xi
DAFTAR GAMBAR
Gambar 2.1 Komponen Penginderaan Jauh... 10
Gambar 2.2 Karakteristik respon spektal vegetasi hijau... 12
Gambar 2.3 Kerangka penelitian... 33
Gambar 3.1 Diagram alir metode penelitian... 51
Gambar 4.1 Peta Lokasi Penelitian... 58
Gambar 5.1 Peta Sampel Lapangan Citra Resolusi Tinggi...62
Gambar 5.2 Titik kontrol (GCP) pada koreksi geometrik... 71
Gambar 5.3Pertampalan vektor sebelum dan sesudah Koreksi Geometrik... 72
Gambar 5.4 Histogram citra daerah kajian untuk komposit warna 432... 77
Gambar 5.5 Kenampakan citra satelit ALOS AVNIR-2 komposit 432... 78
Gambar 5.6 Peta Satuan Pemetaan Kerapatan Vegetasi... 81
Gambar 5.7 Pembuatan ROI dari blok kerapatan vegetasi... 83
Gambar 5.8 Grafik hubungan antara RVI dengan kerapatan vegetasi... 85
Gambar 5.9 Grafik hubungan antara NDVI dengan kerapatan vegetasi... 86
Gambar 5.10 Grafik hubungan antara TVI dengan kerapatan vegetasi... 86
Gambar 5.11 Grafik hubungan antara MSAVI dengan kerapatan vegetasi... 87
Gambar 5.12 Peta Kerapatan Kanopi Hutan Interpretasi Hibrida... 91
xii
DAFTAR TABEL
Tabel 2.1 Produk Data Standar ANVIR-2... 15
Tabel 2.2 Kelebihan dan kekurangan metode interpretasi visual dan digital...25
Tabel 2.3 Perbandingan dengan penelitian sebelumnya dan penelitian yang akan dilakukan... 35
Tabel 3.1 Tingkat hubungan koefisien korelasi... 47
Tabel 3.2 Kelas kerapatan vegetasi... 48
Tabel 3.3 Uji akurasi pemetaan habitat bentik...49
Tebel 5.1 Hasil identifikasi kerapatan vegetasi di lapangan... 63
Tabel 5.2 Titik GCP pada koeksi geometrik... 70
Tabel 5.3 Nilai gain dan offset pada citra ALOS AVNIR-2... 73
Tabel 5.4 Citra hasil transformasi dan perbandingan nilai spektralnya... 76
Tabel 5.5 Pengenalan Objek Hasil interpretasi Visual untuk Satuan Pemetaan... 80
Tabel 5.6 Nilai rata-rata piksel blok kerapatan vegetasi pada Transformasi Indeks Vegetasi (RVI, NDVI, TVI dan MSAVI) ... 84
Tabel 5.7 Korelasi nilai rata-rata tiap saluran dengan nilai kerapatan... 87
Tabel 5.8 Formula kerapatan vegetasi... 89
Tabel 5.9 Luas kerapatan vegetasi hasil interpretasi hibrida... 90
Tabel 5.10 Uji akurasi interpretasi hibrida... 92
xiii
DAFTAR LAMPIRAN
Lampiran 1. Nilai rata-rata satuan pemetaan kerapatan kanopi
vegetasi pada citra NDVI... 101
Lampiran 2. Header Citra Satelit ALOS AVNIR-2... 104
Lampiran 3. Peta Kerapatan Kanopi Vegetasi Interpretasi Citra resolusi Tinggi... 107
Lampiran 4. Citra RVI... 108
Lampiran 5. Citra NDVI... 109
Lampiran 6. Citra TVI... 110
Lampiran 7. Citra MSAVI... 111
Lampiran 8. Peta Inversi Regresi...112
1 BAB I PENDAHULUAN
1.1 Latar Belakang
Penginderaan jauh yaitu berbagai teknik yang dikembangkan untuk perolehan dan analisis informasi tentang bumi. Informasi tersebut berbentuk radiasi elektromagnetik yang dipantulkan atau dipancarkan dari permukaan bumi (Lindgren, 1985 dalam Sutanto 1986). Hasil dari rekaman tersebut berupa data penginderaan jauh yang dalam penerapannya disebut citra penginderaan jauh. Ada dua macam citra yang dihasilkan dari produk penginderaan jauh, citra foto dan citra nonfoto (satelit). Citra foto dihasilkan dari pemotretan foto udara dengan sensor berupa kamera. Sensor tersebut di pasang pada wahana seperti pesawat terbang, balon udara, atau bahkan pesawat tanpa awak (remote control). Adapun citra nonfoto adalah citra yang dihasilkan dari pemotretan dengan satelit sebagai wahananya.
Citra hasil rekaman sensor penginderaan jauh memuat berbagai macam informasi objek di permukaan bumi. Untuk dapat dimanfaatkan secara optimal, maka citra ini harus diterjemahkan dalam bentuk informasi tentatif objek. Setiap objek di permukaan bumi memiliki nilai reflektansi yang berbeda-beda. Interaksi gelombang elektromagnetik dengan objek di permukaan bumi inilah yang nantinya dijadikan dasar pengenalan objek.
Tahap awal pengenalan citra inilah yang disebut dengan interpretasi citra.
Estes dan Simonette (1975 dalam Sutanto, 1986) mengatakan bahwa interpretasi citra merupakan perbuatan mengkaji foto udara dan atau citra dengan maksud untuk mengidentifikasi objek dan menilai arti pentingnya objek tersebut. Dalam hal ini dibutuhkan unsur-unsur pengenal objek ataupun gejala yang terekam pada citra. Unsur-unsur inilah yang dinamakan unsur interpretasi. Ada 9 jenis unsur interpretasi, rona atau warna, ukuran, bentuk, tekstur, pola, tinggi, bayangan, situs dan asosiasi (Estes et al., 1983 dalam Sutanto 1986). Tidak mutlak ke 9 unsur interpretasi tersebut digunakan secara serentak untuk menginterpretasi objek. Melaui latihan
2
menginterpretasi citra baik di laboratrium maupun observasi lapangan secara langsung akan dapat dikenali unsur-unsur interpretasi apa saja yang paling berperan dalam identifikasi objek di permukaan bumi. Unsur interpretasi yang paling berperan inilah yang kemudian disebut kunci interpretasi. Menurut (Sabins, 1997), kunci interpretasi adalah karakteristik atau kombinasi karakteristik (dalam hal ini diwakili oleh unsur-unsur interpretasi) yang memungkinkan suatu objek pada citra dapat dikenali.
Interpretasi citra pada dasarnya terdiri dari dua proses, yakni proses perumusan identitas objek dan elemen yang dideteksi pada citra dan proses untuk menemukan arti pentingnya objek dan elemen tersebut (Lo, dalam Sutanto 1986). Hasil dari proses inilah yang kemudian dikelompokkan berdasarkan homogenitasnya, jadi dapat dikatakan bahwa proses interpretasi pada dasarnya adalah mengelompokkan karakteristik/fenomena di permukaan bumi berdasarkan kemiripan/homogenitasnya membentuk suatu pola tertentu.
Menurut Sutanto (1986) interpretasi citra penginderaan jauh dapat dilakukan dengan dua cara yaitu interpretasi secara visual atau manual dan interpretasi secara digital. Manual dengan memanfaatkan penginderaan melalui citra sedangkan interpretasi digital dilakukan dengan mendasarkan pada informasi spektralnya. Proses interpretasi yang untuk selanjutnya dilakukan klasifikasi adalah elemen yang sangat penting dalam menentukan sukses tidaknya proses pemetaan. Banyak metode klasifikasi yang masih digunakan hingga saat ini, terutama untuk klasifikasi digital. Beberapa metode klasifikasi digital yang umum digunakan antara lain klasifikasi multispektral, jaringan saraf tiruan, logika samar, klasifikasi berorientasi obyek.
Sejauh ini hanya dikenal dua proses interpretasi, yakni manual dan digital. Masing-masing dari interpretasi tersebut pastilah memiliki kelebihan dan kekurangannya. Dalam rangka mereduksi kekurangan dan mengoptimalkan kelebihannya maka dikembangkanlah satu teknik interpretasi dengan menggabungan baik interpretasi digital maupun interpretasi manual untuk mengidentifikasi objek tertentu di permukaan
3
bumi. Teknik interpretasi inilah yang kemudian disebut dengan interpretasi hibrida. Adapun interpretasi hibrida menurut Suharyadi (2010) adalah teknik yang mengkombinasikan antara interpretasi visual untuk delineasi objek, dan menggunakan prinsip-prinsip pola pengenalan spektral secara digital untuk identifikasi objeknya.
Penggunaan berbagai metode interpretasi baik visual maupun digital sebenarnya sama-sama untuk mempermudah dalam pengenalan objek di permukaan bumi. Namun bagaimana kemudian metode tersebut nantinya dapat diterima dan dimanfaatkan untuk analisis keruangan. Hal ini erat kaitannya dengan kualitas data spasial yang dihasilkan. menurut Guptill dan Morrison (1995) dalam Danoedoro (2012) kualitas data spasial adalah suatu keadaan data yang harus diinformasikan keada pengguna data tersebut agar mereka dapat memanfaatkannya secara proporsional; dan juga kepada para praktisi atau peneliti yang dalam pekerjaannya menghasilkan keluaran berupa peta atau citra agar mencantumkan informasi tentang keadaan data yang dihasilkan sehingga data dapat dimanfaatkan sebagaimana mestinya.
