
Yt=Tt+St+et(t=1, .. .. n) (1)
Dimana Yt adalah data pengamatan pada waktu t, Tt adalah komponen trend, St adalah komponen musiman (seasonal), dan etadalah komponen sisa
(noise). Komponen sisa adalah variasi residual dalam komponen seasonal and trend. Komponen trend (Tt) diasumsikan sebagai sebuah fungsi linear dengan break point: t1¿, … , tm¿ dan ditentukant0¿=0,
sehingga (Verbesselt et al., 2010a):
Tt=αj+ βjt (2)
untuk tj−1 ¿
<t ≤ tj
¿
dan dimana j = 1. Intercept (αj)
dan slope (βj) dapat dipergunakan untuk melakukan
perhitungan dari perubahan mendadak dan slope perubahan bertahap antara break point yang dideteksi (Verbesselt et al., 2010a). Magnitudo perubahan mendadak di sebuah break point dapat dikalkulasi berdasarkan perbedaan antara Tt di
t¿j−1, … ,t¿j. Sehingga :
Magnitudo = (α¿¿j−1+αj)+(β¿¿ j−1+βj)t¿¿
(3)
Dan slopes perubahan bertahap sebelum dan sesudah sebuah break point adalah (β¿¿j−1+βj)¿
.
Sebuah model musiman diimplementasikan berdasarkan variabel model musiman (seasonal) supaya sesuai dengan komponen seasonal (Verbesselt et al., 2010a). Break point musiman (seasonal) akan dikalkulasikan dengan τ1¿, … , τ¿p dan
kembali τ0¿=0dan τ¿p+1= n. St adalah model
harmonik dengan τ¿j−1<t ≤ τj
¿
(j=1,…,p) dan K jumlah harmonik, dimana :
St=
∑
k=1
K
aj . ksin(2 πkt
B. MODIS EVI DAN NDVI
Data MODIS tersedia dalam real time sebagai 16-harian EVI dan NDVI. Data EVI dan NDVI dari satelit MODIS dapat didownload dari
f tp://daac.ornl.gov/data/modis_ascii_subsets/C5_M OD13Q1/data/. Data NDVI (Rouse et al., 1973) dan EVI adalah didefinisikan (Hui Qing and Huete, 1995): NDVI=ρNIR− ρ¿ ρNIR+ρ¿ (5) EVI=G x ρNIR− ρ¿ ρNIR+
(
C1x ρ¿−C2x ρ¿)
+L (6) Dimana L adalah faktor penyesuaian terhadap jenis tanah, C1 dan C2 adalah koefisien yang digunakanuntuk mengoreksi pemantulan cahaya oleh aerosol pada band merah dengan menggunakan band biru (Huete et al., 1997). ρ¿, ρ¿ dan ρNIR mewakili
reflektansi pada gelombang biru (0.45-0.52μm), merah (0.6-0.7μm), and Near-Infrared (NIR) (0.7-1.1μm). Secara umum, G=2.5, C1=6.0, C2=7.5, and L=1 (Huete et al., 1997).
C. LAI
LAI (Leaf Area Index) didefinisikan sebagai luas daun (yang diproyeksikan pada bidang datar) setiap unit luas permukaan tanah yang tertutupi kanopi pohon (Ross, 1981 dalam Quan Wang, 2005). Secara sederhana fungsi LAI dijabarkan pada persamaan berikut (Beadle, 1993):
LAI = s/G (7)
LAI: Leaf Area Index (LAI) S : Luas daun pada kanopi
G : Luas permukaan tanah yang tertutupi kanopi NASA mengeluarkan produk LAI (Leaf Area
Index) dari data MODIS yang diolah secara 8
harian. Informasi LAI tersebut dibuat dengan menggunakan ATBD (Algorithm Theoretical Basis
Document) MOD15. Menurut ATBD MOD 15,
backup algorithm (Myneni et al., 1999), LAI dapat diestimasi dengan menggunakan parameter NDVI yang diawali dengan mengetahui jenis tutupan vegetasi yang ada :
LAI = f1 (NDVI) (8)
f1 : Fungsi regresi (tergantung dari jenis
vegetasi)
III. METODE PENELITIAN
A. A. LOKASI PENELITIAN
Penelitian mengambil lokasi dikawasan perkebunan Aek Loba kabupaten Asahan propinsi Sumatera Utara. Penggunaan lahan di kabupaten tersebut sebahagian besar adalah untuk perkebunan monokultur, sedangkan untuk perkebunan campuran, sawah irigasi teknis dan non irigasi, permukiman, hutan, padang/semak/belukar, perairan darat, tanah kering/tegalan dan sebagainya masing-masing jauh di bawah peruntukan perkebunan. Pemilihan lokasi didasarkan atas beberapa alasan, yaitu daerah tersebut merupakan ekosistem lahan hijau yang luas yang digunakan untuk perkebunan kelapa sawit. Selain itu yang terpenting di Aek Loba dipasang sensor receiver satelit MODIS yang mewakili Sumatera yang dikenal dengan flux tower yang merupakan bagian
dari jaringan flux net.
