pemanfaatan citra planetscope - tn...
TRANSCRIPT
i
PEMANFAATAN CITRA PLANETSCOPE
UNTUK PEMETAAN SEBARAN VEGETASI MANGROVE
DI PULAU MENJANGAN BESAR
KEPULAUAN KARIMUNJAWA
TUGAS AKHIR
Diajukan sebagai salah satu persyaratan
Untuk memperoleh gelar Ahli Madya
Program Studi Penginderaan Jauh dan Sistem Informasi Geografi
Diajukan Oleh:
Wildannur Sampurna
15/386374/SV/09760
Kepada :
Sekolah Vokasi, Universitas Gadjah Mada
Yogyakarta
PROGRAM DIPLOMA
PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFI
SEKOLAH VOKASI
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2019
ii
LEMBAR PENGESAHAN
iii
LEMBAR PERNYATAAN BEBAS PLAGIASI
iv
LEMBAR PERNYATAAN KEBENARAN DOKUMEN
v
KATA PENGANTAR
Segala puji dan syukur penulis panjatkan kepada Allah SWT yang telah
memberikan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan
proposal tugas akhir. Tugas Akhir yang diajuakan dengan judul “Pemanfaatan Citra
PlanetScope untuk Pemetaan Sebaran Vegetasi Mangrove di Pulau Menjangan
Besar Kepulauan Karimunjawa pada Tahun 2018” merupakan salah satu
persyaratan perkuliahan dalam memperoleh gelar Ahli Madya.
Penulis menyadari bahwa dalam menyelesaikan penulisan proposal ini tidak
terlepas dari bimbingan, arahan dan bantuan serta motivasi dari berbagai pihak.
Oleh karena itu, melalui kesempatan ini penulis mengucapkan terimakasih kepada:
1. Dr. Taufik Hery Purwanto, M.Sc. selaku Kepala Departemen Teknologi
Kebumian Sekolah Vokasi Universitas Gadjah Mada;
2. Dr. Pramaditya Wicaksono, M.Sc. selaku dosen pembimbing Tugas Akhir
yang telah memberikan nasihat, pengetahuan, dan bimbingan terkait
pembuatan Tugas Akhir ini agar lebih baik;
3. Dwi Setyo Aji, S.Si., M.Sc. selaku dosen penguji Tugas Akhir, yang telah
banyak memberikan kritik dan saran terkait pembuatan Tugas Akhir ini agar
lebih baik;
4. Orangtua saya, Bapak Agus Sampurna dan Ibu Elly Nuryaningsih selaku
ibu dan ayah saya serta kakak dan adik saya yang selalu memberikan doa
dan dukungan pada penyelesaian Tugas Akhir ini;
5. Pihak pengelola Balai Taman Nasional Karimunjawa yang telah
memberikan ijin untuk melakukan penelitian;
6. Dida Laily Chairunnisa yang telah memberikan dukungan dan semangat
dalam mengerjakan Tugas Akhir ini;
7. Fajar Syahrul Nur Insani dan Amin Ma’ruf yang telah membantu dalam
segala hal selama melakukan survei lapangan di Taman Nasional
Karimunjawa;
vi
8. Teman-teman seperjuangan Arung, Alfi, Ulfa, Amri, dan Anji yang
senantiasa memberikan dukungan, kritik, saran, dan semangat yang bersifat
membangun;
9. Keluarga besar PJSIG angkatan 2015 yang tidak bisa disebutkan satu
persatu yang banyak membantu selama 6 semester dan atas
kebersamaannya;
10. Seluruh pihak yang ikut serta baik secara langsung maupun tidak langsung
dalam mendukung penulisan tugas akhir ini sehingga dapat selesai dengan
baik.
Penulis menyadari bahwa tugas akhir ini belum sempurna dan berharap
semoga tugas akhir ini bermanfaat bagi diri pribadi penulis dan juga pembaca.