Banyak aspek yang mempengaruhi kualitas data spasial, antara lain lineage/riwayat data, akurasi posisi, akurasi atribut, kelengkapan, konsistensi logis, akurasi semantik, dan informasi temporal (Guptil dan Morrison, 1995 dalam Danoedoro 2012). Kualitas data yang dibicarakan pada penelitian kali ini adalah kualitas data hubungannya dengan akurasi semantik, yakni akurasi pada isi informasi tematik peta. Akurasi ini menggambarkan tingkat kebenaran dari peta yang dihasilkan. Semakin tinggi akurasinya, semakin baik data/peta yang dihasilkan.
Produk penginderaan jauh yang disebut citra penginderaan jauh saat ini sudah banyak dimanfaatkan untuk kajian penutup dan atau penggunaan lahan, tata ruang wilayah, hingga studi kebencanaan. Masing-masing citra penginderaan jauh memiliki tingkat kedetilalan informasi yang disadap, hal ini erat kaitannya dengan resolusi. Ada empat resolusi yakni resolusi spasial, resolusi spektral, resolusi radiometeri, dan resolusi temporal (Sutanto, 1986). Menurut Swain dan Davis (1978) resolusi adalah kemampuan suatu sistem optik-elektronik untuk membedakan informasi
4
secara spasial (keruangan) berdekatan atau secara spektral (sinar) mempunyai kemiripan. Resolusi spasial merupakan petunjuk kualitas sensor, semakin kecil objek yang dapat direkam olehnya, semakin detil informasinya. Resolusi spektral adalah kemapuan sensor dalam membedakan objek berdasarkan pantulan spektral dari objek itu sendiri.
Resolusi temporal terkait dengan waktu, yakni kemampuan sensor untuk merekam ulang daerah yang sama. Sedangkan resolusi radiometri adalah kemampuan sensor dalam mencatat respons spektral objek.
Konsep resolusi berkaiatan erat dengan kualitas data spasial dalam penginderaan jauh. Tidak semua data dapat digunakan begitu saja, tergantung tujuan penggunaannya, dan output yang dihasilkan. . Citra-citra skala kecil dengan resolusi yang kecil, NOAA misalnya digunakan untuk analisis hingga tingkat regional dengan cakupan wilayah yang luas.
Sedangkan Landsat atau ASTER tingkat kedetilannya hanya terbatas pada skala menengah begitu pula dengan ALOS. Lain halnya dengan IKONOS atau QuickBird, citra ini dapat mencapai tingkat kedetilan tinggi karena memiliki resolusi spasial yang tinggi pula. Kaitannya dengan hal tersebut, maka penelitian yang dilakukan di sebagian Kabupaten Gunungkidul ini menggunakan citra satelit resolusi menengah ALOS untuk kajian kerapatan vegetasi sehingga output yang dihasilkan nanti dapat sesuai dengan apa yang diharapkan. Variasi panjang gelombang yang dimiliki oleh citra ALOS dengan sensor AVNIR-2 inilah yang dijadikan dasar dalam pengenalan objek vegetasi di permukaan bumi. Dari sekian banyak metode interpretasi vegetasi, transformasi indeks vegetasi masih dipercaya sebagai metode yang memiliki keakuratan yang baik untuk pengenalan vegetasi di permukaan bumi.
Pemetaan kerapatan vegetasi untuk penelitian kali ini dilakukan di Kabupaten Gunungkidul dengan objek kajian berupa hutan. Berdasarkan data dari Balai Pemantapan Kawasan Hutan Wilayah IX daerah Istimewa Yogyakarta tahun 2008 menyebutkan bahwa Kabupaten Gunungkidul menduduki peringkat tertinggi di Yogyakarta atas wilayah hutannya dengan total luasnya mencapai 14.859,50 Ha. Kondisi ini tentunya membutuhkan
5
manajemen hutan yang baik agar tetap menjadi hutan yang lestari. Ada banyak parameter yang dapat diangkat guna optimalisasi potensi hutan, dan salah satunya adalah kerapatan tegakan. Sebagaimana disebutkan oleh Davis dan Johson (1986) dalam Sahid (2005) bahwa dua macam kegunaan pengukuran tegakan hutan yaitu pertama untuk menunjukkan tegakan dalam model yang digunakan untuk menaksir jumlah pertumbuhan dan hasil di masa yang akan datang, dan kedua untuk memutuskan prestasi tegakan jika dibandingkan dengan kriteria-kriteria tujuan pengelolaan. Hutan dalam penelitian kali ini merujuk pada hutan jenis tegakan. Menurut Undang- Undang Kehutanan No. 41 tahun 1999 hutan adalah suatu kesatuan ekosistem berupa hamparan lahan berisi sumber daya alam hayati yang didominasi pepohonan dalam persekutuan alam lingkungannya yang satu dengan lainnya tidak dapat dipisahkan. Sedangkan tegakan menurut Howard (1991) adalah suatu agregasi pohon yang cukup seragam komposisinya yang dapat dibedakan dari tanaman di dekatnya. Berdasarkan dari rumusan tegakan yang dikemukakan oleh Howard (1991) tersebut, maka proses pemetaan vegetasi dapat diidentifikasi memalui perbedaan tekstur tegakan pada citra penginderaan jauh.
1.2 Rumusan Masalah
Managemen pengelolaan hutan yang baik akan selalu membutuhkan informasi mengenai pertumbuhan hutan yang dikelola baik dari sisi kualitas maupun kuantitasnya. Informasi ini dapat diperoleh melalui pengamatan secara berkala, namun hal ini tidak dapat diterapkan pada daerah yang luas mengingat keterbatasan sumber daya yang ada. Oleh karena itu pendekatan melalui penginderaan jauh sangat tepat diterapkan untuk kajian kehutanan.
Ilmu penginderaan jauh dalam analisis keruangan mutlak diperlukan, termasuk dalam hal pengelolaan hutan. Berbagai metode interpretasi hingga saat inipun berkembang kian pesat seiring dengan perkembangan teknologi yang mengikutinya. Salah satu metode interpretasi yang kian berkembang saat ini adalah metode interpretasi hibrida. Prinsip dari interpretasi hibrida
6
adalah dengan menggabungkan dua metode interpretasi untuk mendapatkan hasil yang lebih baik. Purwadi (2001) mengatakan bahwa metode yang sering digunakan untuk interpretasi hibrida adalah dengan menggabungan antara klasifikasi terselia (klasifikasi terkontrol) dan tak terselia (klasifikasi tak terkontrol). Klasifikasi terselia, operator, analisis, atau pengguna bertindak sebagai pengontrol kriteria klasifikasi seperti halnya pada klasifikasi manual. Sebaliknya, klasifikasi tak terselia merupakan metode klasifikasi yang sepenuhnya diputuskan secara otomatis oleh komputer tanpa ada campur tangan manusia.
Seiring dengan perkembangannya, interpretasi hibrida dapat pula dilakukan dengan menggabungkan antara interpretasi digital dan interpretasi visual seperti yang dilakukan oleh Suharyadi (2010) dengan hasil yang dapat dipercaya. Tingkat kepercayaan dari interpretasi hibrida ini cukup tinggi yakni di atas 80%. Hal inilah yang membuat interpretasi hibida menjadi salah satu metode interpretasi yang mulai banyak digunakan dalam penelitian penginderaan jauh untuk analisis objeknya.
Aplikasi penginderaan jauh dalam perkembangannya banyak menggunakan respon spektral untuk identifikasi objek tertentu di permukaan bumi. Salah satu metode yang memanfaatkan respon spektral dalam identifikasi objek yakni transformasi cira. Transformasi citra yang dilakukan adalah dengan membuat selisih dari beberapa saluran. Untuk kajian vegetasi, ada beberapa teknik transformasi yang umum digunakan, antara lain Ratio Vegetation Index (RVI), Normalized Difference Vegetation Index (NDVI), Transformed Vegetation Index (TVI), dan Modified Soil Adjusted Vegetation Index (MSAVI). Teknik transformasi tersebut sama- sama memanfaatkan respon spektral yang diberikan dengan memanipulasi beberapa saluran guna menonjolkan objek vegetasi. Meskipun transformasi indeks vegetasi yang disebutkan di atas sama-sama memanfaatkan saluran merah dan inframerah dekat, namun antar satu dengan yang lain menghasilkan julat indeks vegetasi yang berbeda karena menggunakan algoritma yang berbeda pula. Untuk itu, perlu adanya suatu penelitian yang
7
mengkaitkan antara indeks vegetasi yang digunakan dengan akurasi yang diharapkan.
