3 METODOLOGI

3.1 Waktu dan Tempat

Pemrosesan awal data citra satelit dilakukan pada bulan Februari – Juni

2005. Pengambilan data insitu pada bulan Juli 2005, kemudian dilanjutkan

dengan pemrosesan akhir (data hasil survei lapang dan data citra satelit) sampai

dengan bulan Desember 2005. Lokasi studi yang dipilih untuk penelitian adalah

Berau, Kalimantan Timur yang meliputi kecamatan Sambaliung dan Talisayan.

Pemrosesan data dilakukan di Laboratorium Penginderaan Jauh dan Sistem

Informasi Geografi Kelautan, Jurusan Ilmu dan Teknologi Kelautan, Fakultas

Perikanan dan Ilmu Kelautan, IPB, Bogor. Peta lokasi studi dan posisi stasiun

pengambilan data ditampilkan pada Gambar 10.

Gambar 10 Peta lokasi studi dan posisi stasiun pengambilan data

3.2 Bahan dan Alat

26

Bahan utama yang dipergunakan pada penelitian ini adalah citra Landsat

TM dan ETM+, peta-peta pendukung (peta hasil digitasi yang dilakukan oleh the

nature conservancy/TNC Berau) serta data hasil pengukuran di lapangan.

Dalam survei lapang, ada beberapa peralatan yang digunakan untuk

mengukur parameter fisika lingkungan yang membatasi mangrove, yaitu:

(1) Thermometer, digunakan untuk mengukur suhu perairan

(2) Refraktometer, digunakan untuk mengukur salinitas (English et al. 1997)

(3) Secchi disk, digunakan untuk mengukur kecerahan (English et al. 1997)

(4) Depth gauge, digunakan untuk mengukur kedalaman

(5) Floating drouge dan stop watch, digunakan untuk mengukur kecepatan

pergerakan air (arus)

(6) Global positioning system (GPS), digunakan untuk menentukan posisi

(7) Kompas, digunakan untuk menentukan arah.

Dalam pengamatan komunitas mangrove, diperlukan: perahu motor, roll

meter, kamera, peta citra satelit Landsat-5 TM hasil pengolahan awal.

Dalam pengolahan data, beberapa peralatan yang diperlukan adalah:

seperangkat personal computer lengkap dengan printer. Software yang digunakan

meliputi ER Mapper 6.4, ERDAS Imagine 8.5, Idrisi Kilimajaro dan Arc View

3.3, serta software untuk analisis statistik SPSS 12.

3.3 Data

Kuantitas data yang diperlukan meliputi:

1) Data Spasial

Data spasial yang dipergunakan adalah citra Landsat-5 TM hasil liputan

tanggal 16 Juni 1991 serta Landsat-7 ETM+ hasil liputan tanggal 15 Mei

2000, 27 Februari 2001 dan 21 Mei 2002 (path/row : 116/059).

2) Data Lapangan

Data lapangan yang diperlukan meliputi data tentang parameter lingkungan

fisika perairan (suhu, salinitas kecerahan, kedalaman), lingkungan kimia

perairan (pH) serta data kerapatan kanopi mangrove. Data ini diperoleh dari

pengamatan langsung di lapangan pada tanggal 9-16 Juli 2005. Pengamatan

data kerapatan kanopi mangrove dilakukan pada beberapa lokasi yang

27

berbeda, dengan membuat transek berukuran 30 x 30 meter (sesuai resolusi

spasial Landsat TM) pada tiap stasiun. Pada setiap transek diidentifikasi

jenis mangrove yang dominan serta diukur persentase penutupan kanopinya.

Posisi stasiun pengambilan data lapangan ditampilkan pada Lampiran 1.

