PEMANFAATANGOOGLEEARTHENGINEUNTUKMEMANTAU PERUBAHANLUASANHUTANMANGROVEDIPROBOLINGGO
APPLICATIONOFGOOGLEEARTHENGINEFORMONITORING MANGROVEFORESTCHANGESINPROBOLINGGO
Bambang Semedia,*, Marjono Marjonob, Ni Luh Eka Savitric, Viona Faiqoh Hikmawatic, Gerardus David Ady Purnama Bayuajia, Nova Dewi Safitri Syam’sa, Novia Fara Dizaa
aFakultas Perikanan dan Ilmu Kelautan, Universitas Brawijaya, Malang, Indonesia
bFakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Brawijaya, Malang, Indonesia
cSekolah Pascasarjana Universitas Brawijaya, Jalan MT. Haryono, Malang, Indonesia
*Koresponden penulis: [email protected]
Abstrak
Mangrove merupakan tumbuhan intertidal yang memilki peran ekologi, fisik, dan sosial ekonomi untuk daerah pesisir. Mangrove di Indonesia menunjukkan penurunan kondisi seiring berjalannya waktu, termasuk di wilayah Probolinggo, Jawa Timur. Faktor utama yang memicu berkurangnya mangrove yaitu aktivitas manusia yang mengubah area mangrove menjadi tambak, permukiman, dan sebagainya. Oleh karena itu, penelitian ini bertujuan untuk memantau tutupan mangrove di Probolinggo melalui integrasi penginderaan jauh dan sistem informasi geografis sebagai bentuk kontribusi dalam kegiatan pemantauan yang diharapkan dapat menjadi acuan dalam penentuan arah pengelolaan mangrove. Luas mangrove dianalisis dari citra Sentinel 2A menerapkan indeks vegetasi Normalized Difference Vegetation Index (NDVI) yang diolah menggunakan Google Earth Engine (GEE). Hasil penelitian menunjukkan terjadi perubahan luas mangrove di Probolinggo setiap tahunnya. Total luas mangrove tertinggi terjadi pada tahun 2020 bernilai 687,15 Ha dan nilai luas mangrove terendah terjadi pada tahun 2022 sebesar 241,13 Ha. Nilai NDVI tertinggi selama tahun 2019-2023 memiliki nilai paling besar 0,87 (rapat) pada tahun 2020-2021 dan nilai paling kecil 0,55 (jarang) pada tahun 2022. Hasil uji akurasi memiliki nilai Overall Accuracy sebesar 86% sehingga hasil klasifikasi sebaran mangrove dari citra Sentinel 2A menggunakan indeks vegetasi NDVI di Probolinggo dapat diterima. Akan tetapi, penambahan sampel uji akurasi masih diperlukan supaya dapat menghasilkan tingkat akurasi yang lebih baik.
Kata kunci: Mangrove; GEE; Sentinel 2A; NDVI
Abstract
Mangroves are intertidal plants that have ecological, physical, and socioeconomic roles for coastal areas.
Mangroves in Indonesia show a decline in condition over time, including in the Probolinggo region, East Java.
The main factor that triggers mangrove decline is human activities that convert mangrove areas into ponds, settlements, etc. Therefore, this study aimed to monitor mangrove cover in Probolinggo through the integration of remote sensing and geographic information systems as a way of monitoring activities that are expected to be a reference in determining the direction of mangrove management. The mangrove area was analyzed from Sentinel 2A imagery applying the Normalized Difference Vegetation Index (NDVI) processed using Google Earth Engine (GEE). The results showed that there were changes in mangrove area in Probolinggo every year.
The highest total mangrove area occurred in 2020 amounting to 687.15 Ha and the lowest total mangrove area occurred in 2022 amounting to 241.13 Ha. The highest NDVI value during 2019-2023 had the greatest value of 0.87 (dense) in 2020-2021 and the smallest value of 0.55 (sparse) in 2022. The accuracy test results had an Overall Accuracy value of 86% so that the classification results of mangrove distribution from Sentinel 2A images using the NDVI vegetation index in Probolinggo were acceptable. However, additional accuracy test samples are still needed to produce a better accuracy level.