Berawal dari asumsi bahwa setiap objek di permukaan bumi memiliki pola spektral yang berbeda-beda, maka keberadaan vegetasi di permukaan bumi pun dapat dideteksi dari citra penginderaan jauh. Salah satu aplikasi dari penginderaan jauh untuk analisis vegetasi adalah dengan melihat tingkat kerapatan kanopinya. Tingkat kerapatan konopi menggambarkan seberapa rapat tutupan tajuk dari vegetasi pada suatu wilayah (bukan jumlah vegetasi). Apabila dilihat melalui citra penginderaan jauh maupun foto udara tingkat kerapatan vegetasi yang tinggi memperkecil kemungkinan terlihatnya objek tanah ataupun objek lain di bawahnya.
Dengan demikian, semakin banyak tutupan vegetasi, semakin banyak pula nilai piksel murni vegetasi yang tergambarkan dalam analisis citra.
Merujuk pada permasalahan di atas, maka penggunaan metode interpretasi hibrida untuk meningkatkan hasil akurasi penelitian yang berkaitan dengan identifikasi kerapatan vegetasi di permukaan bumi menjadi salah satu solusi dalam mempermudah interpretasi. Interpretasi hibrida dalam penelitian kali ini dilakukan dengan menggabungkan antara interpretasi manual/visual dan interpretasi digital. Interpretasi visual dengan menggunakan citra satelit resolusi tinggi, sedangkan interpretasi digital dengan menggunakan beberapa indeks vegetasi. Hasil dari teknik interpretasi visual digunakan sebagai masukan dalam analisis piksel dari setiap indeks vegetasi yang digunakan, harapannya agar hasil yang didapat lebih akurat untuk kajian kerapatan kanopi vegetasi. Berdasarkan uraian di atas, maka muncul pertanyaan penelitian yang melatarbelakangi pelaksanaan penelitian ini, yaitu :
1. Apakah tehnik interpretasi hibrida antara data berbasis visual dan digital mampu memberikan akurasi yang baik untuk pemetaan kerapatan kanopi vegetasi?
2. Bagaimana kondisi kerapatan kanopi tegakan hutan di sebagian Kabupaten Gunungkidul?
8
3. Transformasi indeks vegetasi apa yang paling baik digunakan untuk kajian kerapatan kanopi vegetasi dengan metode hibrida?
Mengacu pada permasalahan penelitian di atas, maka peneliti melakukan penelitian dengan judul: Kajian Akurasi Interpretasi Hibrida Menggunakan Empat Indeks Vegetasi untuk Pemetaan Kerapatan Kanopi di Kawasan Hutan Kabupaten Gunungkidul Yogyakarta.
1.3 Tujuan Penelitian
1. Interpretasi hibrida untuk mengoptimalkan kelebihan dan meminimalisasi kekurangan yang ada pada metode interpretasi visual maupun digital.
2. Memetakan kerapatan kanopi di kawaan hutan sebagian Kabupaten Gunungkidul.
3. Mengkaji korelasi empat transformasi indeks vegetasi dengan data kerapatan kanopi vegetasi untuk mendapatkan formula hibrida terbaik.
1.4 Manfaat Penelitian
1. Pengaplikasian dan pengembangan ilmu dan teknologi penginderaan jauh untuk pemetaan kerapatan vegetasi menggunakan citra satelit resolusi menengah.
2. Sebagai bahan masukan bagi pemegang kebijakan daerah setempat terkait pembuatan Rencana Kerja Pemerintah Daerah (RKPD) Kabupaten Gunungkidul khususnya yang berkaitan dengan kehutanan.
9 BAB II
TELAAH PUSTAKA
2.1 Batasan dan Pengertian Penginderaan Jauh
Penginderaan jauh dewasa ini mengalami perkembangan yang sangat pesat, mulai dari sistem perekaman hingga data yang dihasilkan.
Kemampuannya dalam merepresentasikan permukaan bumi mulai dari skala kecil hingga skala besar menjadikan ilmu penginderaan jauh sebagai salah satu alat analisis dalam berbagai disiplin ilmu lainnya. Lillesand dan Kiefer (1999) mendefenisikan penginderaan jauh sebagai ilmu dan seni untuk memperoleh informasi tentang objek, daerah, atau gejala dengan jalan menganalisis menggunakan alat tanpa kontak langsung terhadap objek, daerah, atau gejala yang dikaji. Untuk itu penginderaan jauh sederhananya dapat diartikan sebagai pengambilan atau pengukuran data / informasi mengenai sifat dari sebuah fenomena, obyek atau benda dengan menggunakan sebuah alat perekam tanpa berhubungan langsung dengan objek kajian.
Penginderaan jauh mampu menghasilkan data spasial (keruangan) yang susunan geometrinya mendekati keadaan sebenarnya dari permukaan bumi dalam jumlah banyak dan waktu yang cepat. Keadaan ini membutuhkan suatu sisitem pengolahan dan penanganan data yang tepat agar dapat dimanfaatkan secara maksimal. Terkait dengan hal tersebut, beberapa komponen utama yang mendasari penginderaan jauh antara lain sumber tenaga, atmosfer, interaksi tenaga elektromagnetik dengan objek, sensor dan wahana, pengolahan data, dan pengguna. Komponen-komponen tersebut dapat digambarkan sebagai berikut (Gambar 2.1).
10
Gambar 2.1 Komponen Penginderaan Jauh (Sutanto, 1994)
Pemanfaatan penginderaan jauh baik dilihat dari jumlah penggunaan maupun frekuensinya selama enam dasawarsa terakhir ini meningkat tajam (Sutanto, 1986). Hal ini dilandasi oleh beberapa faktor, antar lain :
1. Citra dapat menggambarkan obyek, daerah, dan gejala di permukaan bumi dengan ujud dan letak obyek yang mirip di permukaan bumi, lengkap dalam menggambarkan kenampakan permukaan bumi, meliputi daerah yang luas dan permanen;
2. Dari jenis citra tertentu dapat ditimbulkan gambaran tiga dimensional apabila pengamatannya dilakukan dengan alat yang disebut stereoskop;
3. Karakteristik objek yang tampak dapat diwujidkan dalam bentuk citra sehingga dapat dimungkinkan pengenalan objeknya;
4. Citra dapat dibuat secara cepat meskipun untuk daerah yang sulit dijelajahi secara terrestrial;
5. Merupakan satu-satunya cara untuk pemetaan daerah bencana;
6. Citra merupakan alat yang baik untuk memantau (monitoring) perubahan penggunaan lahan.
Kemampuan penginderaan jauh dalam mengumpulkan informasi di permukaan bumi tidak diragukan lagi. Seperti yang diungkapkan pula oleh Purbowaseso (1996), penginderaan jauh diaplikasikan guna mengumpulkan informasi yang diperlukan untuk mengartikan berbagai macam komponen lingkungan kita yang lebih baik.
11
2.2 Karakteristik Pantulan Spektral Vegetasi dan Hubungannya dengan Penginderaan Jauh
Respon spektral objek yang terbaca oleh sensor penginderaan jauh berkaitan dengan sifat energi elektromagnetik objek. Besarnya energi elektromagnetik yang yang terpancar dari setiap objek di permukaan bumi yang kemudian ditangkap oleh sensor penginderaan jauh tergantung dari sifat fisik maupun otik objek itu sendiri. Menurut Myers (1983), parameter yang mempengaruhi pantulan kanopi vegetasi antara lain.
1. Sifat transmisi dedaunan.
2. Jumlah dan susunan keruangan daun.
3. Karakteristik aspek vegetasi yang meliputi aspek batang, tangkai, dan dahan.
4. Karakteristik latar belakang vegetasi tumbuh.
5. Sudut azimuth, sudut pandang dan sudut zenith matahari.
Tiga objek utama yang dapat di kenali secara langsung melalui citra penginderaan jauh adalah vegetasi, tanah, dan air. Ke tiga objek ini jika dilihat dari kurva pantulan spektralnya memiliki perbedaan kurva yang cukup signufikan sehingga mudah dalam identifikasinya. Dari ketiga objek tersebut, vegetasi paling banyak memiliki variasi pantulan spektralnya yakni tinggi pada saluran hijau, rendah pada saluran biru dan merah, dan sangat tinggi pada saluran inframerah dekat. Berikut grafik kurva pantulan spektral khusus untuk vegetasi (Gambar 2.2)
12
Gambar 2.2 Karakteristik respon spektal vegetasi hijau (Hoffer dalam Swain Davis 1978)
Secara umum informasi vegetasi dapat diperoleh pada wilayah spektral antara 0,4 µm – 2,6 µm dengan karakteristik sebagai berikut (Swain Davis, 1978):
1. Gelombang tampak (0,4 µm – 0,7 µm) ; pigmentasi mendominasi respon spektral pada wilayah ini.
2. Inframerah dekat (0,8 µm – 1,2 µm) ; pantulan gelombang pada panjang gelombang ini tampak meningkat secara jelas karena daun hijau menyerap sangat sedikit energi pada wilayah ini.
3. Inframerah tengah (1,3 µm – 2,6 µm) ; air menyerap energi dengan kuat khususnya pada panjang gelombang ini. Semakin berkurang tingkat kelembaban pada daun, pantulan yang terjadi justru semakin tnggi.