3.4 Analisis Data

Analisis digital diproses dengan menggunakan software ER Mapper 6.4,

ERDAS Imagine 8.5, Idrisi Kilimajaro dan Arc View 3.3 sedangkan analisis

visual dilakukan berdasarkan hasil identifikasi objek. ER Mapper 6.4 digunakan

untuk preprocessing, yang meliputi koreksi geometrik dan radiometrik. ERDAS

Imagine digunakan untuk melakukan transformasi produk Level 1 (L1) ke

spektral radians, pengambilan training area, uji ketelitian keterpisahan yang

meliputi transformed divergency dan jeffries-matusita distance, klasifikasi citra

serta uji ketelitian matric contingency. Idrisi Kilimajaro digunakan untuk proses

transformasi indeks vegetasi, overlay antara citra klasifikasi tahun 1991 dengan

tahun 2002 serta overlay antara citra klasifikasi dengan citra indeks vegetasi. Arc

View 3.3 digunakan untuk konversi dari data raster ke data vektor serta untuk

membuat tampilan akhir (layout). Secara lebih lengkap, proses yang dilakukan

terhadap data citra meliputi:

3.4.1 Preprocessing

Pada preprocessing dilakukan koreksi radiometrik dan koreksi geometrik.

Koreksi geometrik dilakukan untuk mendapatkan citra yang sesuai dengan posisi

yang sebenarnya di bumi. Metode yang digunakan untuk koreksi geometrik

adalah polynomial orde 1, eksekusi resampling terhadap data citra menggunakan

model nearest neighbour. Koreksi radiometrik dilakukan untuk memperbaiki

nilai-nilai pixel yang tidak sesuai dengan nilai pantulan atau pancaran spektral

objek yang sebenarnya, teknik/metode koreksi radiometrik yang digunakan adalah

penyesuaian histogram (histogram adjustment).

3.4.2 Transformasi produk Level 1 (L1) ke spektral radians

Konversi dari digital number (Qcal) produk Level 1 (L1) pada data

Landsat-5 TM ke spektral radians (Lλ) menggunakan persamaan sebagai berikut:

28

λλλ

λ LMINQQ

LMINLMAXL cal

cal

+⎟⎟⎠

⎞⎜⎜⎝

⎛ −=

max

Persamaan diatas dapat juga didefinisikan sebagai:

rescalecalrescale BQGL +×=λ

⎟⎟⎠

⎞⎜⎜⎝

⎛ −=

maxcalrescale Q

LMINLMAXG λλ

λLMINBrescale =

dimana: Lλ = spektral radians (W/(m2.sr.µm)) Qcal = nilai pixel yang dikalibrasi Qcalmax = nilai pixel minimum yang dikalibrasi (DN=255) LMINλ = spektral radians minimum (W/(m2.sr.µm)) LMAXλ = spektral radians maksimum (W/(m2.sr.µm))

Berdasarkan NASA 2007, konversi dari digital number (Qcal) produk

Level 1 (L1) Landsat-7 ETM+ ke spektral radians (Lλ) menggunakan persamaan:

( ) λλλ

λ LMINQQQQLMINLMAX

L calcalcalcal

+−∗⎟⎟⎠

⎞⎜⎜⎝

⎛−−

= minminmax

dimana: Lλ = spectral radians (W/(m2.sr.µm)) Qcal = nilai pixel yang dikalibrasi Qcalmin = nilai pixel minimum yang dikalibrasi (DN=0 untuk NLAPS

products atau 1 untuk LPGS products) Qcalmax = nilai pixel minimum yang dikalibrasi (DN=255) LMINλ = spectral radians minimum (W/(m2.sr.µm)) LMAXλ = spectral radians maksimum (W/(m2.sr.µm))

Pada Tabel 2 ditampilkan secara spesifik parameter LMINλ dan LMAXλ serta nilai Grescale dan Brescale yang digunakan untuk mengubah nilai radians pada

data Landsat-5 TM dengan tanggal akuisisi antara 1 Maret 1984 – 4 Mei 2003

serta setelah 5 Mei 2003. Pada Tabel 3 merupakan parameter yang digunakan

untuk mengubah ke nilai radians pada data Landsat-7 ETM+, untuk sistem

29

pemrosesan produk NLAPS (Qcalmin = 0) maupun produk LPGS (Qcalmin = 1).

Units spektral radians adalah W/(m2.sr.µm).