Keywords: Mangrove; GEE; Sentinel 2A; NDVI
1. PENDAHULUAN
Mangrove adalah kelompok tumbuhan pantai yang hidup di kawasan intertidal.
Tumbuhan ini berpengaruh besar terhadap kesehatan komponen biotik, abiotik dan sosial ekonomi masyarakat. Fungsi mangrove secara ekologi yaitu menjadi tempat mencari makan, tempat pemijahan, dan tempat pengasuhan berbagai biota. Ekosistem mangrove secara fisik memiliki kemampuan untuk melindungi wilayah pesisir dari abrasi, badai, dan tsunami.
Mangrove memiliki fungsi ekonomi pula, utamanya bagi sektor perikanan. Selain itu, mangrove juga menjadi ekosistem blue carbon yang mempunyai peran dalam upaya mitigasi terhadap perubahan iklim global [1]
Indonesia mempunyai potensi sumberdaya mangrove yang sangat besar. Luas mangrove di Indonesia pada tahun 2010 mencapai 5.209.543,16 hektar, namun terus mengalami perunanan luas dengan sangat cepat. Enam tahun berselang tepat pada tahun 2016, luas mangrove di Indonesia diketahui hanya tersisa sebesar 2.496.186 hektar [2]. Penuruanan luas ekosistem mangrove hampir terjadi di seluruh pesisir Indonesia, termasuk di Probolinggo.
Hasil penelitian terdahulu menginformasikan bahwa Kabupaten Probolinggo dan Kota Probolinggo mempunyai mangrove dengan luas 74,68 Ha yang tersebar seluas 6,13 Ha di Kelurahan Ketapang, 19,34 Ha di Kelurahan Mangunharjo, 12,30 Ha di Kelurahan Mayangan, 20,09 Ha di Kelurahan Pilang, dan 16,82 Ha di Kelurahan Sukabumi. Faktor utama pemicu degradasi mangrove di Probolinggo adalah peningkatan kebutuhan manusia untuk dijadikan tambak, perumahan, kawasan industri, dan eksploitasi yang berlebihan [3].
Degradasi mangrove yang terjadi dalam kurun waktu sangat cepat perlu ditangani dengan cepat pula. Pemantauan mangrove secara konvensional dinilai kurang efisien serta membutuhkan tenaga dan biaya yang sangat besar. Salah satu metode paling tepat untuk memantau mangrove dalam waktu singkat yaitu dengan memanfaatkan teknologi penginderaan jauh yang diintegrasikan dengan sistem informasi geografis. Penginderaan jauh dikatakan sebagai teknik paling efisien untuk pemantauan ekosistem mangrove karena mampu menjangkau daerah yang sulit untuk
dilakukan pengukuran lapangan [4]. Hasil identifikasi mangrove menggunakan citra akan terlihat lebih jelas apabila didukung oleh citra bresolusi spasial tinggi dan penggunaan indeks vegetasi yang tepat.
Salah satu citra yang mempu merekan mangrove dengan baik adalah citra Sentinel 2.
Citra Sentinel 2 terdiri atas dua satelit identik yaitu citra Sentinel 2A dan Sentinel 2B [5].
Citra ini memiliki resolusi spasial cukup tinggi yakni 10 meter [6], serta dapat memunculkan hasil polarisasi backscatter dan nilai indeks vegetasi sehingga cocok untuk pemetaan lahan pesisir, termasuk identifikasi vegetasi mangrove atau non mangrove [7]. Indeks vegetasi yang umum diterapkan untuk identifikasi mangrove menggunakan citra satelit Sentinel 2 adalah Normalize Difference Vegetation Index (NDVI). NDVI digunakan untuk mengklasifikasikan nilai kerapatan tajuk dan mengklasifikasikan kerusakan vegetasi mangrove berdasarkan nilai pantulan gelombang merah dan inframerah. Nilai pantulan gelombang tersebut sangat sensitif untuk mendeteksi keberadaan vegetasi [8].