Ketiga aspek tersebut di atas menjadi ciri khas pengenalan objek vegetasi di permukaan bumi melalui pendekatan panjang gelombang.
Sedangkan tinggi rendahnya pantulan vegetasi pada berbagai panjang gelombang dipengaruhi oleh struktur internal daun, pigmen warna (klorofil),
13
dan kandungan air. Serapan yang tinggi pada saluran merah dan biru inilah yang membuat mata manusia menagkap warna hijau pada daun sehat karena saluran hujau memiliki daya serap rendah. Lain halnya dengan daun yang layu atau tidak sehat. Kandungan klorofil yang sedikit, otomatis mengakibatkan serapan tenaga pun berkurang sehingga dengan sendirinya pantulan saluran merah justru akan bertambah. Kondisi inilah yang mengakibatkan daun yang tidak sehat berwarna pucat kekuningan. Untuk saluran inframerah dekat kurva pantulan akan sangat tinggi untuk daun sehat. Hal ini sebagai akibat dari berkurangnya serapan energy dan bertambahnya pantulan yang justru didominasi oleh kandungan air. Karena daun hijau memiliki kandungan air yang tinggi maka pantulan pada saluran inframerah dekat inipun sangat dominan, bahkan lebih tinggi dari saluran hijau. Dengan demikian daun sehat memiliki pantulan tinggi pada saluran hijau dan sangat tinggi pada saluran inframerah dekat.
Sebagaimana disebutkan bahwa tiga objek yang dapat secara langsung dikenali melalui penginderaan jauh adalah vegetasi, tanah, dan air. Ketiga objek ini memberikan variasi kurva pantulan yang berbeda namun sama- sama kuat pada kisaran panjang gelombang 0,7µm – 1,3µm. Seiring dengan perkembangan ilmu penginderaan jauh, maka saat ini telah dikembangan berbagai teknik untuk mempermudah pengenalan objek di permukaan bumi termasuk vegetasi. Terdapat beberapa macam cara untuk menonjolkan aspek vegatasi yakni dengan transformasi digital, diantaranya penisbahan saluran, pengurangan saluran, dan indeks vegetasi. Transformasi ini dapat dikelompokkan menjadi dua, yaitu (a) transformasi yang dapat mempertajam informasi tertentu, namun sekaligus menghilangkan atau menekan informasi yang lain; (b) transformasi yang meringkas informasi dengan cara mengurangi dimensionalitas data (Danoedoro, 2012). Dari ketiga transformasi digital untuk vegetasi tersebut, indeks vegetasilah yang sering digunakan dalam berbagai penelitian. Danoedoro, 2012 menyebutkan bahwa indeks vegetasi mampu menonjolkan aspek kerapatan vegetasi ataupun aspek lain yang berkaitan dengan kerapatan, misalnya biomasaa, Leaf Area Index (LAI), konsentrasi klorofil dan sebagainya.
14 2.3 Sistem Satelit ALOS
ALOS (Advanced Land Observing Satellite) merupakan satelit buatan Jepang yang berhasil diluncurkan pada 24 Januari 2006 dengan pesawat peluncur roket H-IIA dari lokasi peluncuran Tanegashima Space Jepang bagian selatan (JAXA, 2006). Misi utama satelit ini selain untuk pengamatan daratan adalah untuk memberikan kontribusi terhadap aplikasi kartografi.
Pergerakan satelit ALOS yang sinkron matahari ini berada pada ketinggian 691,65 km di atas ekuator, dengan inklinasi 98,16 º dan resolusi temporal 46 hari. Dengan massa kurang lebih 4000 kg, satelit ALOS hanya dirancang untuk dapat beroperasi selama 3-5 tahun pada orbitnya.
Satelit ALOS dilengkapi dengan 4 kelebihan untuk misi pemetaan, yakni 1) menghasilkan DEM (Digital Elevation Model) dengan akurasi ketinggian 3-5 m dalam resolusi 2,5 m; 2) menghasilkan pemetaan tanpa titik control tanah, atau yang biasa disebut GCP (Ground Control Point); 3) mampu menghasilkan daerah pemetaan yang luas, dengan lebar liputan hingga 70 m; 4) dan memiliki kapasaitas penanganan data yang besar.
Kelebihan-kelebihan di atas tersebut didukung dengan kemampuan satelit ALOS sendiri yang dilengkapi dengan 3 sensor sekaligus, terdiri dari 2 sensor optik yakni PRISM (Panchromatic Remote Sensing Instrument for Stereo Mapping) dan sensor AVNIR-2 (Advence Visible and Near Infrared Radimeter type-2), dan sebuah sensor gelombang mikro yakni PALSAR (Phased Array type L-Band Syntetic Aperture Radar).
Sensor PRISM membawa kamera pankromatik dengan resolusi spasial 2,5m pada nadir. Sensor ini terdiri dari 3 buah sistem optik, forward; nadir dan backward yang masing-masing sistem optik membawa 3 cermin dan beberapa detector CCD. Sensor yang bergerak dengan metode pushbroom ini memiliki kemampuan pengarah sensor melintang jejak satelit kurang leih 1,5º sehingga mampu mencakup area dengan lebar 70 km untuk nadir dan 35 km untuk forward dan backward.
AVNIR-2 merupakan bentuk sempurna dari generasi sebelumnya, yakni AVNIR yang semula menghasilkan resolusi spasial 16 meter menjadi
15
10 meter. Citra yang dihasilkan dari perekaman oleh sensor AVNIR-2 terdiri dari 4 band, 3 band pada saluran tampak antara lain saluran biru (0,45 µm – 0,52 µm), saluran hijau (0,52 µm – 0,60 µm), merah (0,63 µm – 0,69 µm) dan 1 band inframerah dekat (0,76 µm – 0,89 µm). Karena keunggulannya inilah maka citra hasil perekaman AVNIR-2 diibaratkan sebagai QuickBird atau WorldView-2-nya DigitalGlobe.
Kemudian sensor ALOS yang terakhir adalah PALSAR. Sensor ini merupakan sensor radar yang memiliki resosusi spasial 10 meter hingga 100 meter. Bergerak pada kisaran frekuensi 1,27 GHz dan merupakan misi lanjutan dari Synthetic Aperture Radar (SAR) dalam bentuk yang lebih sempurna dari apa yang sudah dipasanga pada satelit JERS-1 (Japanase Earth Resources Satellite-1). Kelebihan dari sensor ini adalah dapat menembus awan dan hujan, dengan kata lain terbebas dari gangguan cuaca.
Penelitian kali ini memanfaatkan citra satelit ALOS dengan sensor AVNIR-2 yang sangat mendikung untuk kajian vegetasi di permukaan bumi. Berikut produk data standar AVNIR-2 yang disajikan dalam tabel 2.1.
Tabel 2.1 Produk Data Standar ANVIR-2 Level Defenisi
IA
Susunan data digital yang belum dipadatkan yang dilengkapi dengan koefisienkalibrasi radiometrik dan koefisien koreksi geometrik. Data dengan pengambilan miring-maju, tegak dan miring-mundur
disimpan dalam masing-masing file tersendiri
IB1 Data yang sudah dikalibrasi secara radiometrik pada masukan sensor 1B2 Data yang sudah dikoreksi geometrik secara sistematis
2.4 Citra Satelit ALOS AVNIR-2 Hubungannya dengan Interpretasi Vegetasi di Indonesia
Citra satelit ALOS merupakan salah satu satelit sumberdaya alam yang banyak dimanfaatkan untuk kajian di darat, perairan, maupun atmosfer. Dengan sensor AVNIR-2nya yang memiliki resolusi spasial mencapai 10 meter, citra ini mampu menyajikan kenampakan di permukaan bumi secara jelas dengan saluran multispektralnya yang terdiri dari 4 band
16
(visible dan Inframerah). Seiring dengan perkembangan ilmu dan teknologi penginderaan jauh saat ini, pemanfaatan citra satelit ALOS AVNIR-2 sudah mulai berkembang sebagai alat analisis dalam bidang kehutanan kerana kemampuan resolusinya spasialnya yang tinggi tersebut.
Indonesia sebagai salah satu negara yang memiliki kawasan hutan tropis terbaik dunia tentunya membutuhkan suatu kebijakan tersendiri dalam hal pengelolaan dan pemanfaatan hutan. Seperti yang tertulis dalam PP No.24 tentang perlindungan hutan dalam pasal 1 menyebutkan bahwa
„Perlindungan hutan adalah usaha untuk mencegah dan membatasi kerusakan hutan, kawasan hutan dan hasil hutan, yang disebabkan oleh perbuatan manusia, ternak, kebakaran, daya-daya alam, hama dan penyakit, serta mempertahankan dan menjaga hakhak negara, masyarakat dan perorangan atas hutan, kawasan hutan, hasil hutan, investasi serta perangkat yang berhubungan dengan pengelolaan hutan‟. Dengan keunggulannya tersebut citra satelit ALOS AVNIR-2 dapat menjadi salah satu sarana untuk managemen hutan di Indonesia.