Tabel 2 Nilai Spektral Radians, LMINλ dan LMAXλ dalam W/(m2.sr.µm) pada LANDSAT-5 TM

Kanal 1 Maret 1984 – 4 Mei 2003 Setelah 5 Mei 2003

LMINλ LMAXλ Grescale Brescale LMINλ LMAXλ Grescale Brescale

1 -1,52 152,10 0,602431 -1,52 -1,52 193,0 0,762824 -1,52

2 - 2,84 296,81 1,175100 - 2,84 - 2,84 365,0 1,442510 - 2,84

3 -1,17 204,30 0,805765 -1,17 -1,17 264,0 1,039880 -1,17

4 -1,51 206,20 0,814549 -1,51 -1,51 221,0 0,872588 -1,51

5 -0,37 27,19 0,108078 -0,37 -0,37 30,2 0,119882 -0,37

6 1,2378 15,303 0,055158 1,2378 1,2378 15,303 0,055158 1,2378

7 -0,15 14,38 0,056980 -0,15 -0,15 16,5 0,065294 -0,15 Sumber : Chander and Markham 2003

Tabel 3 Nilai LMINλ dan LMAXλ dalam W/(m2.sr.µm) pada LANDSAT-7 ETM+

Kanal Sebelum 1 Juli 2000 Setelah 1 Juli 2000

Low Gain High Gain Low Gain High Gain

LMINλ LMAXλ LMINλ LMAXλ LMINλ LMAXλ LMINλ LMAXλ1 -6,2 297,5 -6,2 194,3 -6,2 293,7 -6,2 191,6

2 -6,0 303,4 -6,0 202,4 -6,4 300,9 -6,4 196,5

3 -4,5 235,5 -4,5 158,6 -5,0 234,4 -5,0 152,9

4 -4,5 235,0 -4,5 157,5 -5,1 241,1 -5,1 157,4

5 -1,0 47,70 -1,0 31,76 -1,0 47,57 -1,0 31,06

6 0,0 17,04 3,2 12,65 0,0 17,04 3,2 12,65

7 -0,35 16,60 -0,35 10,932 -0,35 16,54 -0,35 10,80

8 -5,0 244,00 -5,0 158,40 -4,7 243,1 -4,7 158,3 Sumber : NASA 2007

3.4.3 Penajaman citra (image enhancement)

Pada penelitian ini, pemilihan kanal dilakukan dengan menggunakan

optimum indeks factor (OIF). Chavez et al. (1982) mengembangkan optimum

30

index factor (OIF) untuk merangking 20 kombinasi dari tiga kombinasi kanal

yang dibuat dari enam kanal data Landsat TM (tidak termasuk infra merah

thermal). Algoritma yang digunakan adalah:

∑

∑

=

== 3

1)(

3

1

jrj

kk

Abs

SOIF

dimana:

Sk = standar deviasi untuk kanal k Abs(rj) = nilai absolut koefisien korelasi antara dua dari tiga kanal

OIF terpilih adalah yang memberikan nilai paling tinggi, karena akan

menampilkan lebih banyak warna, sehingga memberikan lebih banyak informasi.

3.4.4 Uji ketelitian keterpisahan (separability)

Keterpisahan statistik (statistical separability) merupakan suatu analisis

yang digunakan untuk menguji performansi dari sebuah pengklasifikasi.

Pengklasifikasi yang baik memiliki kemungkinan kesalahan yang sangat kecil di

dalam membedakan antara kelas yang satu dengan kelas yang lainnya.

(1) Transformed divergency

Metode transformed divergency digunakan dalam penelitian ini untuk

mengukur tingkat keterpisahan antar kelas atau signature yang diwakili oleh

training sample (Swain & Davis 1978; Jensen 1986).