Proses penyediaan data citra hingga olah data pemetaan mangrove akan membutuhkan waktu lama jika dilakukan melalui interpretasi citra secara konvensional. Hal tersebut dapat diatasi dengan memanfaatkan platform Google Earth Engine (GEE) yang menawarkan pengolahan geo-big data berbasis cloud.
Beberapa keuntungan menggunakan GEE yaitu mampu mengakses data ukuran sangat besar, proses analisis dan visualisasi dapat dilakukan tanpa komputer spesifikasi tinggi, dan mampu memproses citra dengan cepat.
Pengolahan data spasial dan visualisasi pengolahan data pada GEE menggunakan JavaScript [9].
Berdasarkan pemaparan di atas, maka penelitian ini bertujuan untuk mengkaji perubahan luas mangrove di Probolinggo selama periode tahun 2019-2023 memanfaatkan citra satelit Sentinel 2A dan indeks vegetasi NDVI yang dianalisis pada platform Google Earth Engine (GEE). Hasil penelitian merupakan bentuk kontribusi kegiatan pemantauan mangrove dan diharapkan dapat menjadi acuan dalam penentuan arah pengelolaan mangrove. Hal tersebut sejalan dengan penelitian [10] yang menyatakan bahwa penelitian kesehatan
mangrove menggunakan GEE sangat penting dalam upaya pelestarian dan pengelolaan ekosistem pesisir. Informasi visual dan analisis spasial yang dihasilkan memungkinkan pemantauan berkelanjutan terhadap kesehatan ekosistem mangrove, termasuk perubahaan luas lahan, kepadatan vegetasi, dan potensi kerusakan akibat faktor alam atau manusia.
Pendekatan ini dapat menghasilkan kebijakan pengelolaan yang tepat sasaran, responsif, dan memberikan strategi pelestarian ekosistem pesisir yang berkelanjutan.
2. METODE Lokasi Penelitian
Lokasi penelitian berada di wilayah pesisir utara Kabupaten Probolinggo, Provinsi Jawa Timur yang ditumbuhi oleh mangrove.
Gambaran lokasi penelitian dapat dilihat pada (Gambar 1). Analisis perubahan luasan mangrove di lokasi kajian dilaksanakan dalam periode 5 tahun yakni mulai tahun 2019 hingga 2023.
Gambar 1. Lokasi Penelitian
Data Penelitian
Penelitian ini menggunakan data sekunder berupa citra Sentinel 2A yang didapatkan langsung dari Google Earth Engine (GEE)
pada laman
https://code.earthengine.google.com/
menggunakan bahasa pemrograman JavaScript. Dibutuhkan pula vektor polygon batas adminitrasi Probolinggo yang diunduh dari laman Badan Informasi Geospasial https://tanahair.indonesia.go.id/portal-web.
Alur Penelitian
Alur pengolahan data terdiri atas tiga tahap yaitu pra-pemrosesan, pemrosesan dan pasca- pemrosesan seperti yang tertera pada (Gambar 2). Tahap pra-pemrosesan meliputi penentuan lokasi penelitian serta penentuan data yang akan digunakan. Data citra Sentinel 2A yang telah diperoleh dari Google Earth Engine (GEE) kemudian dilanjutkan tahap cropping wilayah untuk menghasilkan citra yang fokus dengan lokasi penelitian. Hasil cropping kemudian dilakukan koreksi radiometrik Bottom of Atmosphere (BoA) yang bertujuan
untuk memperbaiki kualitas dari setiap piksel citra akibat gangguan atmosfer [11].
Fase pemrosesan dilakukan tahap penerapan algoritma Normalized Difference Vegetation Index (NDVI) [12]. Penerapan algoritma NDVI akan menghasilkan tampilan visual luasan mangrove. Hasil Penerapan algoritma NDVI akan dilakukan tahap klasifikasi luasan mangrove. Klasifikasi luasan
mangrove menggunakan algoritma NDVI dikelompokan ke dalam tipe mangrove rapat (dense), mangrove sedang (moderate) dan mangrove jarang (sparse) [13]. Tahap selanjutnya yaitu melakukan analisis perubahan luasan mangrove tahun 2019-2023.