Sebaimana kita ketahui bahwa setiap objek di permukaan bumi memiliki karakteristik pantulan spektral yang berbeda-beda, begitupun vegetasi. Secara umum pantulan spektral vegetasi akan tinggi pada panjang gelombang 0,7µm – 1,3µm. Karena ALOS AVNIR-2 memiliki julat panjang gelombang yang diperlukan untuk identifikasi vegetasi maka banyak penelitian memanfaatkan citra ini untuk kajian vegetasi. Seperti yang dilakukan oleh Anisa Pambudi dkk yang menggunakan citra ALOS AVNIR-2 untuk meneliti keberadaan stok karbon hutan di sebagian Kabupaten Kutai Barat. Variasi panjang gelombang yang dimiliki citra ALOS AVNIR-2 inilah yang memungkinkan dapat dilakukan berbagai macam penelitian dengan menurunkan informasi baik secara langsung maupun tidak langsung.
Proses pengenalan dan pemetaan objek dipermukaan bumi khususnya yang berkaitan dengan kerapatan vegetasi hutan pada penelitian kali ini tentunya membutuhkan citra dengan resolusi spasial yang baik. Citra ALOS AVNIR-2 menjadi salah satu pilihan dalam melakukan hal tersebut.
17
Berdasarkan citra satelit ALOS AVNIR-2 saluran hujau (0,52-0.60 µm) dan inframerah dekat (0,76-0.89 µm) dapat diturunkan informasi kerapatan vegetasi. Baik secara visual maupun dengan memanfaatkan keunggulan tiap saluran ALOS ANVIR-2 tersebut.
Tiap-tiap saluran citra satelit peka terhadap respons spektral objek pada julat panjang gelombang tertentu. Hal inilah yang menyebabkan nilai piksel pada berbagai saluran spektral sebagai cerminan tanggapan spektral dari objek pun bervariasi. Adanya variasi tanggapan spektral yang terdapat pada citra multispektral ALOS AVNIR-2 inilah yang menjadi salah satu kelebihannya.
2.5 Interpretasi Citra 2.5.1 Interpretasi Visual
Data penginderaan jauh yang disebut dengan citra penginderaan jauh adalah hasil dari interaksi antara tenaga elektromagnetik dengan objek di permukaan bumi. Untuk dapat menyadap informasi tertentu dari citra ada tiga tahap, yakni deteksi, identifikasi dan menilai arti pentingnya obyek. Ke tiga tahap tesebut termasuk dalam proses interpretasi (Sutanto, 1986).
Menurut Sutanto, 1986 interpretasi citra merupakan perbuatan mengkaji foto udara dan atau citra dengan maksud untuk mengidentifikasi obyek dan menilai arti pentingnya obyek tersebut. Ada sembilan unsur interpretsi seperti yang dikemukakan oleh Sutanto (1986), meliputi rona/warna, bentuk, ukuran, tekstur, pola, bayangan, situs, dan asosiasi. Berikut penjelasannya.
1. Rona dan warna
Adalah tingkat kegelapan/kecerahan objek pada citra, dengan demikian rona merupakan tingkatan dari hitam ke putih atau sebaliknya. Sedangkan warna adalah wujud yang tampak pada mata, menunjukkan tingkat kegelapan yang beragam. Mata kita menangkap warna hijau merah ataupun biru karena pantulan dari objek yang diamati. Pada citra penginderaan jauh khususnya untuk identifikasi kerapatan vegetasi rona dan warna ini sangat penting
18
karena dapat menunjukkan tingkat kerapatan kanopinya. Semakin gelap warna akan semakin rapat vegetasi.
2. Bentuk
Merupakan variabel kualitatif yang memberikan kerangka suatu objek.
Dalam konteks ini bentuk dapat berupa bentuk yang tampak dari luar (umum). Misalnya dalam hal ini bentuk sungai akan berbeda dengan bentuk jalan. Bentuk gunung akan berbeda dengan bentuk lembah, dan sebagainya.
3. Ukuran
Merupakan atribut objek yang berupa jarak, luas, tinggi, lereng, dan volume.
Ukuran objek di permukaan bumi berbeda-beda dan hal ini dapat diamati melalui citra penginderaan jauh. Ukuran juga berkaitan dengan skala, semakin detil skala semakin besar dan jelas objek yang diamati. Ukuran gedung bertingkat otomatis akan berbeda dengan pabrik. Ukuran vegetasi tegakan akan berbeda denfan vegetasi berupa semak belukar.
4. Tekstur
Biasa dinyatakan dalam wujud kasar, halus, ataupun bercak-bercak. Tekstur ini merupakan gabungan dari bentuk, ukuran, pola, bayangan, dan rona.
Tekstur dari sawah berbeda dengan tekstur dari tegalan pada citra penginderaan jauh.
5. Pola
Merupakan ciri yang menandai bagi banyak objek buatan manusia dan beberapa objek alamiah yang membentuk susunan keruangan. Mengerucut pada suatu susunan, misalnya pola teratur pada pemukiman mewah dan pola tidak teratur pada pemukiman liar.
6. Bayangan
Objek atau gejala yang terletak di daerah bayangan umumnya tidak tampak sama sekali ayau tampak samar-samar. Namun demikian, bayangan merupakan faktor penting untuk mengamati objek-objek yang tersembunyi.
Biasanya unsur interpretasi bayangan digunakan untuk mengamati objek yang tinggi. Vegetasi yang tinggi cenderung akan membentuk bayangan ketimbang vegetasi yang lebih rendah.
19 7. Situs
Merupakan hasil pengamatan dari hubungan antar objekdi lingkungan sekitarnya atau letak suatu objek terhadap objek lain. Penting dalam identifikasi objek vegetasi, karena jenis vegetasi tertentu berada pada lokasi tertentu.
8. Asosiasi
Keterkaitan antara objek satu dengan yang lain, berdasarkan asosiasi ini apabila telah dikenali suatu objek tertentu maka dapat dijadikan petunjuk bagi pengenalan objek yang lain. Sebagai contoh sawah irigasi pasti berasosiasi dengan sungai atau dekat dengan sumber mata air karena digunakan sebagai pengairan sawah tersebut.
Namun demikian tidak serta merta ke sembilan unsur interpretasi tersebut digunakan secara serentak dalam identifikasi objek di permukaan bumi. Ada unsur-unsur interpretasi yang kadang tidak perlu digunakan ketika sudah teridentifikasi. Semakin banyak unsur interpretasi yang dikenali maka semakin mengerucut pada satu informasi objek tertentu.
Selain ke sembilan unsur interpretasi tersebut di atas, sebenarnya tingkat keberhasilan interpretasi bersifat subjektif, artinya tergantung pada si penafsir. Menurut Lillesand et al (2007) keberhasilan interpretasi tergantung pada pengetahuan dan pengalaman penafsir, sifat objek yang dikaji, dan kulitas citra yang digunakan.
2.5.2 Pre-prosesing Citra
Citra hasil rekaman dari sensor penginderaan jauh tidak ada yang sempurna. Kondisi atmosfer saat perekaman, efek gerakan sensor, dan konfigurasai permukaan bumi mengakibatkan citra hasil rekaman sensor tersebut banyak mengalami kesalahan. Kesalahan inilah yang selanjutnya perlu dikoreksi agar dapat mendukung kegiatan pemetaan dan kajian kewilayahan lainnya. Beberapa parameter kualitas citra yang sring digunakan oleh para praktisi antara lain (Danoedoro, 2012); (a) tutupan
20
awan dan gangguan kabut, (b) korelasi antar saluran, (c) kesalahan geometri, dan (d) kesalahan radiometri.
Proses perbaikan kualitas citra agar menghasilkan citra yang siap pakai untuk aplikasi tertentu disebut restorasi citra yang dalam penerapannya proses ini sering disebut dengan tahap pre-prosesing citra karena dilakukan sebelum melakukan pengolahan citra lebih lanjut. Pada penelirtian kali ini dilakukan dua tahap pre-prosesing citra antara lain koreksi radiometri dan geometri citra.
2.5.2.1 Koreksi Geometri
Koreksi geometri adalah perbaikan kemencengan, rotasi, dan perspektif citra akibat bentuk permukaan bumi yang melengkung, ketidakstabilan satelit, maupun karena arah pengamatan yang tidak tegak lurus permukaan bumi (sudut sensor tidak nol atau tidak ke arah nadir) hingga citra memiliki orientasi, proyeksi, dan anotasi sesuai dengan yang ada pada peta. Menurut Danoedoro, 1996 koreksi geometri adalah penempatan kembali posisi piksel sedemikian rupa sehingga pada citra digital yang tertransformasi dapat dilihat gambaran obyek di permukaan bumi yang terekam sensor. Koreksi geometri ini dapat dilakukan dengan dua cara pertama dengan menggunakan data dari wahana (model geometri orbital) dan pengetahuan mengenai distorsi internal, kedua dengan transformasi berdasarkan GCP (Ground Control Points) (Mather 2004, dalam Danoedoro 2012).