Yogyakarta, 15 Oktober 2019
(Wildannur Sampurna)
vii
DAFTAR ISI LEMBAR PENGESAHAN ................................................................................ ii
LEMBAR PERNYATAAN BEBAS PLAGIASI ............................................. iii
LEMBAR PERNYATAAN KEBENARAN DOKUMEN ............................... iv
KATA PENGANTAR ........................................................................................ v
DAFTAR ISI .................................................................................................... vii
DAFTAR GAMBAR ......................................................................................... ix
DAFTAR TABEL ............................................................................................. ix
INTISARI ............................................................................................................ 1
ABSTRACT......................................................................................................... 2
BAB I PENDAHULUAN ................................................................................... 3
1.1. Latar Belakang Penelitian .......................................................................... 3
1.2. Rumusan Masalah ..................................................................................... 5
1.3. Pertanyaan Penelitian................................................................................. 5
1.4. Tujuan Penelitian ....................................................................................... 5
1.5. Manfaat Penelitian .................................................................................... 5
1.6. Batasan Penelitian ..................................................................................... 6
BAB II TINJAUAN PUSTAKA ........................................................................ 7
2.1. Penginderaan Jauh ..................................................................................... 7
2.2. Penginderaan Jauh untuk Hutan Mangrove .............................................. 10
2.2.1. Data Penginderaan Jauh untuk Mangrove .......................................... 10
2.2.2. Pengolahan Citra untuk Deteksi Mangrove ........................................ 11
2.3. Vegetasi Mangrove .................................................................................. 12
2.4. Citra PlanetScope .................................................................................... 17
2.5. Penelitian Sebelumnya ............................................................................. 18
2.6. Kerangka Pemikiran ................................................................................ 24
2.7. Batasan Istilah ......................................................................................... 25
BAB III METODE PENELITIAN .................................................................. 26
3.1. Deskripsi Wilayah ................................................................................... 26
3.2. Alat dan Bahan ........................................................................................ 26
3.2.1. Alat ................................................................................................... 26
3.2.2. Bahan ................................................................................................ 27
viii
3.3. Perolehan Data Citra ................................................................................ 27
3.4. Masking ................................................................................................... 27
3.6. Klasifikasi Unsupervised (IsoData) ......................................................... 29
3.5. Survei Lapangan ...................................................................................... 29
3.5.1. Penentuan Lokasi Sampel .................................................................. 29
3.5.2. Pengukuran Lapangan ....................................................................... 29
3.8. Klasifikasi Multispektral Objek Mangrove .............................................. 31
3.9. Uji Akurasi .............................................................................................. 32
3.10. Visualisasi Data ..................................................................................... 33
3.11. Diagram Alir Penelitian ......................................................................... 34
BAB IV HASIL DAN PEMBAHASAN........................................................... 35
4.1. Pra-Lapangan .......................................................................................... 35
4.2. Survei Lapangan ...................................................................................... 38
4.3. Pasca Lapangan ....................................................................................... 42
BAB V KESIMPULAN DAN SARAN ............................................................ 48
5.1. Kesimpulan ............................................................................................. 48
5.2. Saran ....................................................................................................... 48
DAFTAR PUSTAKA ....................................................................................... 49
ix
DAFTAR GAMBAR
Gambar 2.1. Kurva pantulan spektral terhadap air, vegetasi, dan tanah ............... 10
Gambar 2.2. Tipe zonasi mangrove dari laut ke darat ......................................... 16
Gambar 2.3. Kerangka Pemikiran Penelitian ...................................................... 24
Gambar 3.1. Lokasi Penelitian ........................................................................... 28
Gambar 3.2. Rencana titik sampel. ..................................................................... 30
Gambar 3.3. Gambar hasil pengambilan titik sampel. ......................................... 31
Gambar 3.4. Contoh visualisasi data .................................................................. 33
Gambar 3.5. Diagram alir penelitian .................................................................. 34
Gambar 4.1. Tampilan citra PlanetScope ........................................................... 36
Gambar 4.2. Tampilan hasil masking citra. ......................................................... 37
Gambar 4.3. Tampilan hasil klasifikasi IsoData. ................................................ 38
Gambar 4.4. Foto kegiatan survei lapangan (a) dan kegiatan menuju lokasi
penelitian (b). ..................................................................................................... 39
Gambar 4.5. Ground point survey dan Pemetaan dari DISHIDROS TNI AL. ..... 40
Gambar 4.6. Contoh situasi dan kondisi di Pulau Menjangan Besar. ................... 41
Gambar 4.7. Tampilan ROI ................................................................................ 42
Gambar 4.8. Peta penutup lahan. ........................................................................ 46
Gambar 4.9. Peta sebaran vegetasi mangrove. .................................................... 47
DAFTAR TABEL
Tabel 2.1. Tabel ciri-ciri vegetasi mangrove ....................................................... 13
Tabel 2.2. Spesifikasi citra PlanetScope ............................................................. 17
Tabel 2.3. Penelitian Sebelumnya yang Terkait dengan Pemetaan Sebaran
Mangrove. ......................................................................................................... 21
Tabel 4.1. Confusion matrix algoritma Minimum Distance. ................................ 43
Tabel 4.2. Confusion matrix algoritma Mahalanobis Distance. .......................... 43
Tabel 4.3. Confusion matrix algoritma Maximum Likelihood.............................. 45
1
PEMANFAATAN CITRA PLANETSCOPE
UNTUK PEMETAAN SEBARAN VEGETASI MANGROVE
DI PULAU MENJANGAN BESAR KEPULAUAN KARIMUNJAWA
Diajukan Oleh:
Wildannur Sampurna
15 / 386378 / SV / 09760
INTISARI
Indonesia merupakan negara kepulauan yang memiliki banyak
keanekaragaman hayati seperti vegetasi mangrove. Salah satu pulau yang memiliki
wilayah vegetasi mangrove adalah Pulau Menjangan Besar. Vegetasi mangrove
yang ada di Pulau Menjangan Besar ini dapat dilihat dan dipantau melalui citra
satelit.