Tahap akhir pasca-pemrosesan yaitu melakukan layouting peta perubahan luasan mangrove pada tahun 2019-2023.
Gambar 2. Alur Pengolahan Data
Cropping
Cropping atau pemotongan citra dilakukan untuk membatasi lokasi berdasarkan lokasi penelitian sehingga pengerjaan lebih terfokus pada daerah yang diteliti dan mempercepat proses pengolahan data. Cropping dilakukan pada citra Sentinel 2A mengikuti data vektor polygon Kabupaten Probolinggo dan Kota Probolinggo menggunakan fungsi clip. Selain menggunakan fungsi clip, dilakukan juga penggunaan fungsi “filter date” pada GEE untuk memilih citra yang berbeda pada rentang waktu tertentu, sehingga dapat diperoleh citra terbaik dalam kurun waktu yang diinginkan.
Rentang waktu yang digunakan dalam penelitian ini adalah 2019-01-01 sampai 2019- 12-30 untuk pengamatan tahun 2019, 2020-01-
tahun 2020, 2021-01-01 sampai 2021-12-30 untuk pengamatan tahun 2021, 2022-01-01 sampai 2022-12-30 untuk pengamatan tahun 2022, dan 2023-01-01 sampai 2023-05-30 untuk pengamatan tahun 2023. Hasil akhir berupa data citra Sentinel 2A dengan pengamatan masing-masing tahun pada lokasi penelitian.
Cloud Masking
Sentinel 2A dihasilkan dari satelit dengan sensor pasif sehingga perlu dilakukan cloud masking. Cloud masking adalah proses untuk mendeteksi awan dan bayangan. Cloud masking menggunakan algoritma Fmask melalui beberapa tahapan layer untuk mendeteksi awan secara representatif [14].
Algoritma NDVI
Analisis kerapatan mangrove dilakukan dengan NDVI menggunakan band Red dan Near Infra-Red (NIR) dalam pengindraan jauh untuk mengetahui indeks vegetasi dari satelit [7]. Algoritma NDVI dinyatakan dengan persamaan berikut.
𝑁𝐷𝑉𝐼 =(𝑁𝐼𝑅−𝑅)
(𝑁𝐼𝑅+𝑅) (1)
Keteragan:
NIR = nilai reflektansi spektral band NIR R = nilai reflektansi spektral band merah Klasifikasi Kerapatan Mangrove
Klasifikasi kerapatan mangrove dilakukan melalui interpretasi ci2tra setelah diterapkan algoritma NDVI. Tingkat kerapatan mangrove hasil ekstraksi NDVI berkisar antara -1 hingga 1 [4]. Nilai NDVI kurang dari nol merupakan objek bukan vegetasi seperti awan dan air, sedangkan objek vegetasi berkisar dari 0-1 [15]. Tingkat kerapatan mangrove dibagi menjadi tiga kelas, antara lain kategori mangrove jarang (sparse), mangrove sedang (moderate), dan mangrove rapat (dense).
Klasifikasi kerapatan mangrove terdapat pada (Tabel 1Error! Reference source not found.).
Tabel 1. Klasifikasi Kerapatan Mangrove
Kategori Mangrove Kelas
Jarang 0,36 – 0,61
Sedang 0,62 – 0,74
Rapat 0,75 – 1,00
Sumber: [13]
Analisis Sebaran Mangrove
Analisis persebaran mangrove dilakukan menggunakan fungsi split pada ArcMap.
Fungsi split yaitu untuk mengetahui persebaran mangrove pada masing-masing kecamatan di wilayah pesisir Probolinggo. Fungsi split menggunakan data vektor polygon kecamatan di wilayah Probolinggo dan data vektor hasil klasifikasi kerapatan mangrove.
Analisis Luas Perubahan Mangrove
Analisis luas perubahan mangrove dilakukan untuk mengetahui luas mangrove pada masing-masing kecamatan di wilayah Probolinggo. Analisis ini dilakukan dengan
Microsoft Excel melalui konversi data shapefile menjadi (.xlsx) menerapkan fungsi table to excel pada ArcMap. Hasil akhir yaitu luas area mangrove pada masing-masing kecamatan di wilayah Probolinggo.