(http://www.fluxnet.ornl.gov/fluxnet/index.cfm). B. METODE PENELITIAN
Langkah-langkah analisis data yang dilakukan dalam penelitian ini ialah sebagai berikut :
1. Metode BFAST akan diaplikasikan dengan menggunakan data NDVI dan EVI dengan tahapan filtering, Cleaning dan interpolasi data
2. Menganalisa perubahan fenologi dan mendadak berdasarkan hasil BFAST.
3. The signal-to-noise ratio (∆c1) memperngaruhi
terhadap nilai RMSE (Root Mean Square Error) pada perubahan fenologi yang teramati pada komponen musiman (Verbesselt et al., 2010b) 4. Mengevaluasi sensitivitas dan reliabilitas antara
NDVI and EVI terhadap time-series.
5. Memverifikasi hasil metode BFAST dengan menggunakan data Leaf Area Index (LAI).
IV. HASIL DAN PEMBAHASAN
A. Deteksi perubahan vegetasi di Pixel 293 Aek Loba.
Metode BFAST telah diaplikasikan terhadap data EVI dan NDVI dari satelit MODIS di Aek Loba, Sumatera Utara.
Gambar 4.1 Perubahan yang terdeteksi (---) pada Komponen Tren (Tt) dari data NDVI 16-harian pada pixel 293, fluxtower Aek Loba, Sumatera Utara
Metode BFAST mendeteksi adanya perubahan vegetasi secara temporal (periode waktu perubahan) dan jenis perubahan itu sendiri (pertambahan atau pengurangan vegetasi). Pada gambar 4.1, komponen data (Yt) time series menunjukkan ada nya penurunan grafik yang mengindikasikan adanya penurunan indeks vegetasi yang terjadi sekitar bulan Agustus hingga Nopember 2013. Pada komponen musiman/
Seasonal Component (St), tidak menunjukkan
gejala apa pun dikarenakan pola musiman di Indonesia yang hanya terdiri dari dua pola musim dimana dalam dua pola musim tersebut, perubahan vegetasi yang terjadi tidak signifikan (Darmawan dan Sofan, 2012). Pada komponen trend (Tt) terlihat bahwa terdeteksi 2 (dua) kali perubahan mendadak negatif. Kedua perubahan mendadak terjadi pada periode 25 Juni 2012 s.d. 11 Juli 2012 dan 12 Agustus s.d. 28 Agustus 2013. Pada periode 25 Juni 2012 s.d 11 Juli 2012 perubahannya mencurigakan karena pada periode tersebut tidak ada data (no data). Pada komponen noise (et) memperlihatkan hasil residual data dalam proses dekomposisi.