Formulasi transformed divergency dapat dituliskan dengan rumus:

( )( )( ) ( )( )( )( )Tjijijijijiij CCtrCCCCtrD μμμμ −−−+−−= −−−− 1111

21

21

⎟⎟⎠

⎞⎜⎜⎝

⎛⎟⎟⎠

⎞⎜⎜⎝

⎛ −−=

8exp12000 ij

ij

DTD

dimana:

i,j = pasangan kelas/signature ke i dan j D = nilai divergensi C = matrik kovarian kelas ukuran N x N (N = jumlah kanal kombinasi)

31

µ = rataan kelas ukuran N x 1 tr,-1,T = operasi trace, inverse dan transpose matriks TD = transformed divergency

Transformed divergency memiliki nilai maksimum sebesar 2000 dimana

diperoleh kemungkinan kesalahan 0%. Melalui harga TD ini dapat ditentukan

apakah sebuah pasangan kelas memiliki keterpisahan yang baik atau kurang baik,

yaitu:

a) Jika TDij = 2000, keterpisahan kelas i dan j baik

b) Jika Tdij << 2000, keterpisahan kelas i dan j kurang baik

Jika seluruh kombinasi pasangan kelas mempunyai harga TDij = 2000,

maka diperoleh suatu pengklasifikasi dengan kemungkinan kebenaran yang

tinggi.

(2) Jeffries-matusita distance (JM)

Formula yang digunakan dalam jeffries-matusita distance (JM) adalah:

⎟⎟⎟

⎠

⎞

⎜⎜⎜

⎝

⎛

×

++−⎟⎟

⎠

⎞⎜⎜⎝

⎛ +−=

−

ji

jiji

jiTji

CC

CCCC 2)(ln

21)(

2)(

81

1

μμμμα

( )α−−= eJM ij 12

dimana:

i,j : pasangan kelas/signature ke i dan j C : matrik kovarian kelas ukuran N x N (N = jumlah kanal

kombinasi) µ : rataan kelas ukuran N x 1 ln : fungsi natural logarithm TD : determinan pada Ci

Jeffries-Matusita Distance (JM) telah memenuhi dalam pemisahan kelas

seperti transformed divergency, tapi dalam komputasinya tidak seefisien

transformed divergency.

3.4.5 Uji ketelitian matric contingency

Akurasi klasifikasi dapat diuji dengan menggunakan matric contingency

(Richards 1995; Jaya 1996). Uji ketelitian matric contingency atau lebih sering

32

disebut matrik kesalahan (confussion matrix), persentase ketelitian suatu kelas

diperoleh dari perbandingan jumlah pixel yang benar masuk pada training area

dengan jumlah pixel pada training area suatu kelas dalam matrik kontingensi

antar kelas. Persentase ketelitian klasifikasi secara keseluruhan dihitung dari

perbandingan antara jumlah pixel yang benar setiap kelas dengan total jumlah

pixel training area keseluruhan (Tabel 4).

Tabel 4 Matrik kesalahan (confussion matrix)

Hasil Klasifikasi

Training Area Total baris X+k

User’s accuracy

A B........................ … D A Xii ………………….. … … X+k Xkk/X+k B … ………………….. … … … … … … ………………….. … … … … … … ………………….. … … … … … … ………………….. … … … … D … ………………….. … Xkk … …

Total kolom Xk+ ............................. … … N … Producer’s acc Xkk/Xk+ ………………….. … … … …

Uji ketelitian yang dapat dihitung adalah overall accuracy, producer’s

accuracy, user’s accuracy dan kappa accuracy. Overall accuracy adalah

persentase dari pixel-pixel yang terkelaskan dengan tepat, sedang producer’s

accuracy adalah peluang rata-rata (%) suatu pixel yang menunjukkan sebaran dari

masing-masing kelas yang telah diklasifikasi di lapangan dan user’s accuracy

adalah peluang rata-rata (%) suatu pixel secara aktual yang mewakili kelas-kelas

tersebut. Secara matematis ukuran akurasi tersebut diformulasikan sebagai

berikut:

%100XX

= accuracy sProducer'+k

kk ×

%100XX

= accuracy sUsers'k+

kk ×

%100NX

=accuracy Overallkk×∑

33

∑

∑∑

+−

−

r

kk+k

2

r

kk++k

r

kkk

XXN

XX XN = accuracy Kappa

3.4.6 Klasifikasi citra (image classification)

Klasifikasi data digital ini berangkat dari asumsi bahwa variasi pola

peubah ganda (multivariate) dari digital number pada suatu areal mempunyai

hubungan yang sangat erat dengan kondisi penutupan tanahnya. Diasumsikan

juga bahwa penutupan lahan yang sama akan mempunyai sifat-sifat reflektansi

(nilai digital number) yang sama pula.