Tujuan dari penelitian ini adalah untuk memetakan sebaran vegetasi
mangrove di Pulau Menjangan Besar Kepulauan Karimunjawa. Salah satu citra
yang dapat digunakan adalah citra PlanetScope. Citra ini memiliki resolusi spasial
tinggi sebesar 3 m. Hal tersebut sekaligus menjadi latar belakang pada penelitian
ini.
Metode klasifikasi yang digunakan pada penelitian ini adalah metode
klasifikasi terbimbing (supervised) dengan tiga algoritma berbeda. Algoritma
tersebut antara lain Maximum Likelihood, Minimum Distance, dan Mahalanobis
Distance. Hasil penelitian ini menunjukan bahwa akurasi pemetaan vegetasi
mangrove di Pulau Menjangan Besar sebesar 83,83% dengan 6 kelas objek yaitu
mangrove, tumbuhan berkayu non-mangrove, semak, rumput, lahan kosong, dan
pasir.
Kata Kunci : Planetscope, Mangrove, Maximum Likelihood, Minimum Distance,
Mahalanobis Distance, Pulau Menjangan Besar, Taman Nasional Karimunjawa.
2
UTILIZATION OF PLANETSCOPE IMAGE FOR MAPPING
MANGROVE VEGETATION IN MENJANGAN BESAR ISLAND
KARIMUNJAWA
Submitted by:
Wildannur Sampurna
15 / 386374 / SV / 09760
ABSTRACT
Indonesia is an archipelago that has biodiversity such as mangrove
vegetation. One of the islands which has a mangrove vegetation area is Menjangan
Besar Island. Mangrove vegetation on the Menjangan Besar Island can be seen and
monitored through satellite imagery.
This research aims to map the distribution of mangrove vegetation on the
Menjangan Besar Island Karimunjawa Islands. One of the image that can be used
is PlanetScope imagery. This image has a high spatial resolution of 3 m. This also
forms the background of this research.
This research used supervised classification method with three different
algorithms. These algorithms include Maximum Likelihood, Minimum Distance,
and Mahalanobis Distance. The results of this study indicate that the accuracy of
mapping mangrove vegetation on Menjangan Besar Island is 83.83% with 6 classes
of objects including mangroves, non-mangrove woody plants, bushes, grass, vacant
land, and sand.
Keywords: Planetscope, Mangrove, Maximum Likelihood, Minimum Distance,
Mahalanobis Distance, Menjangan Besar Island, Karimunjawa National Park.
3
BAB I
PENDAHULUAN
1.1. Latar Belakang Penelitian
Wilayah pesisir Indonesia memiliki panjang garis pantai hingga 95.181 km
(Rompas 2009, dalam Putra 2016). Berbagai ekosistem laut dapat ditemui di
berbagai wilayah pesisir Indonesia, seperti hutan mangrove, padang lamun, dan
terumbu karang. Salah satu ekosistem wilayah pesisir seperti hutan mangrove
memiliki berbagai fungsi, diantaranya fungsi sosial, fungsi ekologi, fungsi
ekonomis, dan fungsi fisik. Hutan mangrove sering kali disebut dengan hutan
bakau. Akan tetapi sebenarnya istilah bakau hanya merupakan nama dari salah satu
jenis tumbuhan penyusun hutan mangrove, yaitu Rhizopora spp. Oleh karena itu,
istilah hutan mangrove sudah ditetapkan sebagai nama baku untuk mangrove forest
(Dahuri et al., 2001). Banyak wilayah yang memiliki hutan mangrove dengan
berbagai jenis. Salah satu wilayah di Indonesia yang memiliki keanekaragaman
hayati berupa hutan mangrove adalah Pulau Menjangan Besar dengan luas sekitar
56 hektar yang terletak di Kepulauan Karimunjawa, Kabupaten Jepara.