Gambar 4.2. Perubahan yang terdeteksi (---) pada Komponen Tren (Tt) dari data EVI 16-harian pada pixel 293, flux tower Aek Loba, Sumatera Utara
Pada gambar 4.2 di atas terlihat pada komponen trend (Tt) terdapat perubahan mendadak negatif yang hanya terdeteksi sebanyak 1 (satu) kali pada periode rekaman 01 Nopember 2013 s.d. 17 Nopember 2013. Pada komponen data (Yt) menunjukkan penurunan dan kenaikan pencatatan indeks vegetasi yang bervariatif dan yang jelas signifikan penurunan pada Nopember 2013. Dan pada komponen musiman (St) tetap sama halnya tidak terjadi indikasi penurunan vegetasi yang signifikan. Untuk komponen noise (et) menunjukkan noise yang masih kategori rendah sehingga kualitas data bagus dan pendeteksian gangguan perubahan mendadak sangat bagus
B. Deteksi perubahan vegetasi di Pixel 294 Aek Loba
Gambar 4.3. Perubahan yang terdeteksi (---) pada Komponen Tren (Tt) dari data NDVI 16-harian pada pixel 294, flux tower Aek Loba, Sumatera Utara
Berdasarkan data NDVI pada pixel 294 Aek Loba, yang ditujukkan gambar 4.3 di atas, BFAST mendeteksi terjadinya perubahan mendadak pada komponen trend. Sebuah perubahan mendadak negatif terdeteksi terjadi pada periode 26 Juni 2009 s.d. 12 Juli 2009, sedangkan sebuah perubahan mendadak positif terdeteksi terjadi pada 12 Juli 2013 s.d. 28 Juli 2013. Untuk periode 26 Juni 2009 s.d 12 Juli 2009 terdeteksi perubahan yang mencurigakan yang disebabkan dari real datanya nilai cukup tinggi dari data periode 16 harian sebelum dan sesudahnya. Pada komponen data (Yt) juga menunjukkan adanya penurunan deteksi indeks vegetasi yang signifikan pada tahun 2013. Sama halnya juga pada komponen musiman (St) tergambar tidak adanya indikasi perubahan vegetasi yang signifikan. Dan komponen noise (et) juga terlihat terjadi nilai nosie yang tinggi.
Gambar 4.4. Perubahan yang terdeteksi (---) pada Komponen Tren (Tt) dari data EVI 16-harian pada pixel 294, flux tower Aek Loba, Sumatera Utara
Dengan menggunakan data EVI pada pixel 294 Aek Loba, yang ditujukkan gambar 4.4 di atas, menunjukkan hanya terjadi sebuah perubahan mendadak negatif pada komponen trend (Tt) yang terjadi pada periode 01 November 2013 s.d. 17 November 2013. Terlihat pula pada komponen data time series (Yt) menunjukkan adanya bervariasinya pencatatan perubahan indeks data EVI, namun yang signifikan terlihat pada tahun 2013. Untuk komponen musiman (St), tidak terdeteksi adanya perubahan pola musiman menggunakan data EVI. Dan komponen noise (et) terlihat masih dalam kategori noise rendah sehingga pendeteksian perubahan vegetasi sangat bagus
C. Deteksi perubahan vegetasi di Pixel 295 Aek Loba
Gambar 4.5. Perubahan yang terdeteksi (---) pada Komponen Tren (Tt) dari data NDVI 16-harian pada pixel 295, flux tower Aek Loba, Sumatera Utara
Berdasarkan data NDVI pada pixel 295 Aek Loba seperti gambar 4.5 menunjukkan terjadinya dua perubahan mendadak pada komponen trend (Tt). Sebuah perubahan mendadak negatif terdeteksi terjadi pada periode 26 Juni 2009 s.d. 12 Juli 2009,
sedangkan sebuah perubahan mendadak positif terdeteksi terjadi pada 12 Juli 2013 s.d. 28 Juli 2013. Untuk periode 26 Juni 2009 s.d 12 Juli 2009 terdeteksi perubahan yang mencurigakan sebab dilihat dari data realnya nilainya sangat rendah dan dapat dikategorikan data interpolasi. Pada komponen data time series (Yt) menunjukkan berangsur angsur turun sejak tahun 2009 hingga tahun 2015. Untuk komponen musiman (St) tetap tidak menunjukkan perubahan mendadak yang signifikan. Dan pada komponen noise (et) menunjukkan noise yang tinggi.
Gambar 4.6. Perubahan yang terdeteksi (---) pada Komponen Tren (Tt) dari data EVI 16-harian pada pixel 295, flux tower Aek Loba, Sumatera Utara
Dengan menggunakan data EVI pada pixel 295 Aek Loba yang ditunjukkan gambar 4.6, terdeteksi telah terjadi dua perubahan mendadak negatif pada komponen tren yang terjadi pada periode 01 Januari 2009 s.d. 17 Januari 2009 dan 01 November 2013 s.d. 17 November 2013. Pada komponen data time series (Yt) menunjukkan penurunan yang bervariatif ditunjukkan sekitar tahun 2011 dan 2013. Tidak ada perubahan juga
pada pixel sebelumnya, pada komponen musiman (St) tidak terdapat perubahan yang signifikan. Dan pada komponen noise menunjukkan kondisi noise yang rendah
D. Deteksi perubahan vegetasi di Pixel 296 Aek Loba
Gambar 4.7. Perubahan yang terdeteksi (---) pada Komponen Tren (Tt) dari data NDVI 16-harian pada pixel 296, flux tower Aek Loba, Sumatera Utara.