Uji Akurasi Sebaran Mangrove
Proses uji akurasi bertujuan untuk menentukan tingkat keakuratan proses klasifikasi [10]. Penelitian ini melakukan uji akurasi berdasarkan nilai Overall Accuracy pada tabel confussion matrix. Kebenaran hasil klasifikasi dinyatakan memenuhi syarat apabila memiliki persentase Overall Accuracy melewati batas minimal sebesar 85% [10], [12]. Sampel uji akurasi dibuat secara acak meliputi 100 titik kawasan mangrove dan 100 titik kawasan non mangrove pada citra beresolusi tinggi Google Earth Pro (sumber rujukan). Titik sampel uji akurasi kemudian dibandingkan dengan sebaran mangrove hasil klasifikasi citra Sentinel 2A.
3. HASILDANPEMBAHASAN
Sebaran dan Perubahan Luasan Lahan Mangrove
Visualisasi perubahan luas mangrove di Probolinggo, Jawa Timur dari hasil pengolahan data citra Sentinel 2A tahun 2019- 2023 tertera pada (Gambar 3). Kawasan yang teridentifikasi sebagai mangrove ditunjukkan oleh warna hijau. Sementara itu, jumlah luas mangrove pada setiap kecamatan di Probolinggo selama tahun 2019-2023 dapat diketahui melalui (Tabel 2Error! Reference source not found.). Hasil olah data mengindikasikan bahwa setiap tahunnya luas mangrove di Probolinggo mengalami fluktuasi cukup tinggi. Secara keseluruhan, total luas mangrove tertinggi terjadi pada tahun 2020 bernilai 687,15 Ha, sementara nilai luas mangrove terendah terjadi pada tahun 2022 sebesar 241,13 Ha. Pemicu utama penurunan mangrove di Probolinggo adalah tekanan dari aktivitas manusia [11]. Salah satu contohnya adalah pembangunan tol Pasuruan- Probolinggo di pantai utara yang merusak mangrove di Desa Pajurangan, Kecamatan Gending, Kabupaten Probolinggo [16].
Meskipun demikian, terdapat pula pemicu lain
degradasi mangrove seperti gelombang tinggi dan parasit penghambat pertumbuhan mangrove [17].
Luas mangrove di Kecamatan Sumberasih, Kecamatan Kraksaan, dan Kecamatan Kademangan cenderung terus menurun dan hanya mengalami peningkatan pada tahun 2021. Kecamatan Tongas, Kecamatan Pajarakan, Kecamatan Paiton, dan Kecaman Gending mengalami peningkatan luas
mangrove dua kali, yakni pada tahun 2020 dan 2023. Peningkatan luas mangrove di Kecamatan Mayangan terjadi pada tahun 2020 dan 2022 sementara peningkatan luas mangrove di Kecamatan Dringu terjadi pada tahun 2020, 2022, dan 2023. Terjadinya peningkatan luas mangrove di Probolinggo mayoritas berasal dari kegiatan penanaman kembali mangrove [18].
Gambar 3. Peta Perubahan Luas Mangrove di Probolinggo Tahun 2019-2023
Tabel 2. Perubahan Luas Mangrove Tahun 2019-2023
No Kecamatan 2019 (Ha) 2020 (Ha) 2021 (Ha) 2022 (Ha) 2023 (Ha)
1 Tongas 57,97 98,47 98,07 4,88 25,86
2 Sumberasih 119,07 113,01 213,00 86,80 57,64
3 Pajarakan 39,83 51,02 50,98 24,14 34,56
4 Paiton 21,16 136,29 29,54 10,98 18,56
5 Mayangan 40,79 58,25 6,02 23,24 20,77
No Kecamatan 2019 (Ha) 2020 (Ha) 2021 (Ha) 2022 (Ha) 2023 (Ha)
7 Kademangan 60,68 39,31 71,97 43,23 25,86
8 Gending 26,31 85,57 53,20 - 21,96
9 Dringu 40,17 100,24 8,63 23,24 46,86
Total 459,38 687,15 535,63 241,13 295,08
Kondisi sebaran mangrove terbaru di Probolinggo, yakni pada tahun 2023 paling banyak tersebar di Kecamatan Sumberasih dengan luas 57,64 Ha. Kecamatan Sumberasih memiliki mangrove paling luas dikarenakan termasuk kawasan wisata yang memiliki pengelolaan cukup baik dan rujukan kegiatan sosial seperti penanaman mangrove [18].