Klasifikasi neural network menggunakan algoritma back propagation,

yang terdiri dari input layer, hidden layer dan output layer. Input layer yang

digunakan sejumlah 6 (kanal 1, 2, 3, 4, 5 dan 7) dan 5 output layer, yaitu

meliputi: perairan, mangrove primer, mangrove sekunder, tambak, lainnya, awan.

Hal ini diilustrasikan pada Gambar 11.

Gambar 11 Ilustrasi klasifikasi neural network back propagation.

Tahap-tahap dalam klasifikasi neural network back propagation, yaitu:

Perairan

Mangrove Primer

Mangrove Sekunder

Tambak

Lainnya

h1

h2

hn b2

n

Kanal 1

Kanal 2

Kanal 3

Kanal 4

Kanal 5

Kanal 7 Awan

Masukan Proses Keluaran

34

1) Memilih pixel training untuk tiap kelas dan menetapkan output yang

diinginkan vector dm = 0,9 (m = k) dan dm = 0,1(m ≠ k)

Ada nilai target yang ANN coba dihasilkan

2) Bobot awal sebagai jumlah random antara 0 dan 1

3) Set frekuensi untuk updating bobot

(a) setelah tiap pixel training (sequential)

(b) setelah semua pixel training tiap kelas

(c) setelah semua pixel training seluruh kelas (batch)

4) Batch training umumnya digunakan untuk meminimalkan frekuensi peng-

update-an bobot

5) Propagasi data training maju melalui network

6) Setelah tiap pixel training dipropagasi kedepan melalui network,

penghitungan output o dan mengakumulasi total error relatif ke output d

∑∑ −== k

kk

P

Pod 2

1

2

)(21

2ε

Ulangi semua pola training P (pixel) untuk batch training

7) Setelah semua pixel yang ditraining digunakan, penyesuaian bobot wkj

dengan:

kj

kj wLRw

∂∂

=Δε

jS

P

Pkk hSf

dSdodLR

k

∑=

−=1

)()(

dimana LR adalah parameter learning rate yang digunakan untuk

mengontrol kecepatan convergency

8) Menyesuaikan bobot wij, dengan:

∑ ∑= ⎭

⎬⎫

⎩⎨⎧

⎥⎦⎤

⎢⎣⎡ −=Δ

P

Pi

kkjskkSkj pwSf

dSdodSf

dSdLRw

kj1

)()()(

9) Ulangi langkah 4 sampai 7 sehingga ε < threshold

3.4.7 Transformasi indeks vegetasi

35

Tingkat kerapatan kanopi mangrove diketahui melalui analisis indeks

vegetasi yang didasarkan pada adanya respon objek penginderaan jauh pada

kisaran spektrum radiasi merah dengan inframerah dekat. Indeks vegetasi yang

diperoleh merupakan nilai-nilai yang memberikan gambaran tentang tingkat

kehijauan vegetasi. Untuk mencari hubungan matematis terbaik antara penutupan

kanopi dengan algoritma indeks vegetasi digunakan analisis regresi. Formula

indeks vegetasi yang diuji pada penelitian ini ditampilkan pada Tabel 5.