Berdasarkan data NDVI, pada pixel 296 Aek Loba seperti gambar 4.7 menunjukkan BFAST membaca terjadinya tiga perubahan mendadak pada komponen trend (Tt). Tiga perubahan mendadak negatif terdeteksi terjadi pada periode 16 Oktober 2003 s.d. 01 November 2003, 22 Maret 2009 s.d. 07 April 2009, dan 30 September 2013 s.d. 16 Oktober 2013. Pada komponen data (Yt) menunjukkan pencatataan yang bervariatif. Lain hal dengan komponen musiman (St) tetap tidak ada perubahan yang mendadak secara signifikan.
Sedangkan pada komponen noise (et) menujukkan tingkat noise yang tinggi.
Gambar 4.8. Perubahan yang terdeteksi (---) pada Komponen Tren (Tt) dari data NDVI 16-harian pada pixel 296, flux tower Aek Loba, Sumatera Utara.
Sedangkan dengan menggunakan data EVI pada pixel 296 Aek Loba seperti gambar 4.8 tidak ditemukan adanya gangguan baik dalam komponen trend (Tt) maupun trend musiman (St). Pada komponen data (Yt) menunjukkan pencatatan yang bervariatif. Dan untuk komponen noise menujukkan noise dalam kategori yang tinggi.
Tabel 4.1: Amplitudo musiman (a), Noise (σ), Signal-to-noise ratio (∆c1) dan data yang hilang (DG) dari EVI dan NDVI data dari 4 pixel yang ada.
E. Validasi data
Validasi data dilakukan berdasarkan data
Leaf Area Index (LAI) dari Satelit MODIS dengan
sensor yang berbeda yaitu Sensor MYD15A2. Dari empat pixel yang dianalisa, maka terlihat sebuah persamaan pola pada waktu gangguan yang terekam oleh EVI (Tabel 4.2).
Tabel 4.2 Waktu kejadian terjadinya gangguan pada lokasi pixel berdasarkan data EVI dan NDVI.
Berdasarkan tabel 4.2, terlihat dimana deteksi perubahan mendadak terjadi pada pixel 293, 294, dan 295. Terdeteksi perubahan mendadak di ketiga pixel tersebut dengan waktu yang sama yaitu 01/11/2013 s.d. 17/11/2013. Selain itu, terlihat penurunan nilai LAI di sekitar flux tower dari nilai
LAI pada
rentang 5.59 – 6.20 berbentuk Savannah (padang rumput) menjadi LAI dengan nilai 0.39 – 0.69 berupa Barren (tanah lapang).
Gambar 4.9 Leaf Area Index (LAI) MODIS MYD15A2 Oktober 2013
Gambar 5. Leaf Area Index (LAI) MODIS MYD15A2 November 2013
Dari citra landsat terlihat bahwa terjadi perubahan tutupan vegetasi pada tahun bulan Oktober 2013 dan Nopember 2013. Secara umum, semua komponen tren baik data EVI dan NDVI
memperlihatkan tren negatif (menurun) yang mengindikasikan adanya perubahan tutupan lahan. Karena kelapa sawit memiliki luasan daun yang lebih kecil daripada hutan tropis, maka respon indeks vegetasi yang ditangkap oleh satelit MODIS semakin berkurang dan memperlihatkan tren negatif pada rekaman indeks vegetasi. Pada Oktober 2013, masih terlihat adanya sedikit vegetasi pada pixel 293 – 295. Sedangkan pada November 2013, vegetasi pada pixel 293-295 sudah menghilang dan berganti menjadi tanah lapang tanpa vegetasi. Hal tersebut dapat disebabkan adanya penebangan pohon kelapa sawit atau pembersihan tutupan lahan oleh pihak pengelola kelapa sawit.