Meskipun luas mangrove di Sumberasih merupakan yang tertinggi, tidak dapat dielak bahwa mangrove di Kecamatan Sumberasih memiliki tren penurunan yang cukup memprihatinkan. Penyebab penurunan mangrove di Kecamatan Sumberasih yaitu alih guna lahan sebagai tambak dan penambangan pasir [17].
Luas mangrove terendah tahun 2023 di Probolinggo terdapat pada dua kecamatan, yaitu Kecamatan Kraksaan seluas 18,09 Ha dan Kecamatan Paiton seluas 18,56 Ha.
Mangrove di kedua kecamatan tersebut selama lima tahun terakhir cenderung sangat rendah dibandingkan di kecamatan lain. Faktor utama pemicu kerusakan mangrove di Kecamatan Paiton adalah alih guna lahan sebagai tambak dan keberadaan PLTU Paiton yang berdampak terhadap penurunan daya dukung lingkungan untuk tumbuh kembang mangrove [11].
Sementara itu, penuruanan luas di Kecamatan Kraksaan diperkirakan akibat kegiatan antropogenik seperti pembukaan lahan sebagai tambak, pertanian, eksploitasi oleh masyarakat [16].
Tingkat Kerapatan Mangrove
Tingkat kerapatan mangrove di Probolinggo yang didasarkan pada nilai NDVI tersaji pada (Tabel 3). Objek vegetasi memiliki nilai NDVI 0 hingga 1 [11]. Nilai indeks vegetasi mendekati 1 menunjukkan tingkat kerapatan vegetasi yang semakin tinggi [19].
Nilai NDVI tertinggi selama kurun waktu
2019-2023 memiliki nilai paling besar 0,87 (rapat) pada tahun 2020 dan 2021, sedangkan nilai paling kecil 0,55 (jarang) pada tahun 2022. Tahun 2020 merupakan masa ketika Probolinggo memiliki nilai luasan mangrove paling besar dan diikuti pula dengan tingkat kerapatan mangrove rapat. Kondisi berlawanan terjadi pada tahun 2022, yakni luas mangrove dan nilai NDVI tertinggi waktu itu merupakan yang terendah diantara empat tahun lainnya.
Hal ini sejalan dengan penelitian [11] yang menyatakan penurunan luas mangrove diikuti dengan tingkat kerapatan mangrove yang semakin jarang.
Tabel 3. Nilai NDVI Kerapatan Lahan Mangrove
No Tahun Nilai Tertinggi
1 2019 0,85
2 2020 0,87
3 2021 0,87
4 2022 0,55
5 2023 0,85
Hasil Uji Akurasi Sebaran Mangrove Sebaran spasial mangrove di Probolinggo divalidasi dengan kondisi lapang menggunakan sejumlah 200 titik melalui perbandingan dengan data citra beresolusi tinggi pada Google Earth Pro. Hasil uji akurasi klasifikasi mangrove menggunakan tabel confussion matrix penelitian ini ditunjukkan oleh Tabel 4. Uji akurasi terhadap klasifikasi sebaran mangrove dari citra Sentinel 2A menggunakan indeks vegetasi NDVI di Probolinggo memperoleh nilai Overall Accuracy sebesar 86%. Nilai Overall Accuracy melebihi 85% menunjukkan bahwa hasil klasifikasi citra dinyatakan benar dan bisa diterima [10], [12]. Akan tetapi, penambahan sampel uji akurasi masih diperlukan supaya dapat menghasilkan tingkat akurasi yang lebih baik.