Pada dasarnya setiap metode koreksi geometri citra baik bersumber dari wahana maupun transformasi GCP sama-sama membutuhkan titik kontrol lapangan atau GCP. GCP adalah suatu lokasi pada permukaan bumi yang dapat diidentifikasi pada citra dan sekaligus dikenali posisinya pada peta (Jansen, 2005). Untuk itu hal pertama yang harus dilakukan dalam koreksi geometri adalah menentukan titik kontrol (GCPs = Ground Control Points). Titik kontrol ini berupa obyek yang terlihat pada citra sekaligus terlihat pada peta rujukan yang digunakan dalam koreksi geometri. Titik kontrol tersebut dapat berupa persimpangan antara sungai dengan jalan
21
ataupun persimpangan jalan, dan beberapa obyek lain yang tampak dengan jelas pada citra maupun pada peta rujukan.
Sebaran titik GCP yang digunakan dalam koreksi geometri bersifat subjektif, dapat berbeda-beda setiap orang. Namun pada dasarnya nilai GCP ini tetap terkontrol dengan adanya RMSE (Root Mean Square Error).
RMSE digunakan untuk mengukur distorsi. Menurut Jansen (2005) RMSE yang diperbolehkan adalah <0,5. Semakin kecil RMSE semakin tinggi tingkat kedetilan peta.
2.5.2.2 Koreksi Radiometri
Koreksi radiometri ditujukan untuk memperbaiki nilai piksel agar sesuai dengan yang seharusnya dengan mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama. Efek atmosfer menyebabkan nilai pantulan obyek di permukaan bumi yang terekam oleh sensor menjadi bukan merupakan nilai aslinya. Nilai pantulan menjadi lebih besar oleh karena adanya hamburan atau lebih kecil karena proses serapan. Metode- metode sederhana yang sering digunakan untuk menghilangkan efek atmosfer antara lain metode pergeseran histogram (histogram adjustment), metode regresi, dan metode kalibrasi bayangan.
Mather (2004) dalam Danoedoro (2012), menyatakan bahwa ada lima faktor yang berpengaruh terhada sinyal yang diterima oleh objek (dan dicatat) oleh detektor pada sensor, yaitu :
1. Pantulan atau reflektansi objek,
2. Bentuk dan besaran interaksi atmosfer,
3. Kemiringan arah hadap lereng (aspect) tempat objek berada, relatif terhadap azimuth matahari,
4. Sudut pandang sensor, 5. Sudut kemiringan matahari.
Koreksi radiometri pada penelitian kali ini dilakukan sampai tahap kalibrasi sensor (at sensor radiance). Setiap sensor dan detektor memiliki kemampuan untuk mendeteksi nilai radiansi minimum dan maksimum
22
objek. Nilai tersebut dinyatakan dalam gain dan offset. Berikut hubungan antara nilai piksel, gain, dan offset.
Lλ = Offset λ + Gain λ *(BV)λ... (1) Dimana Gain λ = Lλ(maks) - Lλ(min) / BVλ(maks)... (2) 2.5.3 Pengolahan Citra Digital
Data penginderaan jauh yang disebut citra, tidak begitu saja dapat digunakan tanpa adanya proses pengolahan terlebih dahulu. Untuk menurunkan informasi dari citra penginderaan jauh agar dapat dimanfaaatkan untuk berbagai keperluan saat ini telah banyak perangkat lunak yang memberikan fasilitas pengolah citra baik untuk analisi citra, analisis tambahan ataupun analisis berbasis SIG.
Salah satu cara untuk menurunkan informasi tertentu pada citra satelit yakni dengan teknik klasifikasi. Ada dua macam teknik klasifikasi dalam penginderaan jauh, klasifikasi digital atau klasifikasi multispektral dan klasifikasi manual atau visual. Klasifikasi multispektral atau digital merupakan suatu algoritma yang dirancang untuk menurunkan informasi tematik dengan cara mengelompokkan fenomena berdasarkan kriteria tertentu, dan biasanya kriteria yang digunakan yakni nilai spektral atau nilai kecerahan pada beberapa saluran sekaligus. Sedang klasifikasi manual mengandalkan pada unsur-unsur interpretasi. Pada penelitian kali ini, teknik klasifikasi yang digunakan untuk menurunkan informasi berupa kerapatan vegetasi selain menggunkan teknik interpretasi manual adalah klasifiaksi digital yakni dengan transformasi indeks vegetasi.
Pada dasarnya ada beberapa macam cara untuk menentukan nilai indeks vegetasi yakni dengan membandingkan beberapa saluran (citra rasio, normaslisasi, dan transformasi), dengan membuat selisihnya (diferent vegetation index), dan tasseled cap. Namun yang digunakan dalam penelitian kali ini metode yang digunakan adalah dengan membandingakan beberapa saluran pada citra satelit ALOS AVNIR-2 menggunakan beberapa tranformasi indeks vegetasi. Beberapa metode trasnsformasi indeks vegetasi yang umum digunakan antara lain transformasi NDVI (Normalized
23
Different Vegetation Index), RVI (Ratio Vegetation Index), TVI (Transformation Vegetation Index), dan MSAVI (Modified Soil Adjusted Vegetation Index).
2.5.3.1 Indeks Vegetasi
Indeks vegetasi merupakan hasil informasi nilai spektral dari beberapa saluran untuk menonjolkan nilai spektral vegetasi. Dengan demikian indeks vegetasi mampu dijadikan sebagai dasar dalam analisis tingkat kerapatan vegetasi masupun analisis lain yang berhubungan dengan aspek vegetasi. Donoedoro (1996) menuliskan beberapa bentuk trasnsformasi indeks vegetasi, antara lain sebagai berikut.
Ratio Vegetation Indeks (RVI), merupakan salah satu indeks vegetasi yang paling sederhana. Memiliki formula sebagai berikut.
RVI =NIR/red ………. (3)
Normalized Difference vegetation Index (NDVI), merupakan kombinasi antara teknik penisbahan dengan teknik pengurangan citra. Saluran yang digunakan dalam transformasi NDVI ini adalah saluran merah dan inframerah dekat. Saluran merah dengan julat panjang gelombang antara 0,4-0,7µm akan memberikan serapan maksimal pada cahaya yang datang akibat dari adanya klorofil pada proses fotosintesis. Sedangkan saluran inframerah dekat (0,7-1,2 µm) justru memberkan pantulan yang tinggi sebagai akibat adanya jaringan mesophyll daun. Formula NDVI yang dikembangkan oleh Meijerink et al. (1994) sebagai berikut:
NDVI = (NIR-red) / (NIR+red)………... (4)
Transformed Vegetation Index (TVI), adalah transformasi yang dikembangkan untuk menghindari hasil negative pada NDVI.
Formulanya adalah sebagai berikut.
TVI =√{(NIR-Red) / (NIR+Red)} + 0,5……….. (5)
Modified Soil Adjusted Vegetation Index (MSAVI), merupakan suatu transformasi indeks vegetasi yang dikembangkan dari trasnsformasi NDVI untuk meminimalkan pengaruh pantulan nilai tanah pada NDVI, dengan formula sebagai berikut.
24
MSAVI = (2 (NIR) + 1 - √(2(NIR)²+8(NIR-Red))/2.... (6)
2.6 Interpretasi Hibrida
Klasifikasi objek di permukaan bumi selain dengan interpretasi visual dan digital, dapat pula dilakukan dengan menggabungkan dua metode tersebut sekaligus yang dinamakan dengan interpretasi hibrida. Metode interpretasi hibrida yang dilakukan oleh Lo and Choi (2004) adalah dengan menggabungakan klasifikasi terselia dan tak terselia. Menurutnya, metode tersebut dapat meningkatkan hasil akurasi. Berbeda dengan Lo dan Choi, Suharyadi (2010) melakukan penelitian menggunakan interpretasi hibrida untuk densifikasi bangunan di kota Yogyakarta dengan mengkombinasikan antara interpretasi visual dan interpretasi digital. Hasilnya ternyata memberikan tingkat ketelitian hingga 84,31 %.
Serupa dengan penelitian yang dilakukan oleh Suharyadi (2010), penelitian yang dilakukan di Kabupaten Gunungkidul ini mengkombinasikan antara interpretasi visual dan digital namun untuk identifikasi kerapatan vegetasi. Mengingat interpretasi visual dan digital sama-sama memiliki kelebihan dan kekurangan masing-masing, diharapkan dengan menggabungkan kedua metode interpretasi tersebut dapat meningkatkan tingkat akurasi hasil baik dilihat dari sisi kualitas maupun kuantitas citra tersebut. Berikut ini perbandingan antara metode interpretasi visual dan digital (tabel 2.2).
25
Tabel 2.2 Kelebihan dan kekurangan metode interpretasi visual dan digital Metode
Interpretasi Kelebihan Kekurangan
interpretasi visual
1. Lebih optimal, karena selain rona atau warna juga
mempertimbangkan unsur
interpretasi lainnya, seperti tekstur, bentuk, ukuran, asosiasi dsb.