Gambar 4.11 Tutupan Vegetasi Lokasi Penelitian Oktober 2013
Gambar 4.12 Tutupan Vegetasi Lokasi Penelitian November 2013
F. Pembahasan
Berdasarkan komponen musiman, untuk ke empat pixel yang digunakan tidak terlihat adanya gangguan pada komponen musiman baik saat menggunakan data EVI maupun NDVI. Pada pixel 293, dengan menggunakan EVI terdeteksi sebanyak 1 buah gangguan mendadak pada komponen trend. Sedangkan dengan menggunakan NDVI tercatat sebanyak 2 gangguan mendadak. Dalam hal ini, waktu kejadian pada pixel 293 ketika menggunakan EVI maupun NDVI jauh berbeda. Untuk mengetahui tingkat akurasi deteksi antara menggunakan data EVI dan NDVI maka dapat dilihat dari besarnya data yang hilang (missing data) selama proses filtering data. Sebanyak 100 data dihapus dari 340 (29.41 %) ketika menggunakan data NDVI. Ketika menggunakan data EVI, hanya sebanyak 68 daya yang dihapus (20 %). Hal serupa terjadi juga untuk pixel yang lain dimana jumlah data yang dihapus (missing data) selama proses
filtering untuk NDVI lebih banyak dibandingkan
tersisa dari proses filtering dilakukan dengan metode interpolasi linear untuk mengisi data yang hilang. Salah satu kelemahan metode ini yaitu kecenderungan metode ini dalam membuat data menjadi linear (garis lurus) (Meijering, 2002).
Interpolasi linear menggunakan data yang berada sebelum dan sesudah data hilang (gap), konsekuensinya bahwa semakin lebar data hilang maka semakin rendah akurasi dari data hasil interpolasi. Interpolasi linear telah diaplikasikan pada penelitian ini, namun metode ini sepertinya tidak efisien ketika jumlah data yang hilang banyak dan berada pada sebuah deret yang berurutan. Ketika deret dari data yang terhapus banyak dan berada pada deret yang berurutan maka interpolasi spasial akan menghasilkan hasil interpolasi dengan kualitas yang rendah. Salah satu akibat dari rendahnya kualitas interpolasi data akan berakibat pada tingginya jumlah perubahan mendadak pada komponen trend hasil dari BFAST. Meskipun memiliki jumlah deteksi yang banyak maka data tersebut tidak dapat dijadikan patokan dan memiliki nilai kepercayaan yang rendah.
Adapun jumlah data yang terhapus berpengaruh pada kualitas deteksi yang dilakukan oleh BFAST terhadap data tersebut. Dalam hal ini, wilayah ekuatorial dimana Aek Loba berada merupakan wilayah dengan tutupan awan dan gangguan atmosfer yang tebal. Pada kasus ini, terlihat bawah EVI dapat lebih beradaptasi dan mengatasi dampak dari gangguan atmosfer dan tutupan kanopi karna adanya pengaruh spektrum biru (Dietz et al., 2007, Sjostrom et al., 2011, Huete
et al., 1997). Semakin sedikit data EVI yang hilang
selama proses filtering mengindikasikan lebih akuratnya EVI dalam merefleksikan kondisi vegetasi dibandingkan dengan data NDVI. Oleh karena itu, EVI dapat mendeteksi adanya perubahan vegetasi yang terjadi pada sekitar flux tower terutama pada pixel 293, 294 dan 295 yaitu pada rentang waktu 01/11/2013 s.d. 17/11/2013.
Berdasarkan hasil perhitungan
to-noise ratio (∆c1) menunjukan bahwa nilai Signal-to-noise ratio (∆c1) untuk data EVI lebih besar
daripada NDVI. Nilai Signal-to-noise ratio (∆c1) menunjukkan perbandingan antara besarnya amplitudo sinyal terhadap tingkat noise yang ada. Semakin tinggi nilai Signal-to-noise ratio (∆c) berbanding lurus dengan kualitas deteksi dan berbanding terbalik dengan banyaknya gangguan (noise). Dalam hal ini, keterkaitan antara nilai
Signal-to-noise ratio (∆c) dan data yang hilang
(missing data) pada data EVI membuktikan kualitas hasil deteksi BFAST ketika menggunakan data EVI untuk mengetahui adanya perubahan mendadak pada kondisi vegetasi di lokasi penelitian.
Dari komponen trend dapat diketahui dimana nilai indeks vegetasi EVI dan NDVI menunjukan trend negatif (penurunan) yang mengindikasikan adanya pengurangan vegetasi di area penelitian. Selain itu dalam penelitian ini, penggunaan data EVI dengan metode BFAST pada keempat pixel menghasilkan waktu perubahan mendadak yang berbeda pada komponen trend. Namun, kita dapat melihat dimana dengan menggunakan data EVI kita melihat persamaan hasil deteksi dimana terjadi perubahan mendadak pada pixel 293, 294 dan 295 pada 01/11/2013 s.d.