Tabel 4. Tabel Confussion Matrix Uji Akurasi Sebaran Mangrove
Kelas Data Pembanding
Total User Accuracy Mangrove Non Mangrove
Hasil Klasifikasi
Mangrove 80 20 100 80%
Non Mangrove 9 91 100 91%
Total 89 111 200
Producer Accuarcy 90% 82%
Overall Accuarcy 86%
4. KESIMPULAN
Mangrove di wilayah Probolinggo terus mengalami perubahan luasan setiap tahunnya.
mengalami perubahan luasan. Total luas mangrove tertinggi terjadi pada tahun 2020, sementara nilai luas mangrove terendah terjadi pada tahun 2022. Berdasarkan nilai NDVI, Penurunan luas mangrove di Probolinggo diikuti pula oleh kerapatan mangrove yang semakin jarang. Pemicu utama penurunan mangrove di Probolinggo adalah tekanan dari aktivitas manusia. Kecamatan Sumberasih memiliki mangrove paling luas karena didukung oleh pengelolaan mangrove yang baik. Kecamatan Kraksaan dan Kecamatan Paiton cenderung memiliki luas mangrove paling rendah dibandingkan kecamatan lainnya karena memiliki aktivitas antropogenik paling tinggi. Hasil uji akurasi memiliki nilai Overall Accuracy sebesar 86% sehingga hasil klasifikasi sebaran mangrove dari citra Sentinel 2A menggunakan indeks vegetasi NDVI di Probolinggo dapat diterima sehingga dapat dijadikan acuan dalam penentuan arah pengelolaan mangrove di Probolinggo.
5. UCAPANTERIMAKASIH
Terima kasih penulis ucapkan kepada Sekolah Pasca Sarjana Universitas Brawijaya yang telah meberikan bantuan dana untuk pelaksanaan penelitian ini melalui Dana Masyarakat Dokumen Pelaksanaan Anggaran, Perguruan Tinggi Negeri Berbadan Hukum Universitas Brawijaya.
6. DAFTARPUSTAKA
[1] I. W. E. Dharmawan, Y. I. Ulumuddin, B. Prayudha, and Pramudji, Panduan Monitoring Struktur Komunitas Mangrove di Indonesia. 2020.
[2] A. Rizal, “Economic value estimation
of mangrove ecosystems in Indonesia,”
Biodivers. Int. J., vol. 2, no. 3, pp. 1–4, 2018, doi: 10.15406/bij.2018.02.00051.
[3] A. P. Widyantara and T. Solihuddin,
“Pemetaan perubahan luasan lahan mangrove di Pesisir Probolinggo menggunakan citra satelit,” J.
Penginderaan Jauh dan Pengolah.
Data Citra Digit., vol. 17, no. 2, pp. 75–
87, 2020, [Online]. Available:
http://dx.doi.org/10.30536/j.pjpdcd.20 20.v2.a3216.
[4] S. A. Muzakki, A. Z. A. Mourniaty, P.
Rahardjo, and H. Triyono, “Pemetaan dan evaluasi kesehatan hutan mangrove di Kabupaten Karawang menggunakan Landsat Multitemporal,” J. Kelaut. dan Perikan. Terap., vol. 4, no. 2, pp. 137–
143, 2021, doi:
10.15578/jkpt.v4i2.10527.
[5] L. Wang, M. Jia, D. Yin, and J. Tian,
“A review of remote sensing for mangrove forests: 1956–2018,” Remote Sens. Environ., vol. 231, no. December
2018, 2019, doi:
10.1016/j.rse.2019.111223.
[6] S. Firmansyah, J. Gaol, and S. B.
Susilo, “Perbandingan klasifikasi SVM dan Decision Tree untuk pemetaan mangrove berbasis objek menggunakan citra satelit Sentinel-2B di Gili Sulat, Lombok Timur,” J. Pengelolaan Sumberd. Alam dan Lingkung., vol. 9, no. 3, pp. 746–757, 2019, doi:
10.29244/jpsl.9.3.746-757.
[7] J. A. A. Castillo, A. A. Apan, T. N.