Pengelolaan hutan mangrove di Kepulauan Karimunjawa khususnya di
Pulau Menjangan Besar dilakukan oleh Balai Taman Nasional Karimunjawa yang
berada di bawah naungan Departemen Kehutanan Direktorat Jenderal Perlindungan
Hutan dan Konservasi Alam Provinsi Jawa Tengah. Secara detail, hutan mangrove
mempunyai fungsi fisik dan fungsi ekologi yang penting bagi kelestarian ekosistem
di daerah pesisir. Secara fisik, hutan mangrove berfungsi sebagai pelindung pantai
dari pengaruh gelombang laut. Secara ekologi, hutan mangrove berfungsi sebagai
daerah asuhan (nursery ground), daerah pemijahan (spawning ground), dan tempat
mencari makan (feeding ground) bagi beranekaragam biota perairan
Menurut Peraturan Menteri KP No.23 Tahun 2016 menyatakan bahwa
Pengelolaan Wilayah Pesisir dan Pulau-pulau Kecil adalah suatu pengoordinasian
perencanaan, pemanfaatan, pengawasan, dan pengendalian sumber daya pesisir dan
pulau-pulau kecil yang dilakukan oleh Pemerintah dan Pemerintah Daerah, antar
sektor, antara ekosistem darat dan laut, serta antara ilmu pengetahuan dan
4
manajemen untuk meningkatkan kesejahteraan rakyat. Lebih lanjut, UU No. 1
Tahun 2014 menjelaskan bahwa wilayah pesisir dan pulau-pulau kecil memiliki
keanekaragaman sumber daya alam yang tinggi, dan sangat penting bagi
pengembangan sosial, ekonomi, budaya, lingkungan, dan penyangga kedaulatan
bangsa. Berdasarkan undang-undang tersebut, keanekaragaman sumber daya hayati
perlu dikelola secara berkelanjutan untuk menunjang dalam perencanaan
pengelolaan sumber daya alam terutama bidang hutan mangrove.
Informasi data spasial mengenai sumber daya hayati seperti hutan mangrove
di Kepulauan Karimunjawa dirasa masih kurang karena dilihat dari fungsi
Kepulauan Karimunjawa yang diperuntukan sebagai Balai Taman Nasional, yang
memiliki fungsi lindung untuk keanekaragaman hayati wilayah pesisir Indonesia.
Sehingga, perlu adanya inventarisasi pemetaan secara real-time dan berkelanjutan
dengan tujuan pengawasan serta agar mendapatkan gambaran secara utuh mengenai
kondisi sumber daya alam hayati wilayah pesisir di pulau yang akan dikaji. Selain
itu juga, dapat dijadikan sebagai informasi dasar dalam melakukan perencanaan dan
pengembangan suatu kawasan sehingga pemanfaatan dapat dilakukan secara
optimal dan maksimal.
Teknologi dari masa ke masa mengalami kemajuan yang cukup pesat. Salah
satu teknologi yang mengalami kemajuan sangat pesat adalah penginderaan jauh.
Penginderaan jauh merupakan ilmu dan seni untuk memperoleh informasi tentang
suatu objek, daerah, atau fenomena melalui analisis data yang diperoleh dengan
suatu alat tanpa kontak langsung dengan objek yang dikaji (Lillesand et al., 2015).
Salah satu contoh produk dari data penginderaan jauh adalah citra satelit.
Salah satu citra satelit yang dapat digunakan dalam pemetaan mangrove di
Pulau Menjangan Besar dengan resolusi tinggi yang baru saja diluncurkan oleh
perusahaan Amerika Serikat yaitu Planet pada tahun 2017 adalah citra PlanetScope.
Citra ini memiliki resolusi spasial 3 m dengan waktu perekaman setiap hari dan
luasan daerah perekaman perharinya 150 km2 (Planet, 2018). Kemampuan dari
citra PlanetScope perlu dilakukan uji coba pada suatu penelitian karena citra ini
terbilang baru. Salah satu kajiannya berupa pemetaan mangrove di Pulau
Menjangan Besar.
5
1.2. Rumusan Masalah
Pulau Menjangan Besar merupakan salah satu pulau yang berada di
Kepulauan Karimunjawa yang memiliki banyak sumber daya alam hayati salah
satunya merupakan vegetasi mangrove. Namun, di Pulau Menjangan Besar masih
belum tersedianya data spasial berupa informasi mengenai sebaran vegetasi
mangrove dengan menggunakan citra Planetscope. Selain itu juga, minimnya
penelitian dengan menggunakan citra Planetscope. Maka dari itu, perlu adanya
pemetaan sebaran vegetasi mangrove di Pulau Menjangan Besar dan uji akurasi dari
citra PlanetScope.