17/11/2013. Hal tersebut sangat berbeda dengan hasil dari NDVI yang memberikan hasil berbeda-beda untuk setiap pixel. Dari persamaan waktu perubahan mendadak yang ada pada EVI memberikan petunjuk bahwa terjadi perubahan mendadak yang sama di ketiga pixel yang ada. Apabila di kaitkan dengan hasil validasi dengan menggunakan Leaf Area Index (LAI) maka terlihat jelas bahwa pada lokasi penelitan telah terjadi penurunan vegatasi yang diindikasikan dengan turunnya harga LAI di daerah penelitian pada periode waktu 01/11/2013 s.d. 17/11/2013.
Hal tersebut diperkuat dengan data lapangan dimana data dari perkebunan Aek Loba (PT.Socpin Indonesia) pada blok 156 yang terwakili pada satelit modis pada pixel 293 hingga pixel 296 dari tahun 2000-2014 adanya aktifitas land clearing di bulan Oktober 2013 sampai dengan Nopember 2013 hingga proses penanaman baru kelapa sawit di pertengahan tahun 2014. Sehingga pada data EVI lebih tepat pendeteksian perubahan lahannya dimana pada pixel 293,294 dan 295 dengan bersamaan terdeteksi pada periode tanggal 01 Nopember 2013 s.d 17 Nopember 2013.
V. KESIMPULAN DAN SARAN
Dari penelitian ini dapat diambil beberapa kesimpulan yaitu Metode BFAST dapat digunakan untuk mendeteksi perubahan tutupan lahan di Aek Loba.Dengan menggunakan Indeks vegetasi
Enhanced Vegetation Index (EVI) terbukti lebih
efektif dalam mendeteksi perubahan vegetasi dibandingkan NDVI di Aek Loba. Kemudian komponen trend dengan metode BFAST dapat
diketahui bahwa terjadi penurunan jumlah vegetasi yang diindikasikan dengan adanya trend negatif (turun) berdasarkan indeks vegetasi EVI pada Aek Loba. Serta Hasil validasi deteksi perubahan mendadak dengan menggunakan metode BFAST berdasarkan data EVI menunjukan korelasi positif dengan penuruan Leaf Area Index (LAI) di Aek Loba. Adapun saran untuk penelitian selanjutnya, metode BFAST perlu dilakukan verifikasi hasil deteksi BFAST dengan melakukan kunjungan ke lapangan dan produk citra satelit dengan resolusi tinggi.
DAFTAR PUSTAKA
COPPIN, P., JONCKHEERE, I., NACKAERTS, K., MUYS, B. & LAMBIN, E. 2004. Digital change detection methods in ecosystem monitoring: a review. International Journal of Remote Sensing, 25, 1565-1596.
DIETZ, J., HOLSCHER, D., LEUSCHNER, C., MALIK, A. & AMIR, M. A. 2007. Forest structure as influenced by different types of community forestry in a lower montane rainforest of Central Sulawesi, Indonesia. Stability of Tropical Rainforest Margins: Linking Ecological, Economic and Social Constraints of Land Use and Conservation, 133-148.
Fire Fight South East Asia. 2002. Pengadilan Pelaku Kebakaran Hutan dan Lahan : Sebuah Studi Kasus Mengenai Proses Hukum di Riau,Indonesia. Fire Fight South East Asia. WWF. IUCN. European Union.
GLENN, E. P., HUETE, A. R., NAGLER, P. L. & NELSON, S. G. 2008. Relationship between remotely-sensed vegetation indices, canopy attributes and plant physiological processes: What vegetation indices can and cannot tell us about the landscape. Sensors, 8, 2136-2160.
GLOBALFORESTWATCH. 2012. Indonesia's Forests in Brief [Online]. Available: http://www.globalforestwatch.org/english/in donesia/forests.htm [Accessed March 25th, 2012].
HEALEY, S. P., COHEN, W. B., YANG, Z. Q. & KRANKINA, O. N. 2005. Comparison of Tasseled Cap-based Landsat data structures for use in forest disturbance detection. Remote Sensing of Environment, 97, 301-310.