2. Hasil interpretasi lebih mudah digunakan untuk analisis lebih lanjut, seperti pemodelan spasial.
3. Tidak terlalu terpengaruh gangguan/kerusakan pada citra sepanjang tidak terlalu parah, seperti kabut awan atau stripping (kerusakan berupa garis-garis pada citra).
1. konsistensi rendah, jangankan orang yang berbeda, satu orang yang sama ketika melakukan
interpretasi dua kali pada citra yang sama hasilnya bisa berbeda.
2. Kurang efisien jika dihadapakan pada wilayah yang luas.
3. Kualitatif dan subyektif, sangat tergantung kemampuan dan pengalaman interpreter.
interpretasi digital
1. Kuntitatif dan lebih objektif, karena didasarkan pada analisis data numerik (nilai piksel) menggunakan algoritma statistik.
2. Efisien dihadapkan pada daerah yang luas. Hanya perlu menunjuk wilayah-wilayah tertentu sebagai sampel, bahkan pada metode klasifikasi tak terselia tidak perlu menunjuk sampel sama sekali.
1. Kurang optimal karena hanya mempertimbangkan rona dan warna, sehingga apabila ada objek yang berbeda tetapi mempunyai rona atau warna akan terklasifikasikan menjadi satu kelas.
2. Hasil klasifikasi umumnya sulit digunakan untuk analisis lebih lanjut seperti pemodelan spasial, hal ini dikarenakan jumlah poligon yang terlalu banyak.
3. Memerlukan kondisi citra yang benar- benar bebas dari gangguan kabut, awan, dsb.
Sumber : Samruni, 2009 dalam Gunawan, 2010
Tanpa mengurangi tingkat kepercayaan dari interpretasi hibrida seperti yang telah disebut di atas, penelitian kali ini mencoba menerapkan
26
teknik interpretasi hibrida dengan menggabungkan antara interpretasi visual dan digital. Interpretasi visual dengan citra resolusi tinggi sedangkan interpretasi digital mengggunakan beberapa transformasi indeks vegetasi pada citra satelit ALOS AVNIR-2.
Selama ini metode interpretasi hibrida yang dilakukan oleh beberapa peneliti telah banyak diterapkan untuk kajian daerah perkotaan. Penelitian kali ini mencoba menerapkan metode interpretasi hibrida dengan menggabungkan antara interpretasi citra penginderaan jauh resolusi tinggi secara visual dengan interpretasi digital menggunakan beberapa indeks vegetasi untuk kajian kerapatan hutan di Kabupaten Gunungkidul yang notabene Kabupaten tersebut masih didominasi oleh tutupan lahan berupa hutan. Salah satu penelitian yang juga menggunakan metode interpretasi hibrida untuk kajian kanopi vegetasi pernah dilakukan oleh Gunawan (2009) di Kabupaten Kulonprogo dengan hasil yang memuaskan. Untuk itu penelitian kali ini mencoba melakukan apa yang sudah dilakukan oleh peneliti sebelumnya dengan memasukkan unsur interpretasi citra resolusi tinggi kemudian menganalisis hasilnya.
2.7 Akurasi Interpretasi
Berbicara akurasi berarti berbicara tentang kualitas data spasial.
Seberapa layak data spasial yang dihasilkan dapat dijadikan sebagai bahan masukan dalam analisis keruangan. Akurasi menjadi sangat penting karena menggambarkan tingkat kebenaran dari peta yang dihasilkan selain aspek kualitas data spasial lainnya, yakni presisi, metadata, skala dan standar.
Aspek kulaitas data spasial baik akurasi, persisi, metadata, skala dan standar menjadi sangat penting dalam analisis data penginderaan jauh.
Namun pada penelitian kali ini kualitas data spasial yang menjadi sorotan adalah tentang akurasi semantik, yakni akurasi pada isi informasi tematik yang dihasilkan pada peta.
Akurasi semantik dari peta yang dihasilkan dapat diterima oleh pengguna jika mencaai ambang batas nilai akurasi keseluruhan, yakni 85%.
27
Hal ini senada dengan pernyataan Campbell (2002) dalam Suharyadi (2010), bahwa standar minimum bagi penutup/penggunaan lahan berbasis penginderaan jauh mempunyai ambang batas nilai akurasi keseluruhan sebesar 85%. Harapannya dalam penelitian kali ini, tingkat akurasi yang dihasilkan bisa lebih baik dari standar tersebut mengingat metode interpretasi yang digunakanpun merupakan kombinasi dari metode interpretasi visual dan digital.
2.8 Kajian Vegetasi
Vegetasi erat kaitannya dengan lingkungan. Hal ini tidak terlepas dari bagaimana vegetasi tersebut sangat mempengruhi berbagai aspek di permukaan bumi. Kehutanan berhubungan dengan vegetasi, ruang terbuka hijau berbicara tentang vegetasi, hingga pertanian pun sangat dekat dengan apa yang namanya vegetasi. Vegetasi dalam bahasan kali ini tidak hanya dipandang sebagai individu, namun merupakan kumpulan tanaman yang homogen yang meliputi wilayah tertentu di permukaan bumi.
Penelitian kali ini tidak memfokuskan pada tipe vegetasi, melainkan liputan vegetasi khususnya kerapatan hutan. Bagaimana kondisi kerapatan liputan vegetasi hutan di daerah kajian. Hal ini penting dilakukan mengingat kondisi hutan di Indonesia terus mengalami penurunan dari tahun ke tahun. Bahkan menurut data dari FWI & GFW (2001) dalam Sahid (2005) laju kerusakan hutan pada tahun 1990-an tidak kurang dari dua juta hektar per tahun atau dua kali lebih cepat dibandingkan laju kerusakan hutan pada tahun 1980-an. Jika kondisi ini tetap dibiarkan maka tidak heran bila Indonesia yang dikenal karena hutan tropisnya yang kaya sekarang bisa jadi dikemudian hari hanya tinggal sejarah.
Salah satu jalan untuk meminimalisasi kerusakan hutan yang terus meluas dari tahun ke tahun ini adalah dengan melakukan survei, pengukuran, dan pemetaan hutan. Dengan begitu bisa dilihat bagaimana status kawasan hutan, potensi, serta sebaran sumberdaya hutan sehingga pengelolaan hutan akan semakin optimal.
28 2.9 Penelitian Sebelumnya
Y. Hirose dkk melakukan penelitian yang berkaitan dengan pemetaan vegetasi dengan menggunakan metode hybrid pada tahun 2003 . Metode hybrid yang dimaksud disini adalah metode interpretasi citra dengan mengggabungan antara hasil analisa klasifikasi secara segmen based dan image based melalui pendekatan nilai piksel dengan metode maksimum likelihood. Adanya gangguan yang muncul ketika menggunakan metode klasifikasi maksimum likelihood seperti kenampakan objek yang sangat kecil justru menjadi kunci penting dalam penggunaan metode ini. Gangguan tersebut dijadikan dasar dalam penggabungan antara klasifikasi berbasis objek dengan klasifikasi berbasis piksel (maksimum likelihood).
Penelitan lain yang dilakukan oleh A. Rahman As-Syukur dan I.W.
Sandi Adnyana tahun 2009 juga mengkaji tentang vegetasi, bagaimana kaitan antara indeks vegetasi yakni NDVI, SAVI dan MSAVI dengan persentasi vegetasi. Hasilnya transformasi NDVI dan MSAVI memiliki akurasi yang lebih baik dibandingkan dengan SAVI.
Lo dan Choi dalam penelitiannya yang berjudul “Pemanfaatan Citra Satelit landsat ETM+ untuk Pemetaan Penutup/Penggunaan Lahan di Kota Metropolitan Atlanta Negara Bagian Georgia Amerika Serikat”
menggunakan pendekatan hibrida dalam interpretasi objek kajian. Metode interpretasi hibrida yang digunakan yakni dengan menggabungkan antara pendekatan supervised dan unsupervised dari data citra satelit Landsat ETM+. Hasil yang didapat menyebutkan bahwa pendekatan hibrida mempunyai akurasi keseluruhan 91,50 persen.
Penelitian lain yang menggunakan metode hibrida dilakukan pula oleh Suharyadi tahun 2010. Berbeda dengan penelitian sebelumnya, kali ini Suharyadi menggabungkan antara interpretasi visual citra satelit resolusi tinggi dengan interpretasi digital citra satelit resolusi menengah untuk kajian densifikasi bangunan di daerah perkotaan Yogyakarta. Prinsip dari metode hibrida yang dilakukan oleh Suharyadi ini adalah dengan mengkombinasikan antara kelebihan-kelebihan yang dimiliki oleh interpretasi visual dan interpretasi digital. Interpretasi visual unggul dalam
29
hal kedetilan objek namun tingkat konsistensi interpretasi rendah sedangkan interpretasi digital mampu mengenali objek secara homogen namun kurang untuk objek yang heterogen dengan tingkat konsisitensi tinggi. Hasil dari penelitian yang dilakukan oleh beliau menyebutkan bahwa metode hybrid ini memiliki tingkat akurasi ketelitian pemetaan sebesar 84,31 persen.