Maraseni, and S. G. Salmo, “Estimation and mapping of above-ground biomass of mangrove forests and their replacement land uses in the Philippines using Sentinel imagery,” ISPRS J.
Photogramm. Remote Sens., vol. 134, pp. 70–85, 2017, doi:
10.1016/j.isprsjprs.2017.10.016.
[8] Rafdinal, A. Raynaldo, and E. Subrata,
“Pemetaan kawasan mangrove di Kabupaten Mempawah Kalimantan Barat menggunakan citra Landsat 8,” J.
Tengkawang, vol. 11, no. 2, pp. 98–105, 2021.
[9] T. R. Fariz, P. I. Permana, F. Daeni, and A. C. P. Putra, “Pemetaan ekosistem mangrove di Kabupaten Kubu Raya menggunakan Machine Learning pada Google Earth Engine,” J. Geogr., vol.
18, no. 2, pp. 83–89, 2021, doi:
10.15294/jg.v18i2.30231.
[10] A. D. Rahmawati and R. A. Ari,
“Google Earth Engine: Pemanfaatan platform pemetaan berbasis Cloud Computing dalam mendeteksi distribusi mangrove dengan citra Sentinel-2 di Jakarta,” Semin. Nas.
Geomatika 2021 Inov. Geospasial dalam Pengurangan Risiko Bencana, no. February, pp. 423–434, 2022.
[11] D. T. Prakoso, “Pemanfaatan Enhanced Built-Up and Bareness Index (EBBI) untuk pemetaan kawasan terbangun dan lahan kosong di Kota Semarang,”
Universitas Diponegoro, 2018.
[12] B. M. Sukojo and Y. N. Arindi,
“Analisa perubahan kerapatan mangrove berdasarkan nilai Normalized Difference Vegetation Index menggunakan citra Landsat 8 (Studi kasus: Pesisir Utara Surabaya),”
Geoid, vol. 14, no. 2, pp. 1–5, 2019, doi: 10.12962/j24423998.v14i2.3874.
[13] Husnayaen, P. Amela, D. P. Arini, and I. K. A. Putra, “Pemetaan sebaran dan kerapatan hutan mangrove menggunakan Machine Learning pada Google Earth Engine dan sistem
informasi geografi di Pulau Bali,” J.
Perikan., vol. 13, no. 1, pp. 266–277, 2023.
[14] J. J. Sinabutar, B. Sasmito, and A.
Sukmono, “Studi Cloud Masking menggunakan Band Quality Assessment, Function of Mask dan Multi-Temporal Cloud Masking pada citra Landsat 8,” J. Geod. Undip, vol. 9, no. 3, pp. 51–60, 2020.
[15] A. Kawamuna, A. Suprayogi, and A. P.
Wijaya, “Analisis kesehatan hutan mangrove berdasarkan metode klasifikasi NDVI pada citra Sentinel-2 (Studi kasus : Teluk Pangpang Kabupaten Banyuwangi),” J. Geod.
Undip, vol. 6, no. 1, pp. 277–284, 2017.
[16] M. I. Zakaria, “Pemetaan kesehatan mangrove dengan menggunakan metode penginderaan jauh di Pesisir Probolinggo bagian timur, Provinsi Jawa Timur,” Universitas Brawijaya, 2019.
[17] D. Wijaya, Suryono, and N. Soenardjo,
“Ekologi mangrove di pesisir Kecamatan Tongas dan Sumberasih Kabupaten Probolinggo, Jawa Timur,”
J. Mar. Res., vol. 8, no. 2, pp. 218–222, 2019.
[18] D. V. Emelia, “Estimasi stok karbon pada vegetasi mangrove menggunakan citra satelit Sentinel-2 di wilayah Probolinggo, Jawa Timur,” Universitas Brawijaya, 2021.
[19] S. Irawan and J. Sirait, “Perubahan kerapatan vegetasi menggunakan Citra Landsat 8 di Kota Batam berbasis Web,” J. Kelaut., vol. 10, no. 2, pp.
174–184, 2017, doi:
10.21107/jk.v10i2.2685.