HUETE, A., DIDAN, K., LEEUWEN, W., MIURA, T. & GLENN, E. 2011. MODIS Vegetation Indices Land Remote Sensing and Global Environmental Change. In: RAMACHANDRAN, B., JUSTICE, C. O. & ABRAMS, M. J. (eds.). Springer New York.
HUETE, A. R., LIU, H. Q., BATCHILY, K. & VAN LEEUWEN, W. 1997. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, 59, 440-451.
HUI QING, L. & HUETE, A. 1995. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise. Geoscience and Remote Sensing, IEEE Transactions on, 33, 457-465.
INDRABUDI, H., WARDOYO &
ARUNARWATI, B. 2006. Forest Resources Monitoring and Assessment in Indonesia [Online]. Jakarta: Forest Planning Agency, Ministry of Forestry of Indonesia. Available: http://www.sekala.net/files/Fomas
%20Dephut%20final.pdf [Accessed March 25th, 2012].
JIANG, Z. Y., HUETE, A. R., DIDAN, K. & MIURA, T. 2008. Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment, 112, 3833-3845.
MEIJERING, E. 2002. A chronology of
interpolation: from ancient astronomy to modern signal and image processing.
Proceedings of the IEEE, 90, 319-342.
MATSUSHITA, B., YANG, W., CHEN, J., ONDA, Y. & QIU, G. Y. 2007. Sensitivity of the Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI) to topographic effects: A case study in high-density cypress forest. Sensors, 7, 2636-2651.
PSU. 2012. Applied Time Series Analysis [Online]. The Pennsylvania State University. Available:
https://onlinecourses.science.psu.edu/stat510 /?q=print/book/export/html/69 [Accessed April 03th 2012].
R.B. Myneni, Y. Knyazikhin, Y. Zhang, Y. Tian, Y. Wang, A. Lotsch J. L. Privette, J.T.Morisette, S.W Running, R. Nemani, J.Glassy, P.Votava (1999). MODIS Leaf Area Index (LAI) and Fraction of Photosynthetically Active Radiation Absorbed By Vegetation (FPAR) Product Algorithm Theoretical Basis Document (ATBD) MOD 15. X.
ROUSE, J. W., HAAS, R. H., SCHELL, J. A. & DEERING, D. W. Monitoring vegetation systems in the Great Plains with ERTS. Proceedings of the Third ERTS Symposium, 1973 Washington DC. 309-317.
SJOSTROM, M., ARDO, J., ARNETH, A., BOULAIN, N., CAPPELAERE, B.,
EKLUNDH, L., DE GRANDCOURT, A., KUTSCH, W. L., MERBOLD, L., NOUVELLON, Y., SCHOLES, R. J., SCHUBERT, P., SEAQUIST, J. & VEENENDAAL, E. M. 2011. Exploring the potential of MODIS EVI for modeling gross primary production across African ecosystems. Remote Sensing of Environment, 115, 1081-1089.
UNEP-WCMC. 2012. Forest Types of the World
[Online]. Available:
http://forestry.about.com/library/tree/blwrld x.html [Accessed March 25th, 2012].
VERBESSELT, J., HYNDMAN, R., NEWNHAM, G. & CULVENOR, D. 2010a. Detecting trend and seasonal changes in satellite image time series. Remote Sensing of Environment, 114, 106-115.
VERBESSELT, J., HYNDMAN, R., ZEILEIS, A. & CULVENOR, D. 2010b. Phenological change detection while accounting for abrupt and gradual trends in satellite image time series. Remote Sensing of Environment, 114, 2970-2980.
WALLACE, J. & CAMPBELL, H. 1989. Analysis of remotely sensed data. In: MONONEY, E. B. R. J. H. A. H. A. (ed.) In Remote Sensing of Biosphere Functioning. New York: Springer Verlag.
WHITE, M. A. & NEMANI, R. R. 2006. Real-time monitoring and short-term forecasting of land surface phenology. Remote Sensing of Environment, 104, 43-49.
XIAO, X. M., ZHANG, Q. Y., BRASWELL, B., URBANSKI, S., BOLES, S., WOFSY, S., BERRIEN, M. & OJIMA, D. 2004. Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data. Remote Sensing of Environment, 91, 256-270.
YAHYA DARMAWAN & PARWATI SOFAN, 2012. Comparison of the vegetation indices to detect the tropical rain forest changes using breaks for additive seasonal and trend (BFAST) model. Remote Sensing of Environment, 9, 21-34