Penggunaan metode hibrida untuk kajian kerapatan kanopi vegetasi pernah dilakukan oleh Endra Gunawan tahun 2010 yakni dengan interpretasi secara visual untuk membedakan variable fotomorfik dan interpretasi digital menggunakan beberapa transformasi indeks vegetasi, antara lain NDVI, SAVI dan MSAVI. Dalam penelitian ini Endra lebih menekankan pada analisis nilai spektral dari citra yang digunakan (ASTER) dengan tingkat kerapatan vegetasi.
Penelitian lain yang menggunakan trasnformasi indeks vegetasi juga dilakukan oleh Candra Djati Kartika pada tahun 2010 di Kabupaten Malang Selatan. Penelitian yang mengkaji tentang lahan kritis ini memanfaatkan transformasi indeks vegetasi yakni FCD, NDVI, RVI, DVI dan MSAVI sebagai salah satu masukan dalam pembuatan peta liputan lahan yang juga menjadi salah satu parameter dalam penentuan lahan kritis. Dari hasil klasifikasi liputan lahan hasil ekstraksi citra Landsat ETM+ dengan beberapa metode trasnformasi indeks vegetasi tersebut di atas selanjutnya di uji tingkat akurasinya berdasarkan hasil uji lapangan.
Mengacu pada penelitian-penelitian tersebut di atas terutama yang berkaitan dengan metode hibrida dan trasnsformasi indeks vegetasi, maka penelitian yang akan dilakukan oleh Monica Mayda Pratiwi (2012) mencoba menerapkan metode hibrida yang dilakukan oleh Suharyadi (2010) untuk pemetaan kerapatan tegakan hutan di Kabupaten Gunungkidul. Penelitian ini menggunakan citra satelit resolusi tinggi untuk menentukan kelas kerapatan vegetasi dan citra satelit resolusi menengah untuk ekstraksi data mengenai indeks vegetasinya. Kunci interpretasi hibrida untuk menentukan tingkat kerapatan vegetasi diperoleh setelah dilakukan analisi korelasi antara hasil transformasi indeks vegetasi dengan nilai kerapatan hasil lapangan.
30
Perbedaan maupun persamaan penelitian kali ini dengan penelitian sebelumnya dapat dilihat pada tabel 1.2.
2.10 Kerangka Pemikiran
Citra satelit penginderaan jauh untuk dapat dimanfaatkan oleh banyak kalangan harus diinterpretasi terlebih dahulu. Ada banyak metode yang digunakan untuk menurunkan informasi dari citra penginderaan jauh yang pada dasarnya sama-sama digunakan untuk mempermudah identifikasi dan analisis objek tertentu di permukaan bumi. Tingkat kepercayaan dari setiap metode interpretasi sangat penting, untuk itu diperlukan suatu informasi yang dapat dijadikan dasar pembuatan peta agar siap pakai.
Informasi bantu ini berupa data lapangan.
Sensor penginderaan jauh merekam informasi objek di permukaan bumi dengan menerjemahkannya dalam bentuk piksel. Karena setiap objek memiliki karakteristik spektral yang berbeda, maka nilai piksel yang terbaca pun berbeda. Dasar inilah yang dijadikan sebagai patokan dalam melakukan pembedaan antar objek di permukaan bumi terutama untuk analisis penginderaan jauh digital. Salah satu objek di permukaan bumi yang dapat secara langsung disadap melalui citra penginderaan jauh adalah vegetasi.
Kajian mengenai vegetasi belakangan ini menjadi lebih sering dilakukan mengingat perkembangan fisik wilayah yang begitu cepat memberikan dampak buruk bagi keberadaan vegetasi. Biar bagaimanapun vegetasi memberikan pengaruh besar bagi kemakmuran masyarakat, jika ternyata keberadaan vegetasi dari tahun ke tahun cenderung berkurang maka akan berdampak negatif bagi masyrakat itu sendiri.
Perkembangan ilmu dan teknologi penginderaan jauh menjadi alat yang sangat efektif dalam menyajikan fenomena vegetasi di permukaan bumi. Kemampuannya dalam memberikan informasi secara cepat sangat sesuai digunakan untuk analisis sebaran vegetasi ataupun yang berkaitan dengan informasi vegetasi lainnya seperti informasi kerapatan tegakan hutan.
31
Citra satelit ALOS AVNIR-2 merupakan salah produk dari satelit penginderaan jauh ALOS yang menggunakan saluran biru (0,42-0.5 µm), saluran hijau (0,52-0,6 µm), merah (0,61-0,64 µm) dan inframerah dekat (0,76-0,89 µm). Sehingga citra satelit dengan sensor ANIR-2 ini tergolong ke dalam citra multispektral. Melihat pada julat panjang gelombang yang disajikan oleh citra ALOS AVNIR-2 ini maka sangat dimungkinkan untuk melakukan kajian mengenai vegetasi, karena vegetasi itu sendiri sangat peka terhadap saluran inframerah dekat. Terlebih dengan keunggulan ALOS AVNIR-2 yang memiliki resolusi spasial 10 meter, maka untuk kajian vegetasi tentu saja hasilnya akan lebih baik.
Transformasi indeks vegetasi adalah salah satu metode yang dapat diterapkan pada citra satelit ALOS AVNIR-2 untuk menonjolkan objek vegetasi serta mengetahui persebarannya. Ini merupakan teknik manipulasi citra yang menggunakan beberapa saluran sekaligus dalam teknik analisisnya. Transformasi indeks vegetasi menghasilkan nilai kecerahan yang mempresentasikan objek vegetasi, semakin tinggi nilai kecerahannya maka semakin banyak pula tutupan kanopi vegetasinya. Untuk mendapatkan nilai kecerahan ini ada beberapa transformasi indeks vegetasi yang digunakan antara lain Ratio Vegetation Index (RVI), Normalized Difference Vegetation Index (NDVI), Transformed Vegetation Index (TVI), dan Modified Soil Adjusted Vegetation Index (MSAVI).
Lain halnya dengan citra satelit Google Earth. Citra ini tergolong ke dalam citra satelit resolusi tinggi setara dengan citra satelit QuickBird.
Kualitas spasial dari gambar yang dihasilkan inilah yang menyebabkan citra resolusi tinggi banyak dimanfaatkan dalam kajian keruangan termasuk vegetasi. Melalui citra satelit ini, objek vegetasi dapat terlihat dengan jelas baik sebaran maupun kerapatannya.
Keunggulan-keunggulan yang dimiliki oleh citra satetit seperti yang tersebut di atas, melalui analisis citra penginderaan jauh dapat dikombinasikan untuk mendapatkan hasil akhir yang maksimal, khususnya kajian tentang vegetasi. Analisis piksel vegetasi dilakukan menggunakan metode transformasi citra pada citra ALOS AVNIR-2 sedangkan untuk
32
mengetahui kerapatan vegetasi menggunakan analisis visual citra yang bersumber dari Google Earth. Metode tersebut dirancang untuk mendapatkan hasil akurasi yang baik, sama halnya dengan metode interpretasi hibrida. Interpretasi hibrida yang dilakukan pada penelitian kali ini yakni dengan mengkombinasikan antara interpretasi visual dan digital dengan maksud mendapatkan hasil akurasi pemetaan yang lebih baik.
Teknik interpretasi dengan menggunakan metode transformasi citra menghasilkan nilai kecerahan indeks vegetasi, sedangkan untuk memaksimalkan hasil analisis kerapatan vegetasi digunakanlah teknik interpretasi citra resolusi tinggi. Hasil dari interpretasi visual citra resolusi tinggi adalah tingkat kerapatan vegetasi. Dari sini kemudian diambil contoh sampel guna dicocokkan dengan hasil transformasi indeks vegetasi sebagai dasar penyusunan algoritma untuk mempermudah klasifikasi kerapatan vegetasi. Algoritma untuk kerapatan vegetasi yang didapat dari proses interpretasi hibrida tersebut kemudian dijadikan sebagai dasar dalam pembuatan peta kerapatan vegetasi.
33
Gambar 2.3 Karangka pemikiran Interpretasi Digital Interpretasi Manual
NDVI RVI TVI MSAVI
Analisis Korelasi Interpretasi Hibrida
Klasifikasi Kerapatan Kanopi Vegetasi dengan Korelasi Terbaik
Peta Kerapataan Kanopi Vegetasi
Citra Satelit Resolusi Tinggi Perkembangan Ilmu dan
Teknologi Penginderaan Jauh
Pemetaan Kerapatan vegetasi
Citra Satelit Penginderaan Jauh ALOS AVNIR-2
Interpretasi Citra
Managemen Pengelolaan Hutan yang Buruk
34
Sejalan dengan perkembangan IPTEK (Ilmu Pengetahuan dan Teknologi) maka berdampak pula pada perkembangan model dan metode penelitian. Guna menghindari adanya overlap antar satu peneliti dengan peneliti yang lain, di bawah ini disajikan tabel 2.3 yang menggambarkan perbandingan penelitian yang sudah dilaksanakan dan penelitian yang adan dilaksanakan.