Tabel 5 Beberapa formula indeks vegetasi yang dipergunakan pada penelitian

No Formula Tipe Indeks Vegetasi Rumus

1 RVI Ratio Vegetation Index RedNIRRVI =

2 TRVI Transformed RVI

dNIRTRVIRe

=

3 DVI Difference Vegetation Index

dNIRDVI Re4.2 −=

4 NDVI Normalized difference vegetation index RedNIR

RedNIRNDVI+−

=

5 GNDVI Green normalized difference vegetation index GreenNIR

GreenNIRGNDVI+−

=

6 SAVI Soil Adjusted Vegetation Index ( )L1

LRedNIRRedNIRSAVI +++

−=

7 GVI Global Vegetation Index

TM7*0.1800TM5*0.0840TM4*0.7243TM3*0.5439TM2*0.2435TM1*0.2848GVI

−++−

−−=

8 IPVI Infrared Percentage Vegetation Index ( )1NDVI

21IPVI +=

9 SLAVI Specific leaf area vegetation index MIRRed

NIRSLAVI+

=

36

Dalam analisis regresi dicobakan beberapa model persamaan sebagai

berikut:

1) Linear

( )tbbY 10 +=

2) Logarithmic

( )tbbY ln10 +=

3) Inverse

( )tbbY 10 +=

4) Quadratic 2210 tbtbbY ++=

5) Cubic 32 3210 tbtbtbbY +++=

6) Power

( )10 btbY += atau ( ) ( ) ( )( )tbbY ln10lnln +=

7) Compound

( )tbbY 10 += atau ( ) ( ) ( )( )1ln0lnln btbY +=

8) S-curve

( )tbbY 10exp += atau ( ) ( )t

bbY 10ln +=

9) Logistic

( )( )tbbu

Y101

1

+= atau ( ) ( ) ( )1ln0lnln 11 btbuy +=−

10) Growth

( )tbbY 10exp += atau ( ) tbbY 10ln +=

11) Exponential

( )tbbY 1exp0= atau ( ) ( ) tbbY 10lnln +=

dimana :

Y = persen penutupan kanopi b = konstanta t = hasil formula indeks vegetasi

(RVI, TRVI, DVI, NDVI, GNDVI, SAVI, GVI, IPVI, SLAVI)

37

Pemilihan model terbaik ditentukan dari nilai R2 (koefisien determinasi).

Pengujian hipotesis melalui analisis ragam, hal ini dimaksudkan untuk

menunjukkan apakah persen penutupan kanopi (Y) dengan hasil formula indeks

vegetasi (t) memiliki hubungan yang berarti. Hipotesis yang diuji adalah:

H0 : bi = 0

H1 : bi ≠ 0

Kriteria uji adalah jika Fhit > Ftabel maka terima H1, sebaliknya jika Fhit <

Ftabel maka terima H0.

3.4.8 Analisis komponen utama

Dalam mencari hubungan matematis terbaik antara respon spektral

mangrove dengan persentase penutupan kanopi adalah dengan menggunakan

analisis komponen utama.

Peubah bebas yang digunakan terdiri dari; x1 (kanal 2), x2 (kanal 3), x3

(kanal 4) serta x4 (kanal 5). Kanal 2 untuk mengukur nilai pantul hijau pucuk

tumbuhan. Kanal 3 untuk pemisahan vegetasi, yaitu memperkuat kontras antara

vegetasi dan non vegetasi. Kanal 4 membantu identifikasi tanaman dan

memperkuat kontras antara tanaman dengan tanah dan lahan dengan air. Kanal 5

untuk penentuan jenis tanaman, kandungan air pada tanaman dan kondisi

kelembaban tanah.

Tahap-tahap yang dilakukan, yaitu:

(1) Menentukan peubah Z hasil dari pembakuan peubah X

(2) Menentukan nilai akar ciri (λi) dari persamaan |R-λI| = 0

(3) Menentukan nilai vektor ciri (ai) untuk setiap akar ciri dengan persamaan

(R-λI) ai = 0

(4) Menentukan komponen utama Kj melalui seleksi akar ciri

Metode yang digunakan dalam menentukan banyaknya komponen utama

adalah berdasarkan nilai eigen.

Keseluruhan proses pengolahan data yang dilakukan pada citra Landsat

TM dan ETM+ pada penelitian ini ditampilkan pada Gambar 12.

38

Gambar 12 Flow chart pengolahan data.