1.3. Pertanyaan Penelitian
Berdasarkan rumusan masalah diatas, muncul pertanyaan penelitian berupa
berapakah akurasi dari citra Planetscope dalam memetakan sebaran vegetasi
mangrove di Pulau Menjangan Besar?
1.4. Tujuan Penelitian
Tujuan dari penelitian ini adalah memetakan sebaran vegetasi mangrove di
Pulau Menjangan Besar dan menguji akurasi citra Planetscope.
1.5. Manfaat Penelitian
Manfaat dari kegiatan penelitian pemetaan sebaran hutan mangrove di
Kepulauan Menjangan Besar ini adalah sebagai berikut.
1. Memberikan referensi data spasial kepada pengurus taman nasional
Karimunjawa terkait hutan mangrove di wilayah Pulau Menjangan
Besar.
2. Menjadikan bahan masukan bagi pengurus taman nasional
Karimunjawa agar lebih memperhatikan hutan mangrove yang ada di
Kepulauan Menjangan Besar.
6
3. Membantu pemerintah, organisasi kemasyarakatan (orkemas), dan
pihak lain yang berkaitan dengan penggunaan mangrove dalam
mengambil kebijakan pelestarian hutan mangrove khususnya di Pulau
Menjangan Besar.
1.6. Batasan Penelitian
Agar dapat mencapai tujuan dalam penelitian ini, maka penulis
memberikan batasan ruang lingkup dalam penelitian. Adapun batasan masalah
dalam penelitian ini, diantaranya:
1. Data penginderaan jauh yang digunakan penelitian ini adalah citra
PlanetScope.
2. Ruang lingkup penelitian ini adalah fokus pada hutan mangrove di
Pulau Menjangan Besar, Kepulauan Karimunjawa, Kabupaten Jepara.
7
BAB II
TINJAUAN PUSTAKA
2.1. Penginderaan Jauh
Penginderaan jauh adalah pengetahuan dan seni untuk memperoleh
informasi tentang objek, daerah, atau fenomena melalui analisis data yang diperoleh
menggunakan piranti tanpa kontak langsung dengan objek, daerah, atau fenomena
yang dikaji (Lillesand et al., 2015). Sedangkan menurut Sutanto (2013)
penginderaan jauh adalah ilmu pengetahuan, teknologi, dan seni perolehan
informasi objek di permukaan bumi melalui hasil rekamannya. Penginderaan jauh
berupa citra satelit memiliki resolusi masing-masing berdasarkan fungsi dan
kegunaannya.
Danoedoro (2012) menyebutkan bahwa resolusi spasial adalah ukuran
terkecil objek yang masih dapat dideteksi oleh suatu sistem pencitraan. Semakin
kecil ukuran objek yang direkam, maka semakin baik pula resolusi spasial yang
dimiliki citra tersebut. Begitupun sebaliknya, semakin besar objek yang direkam,
maka semakin buruk resolusi spasialnya.
Resolusi spektral adalah kemampuan suatu sistem optik-elektronik untuk
membedakan informasi (objek) berdasarkan pantulan atau pancaran spektralnya
(Danoedoro, 2012). Semakin banyak jumlah saluran yang dimiliki citra dengan
julat yang sempit, maka semakin tinggi kemungkinannya untuk membedakan
objek-objek berdasarkan respons spektralnya. Hal ini menjelaskan bahwa semakin
sempit julat (interval panjang gelombangnya) dan banyak jumlah salurannya dapat
dikatakan semakin tinggi pula resolusi spektral yang dimiliki.
Resolusi radiometrik adalah kemampuan sensor dalam mencatat respon
spektral objek. Sensor yang peka dapat membedakan selisih respon dari yang paling
lemah (Danoedoro, 2012). Semakin tinggi resolusi radiometrik yang dimiliki oleh
citra, maka akan semakin tinggi pula kemampuan untuk membedakan objek-objek
di permukaan bumi. Sebaliknya, jika resolusi radiometrik yang dimiliki oleh citra
itu rendah, maka kemampuan untuk membedakan objek-objek di permukaan bumi
juga rendah.
8
Dari pendapat beberapa ahli di atas dapat disimpulkan bahwa penginderaan
jauh terdiri atas tiga komponen utama yaitu objek yang diindera, sensor untuk
merekam objek, dan gelombang elektronik yang dipantulkan atau dipancarkan oleh
permukaan bumi. Interaksi dari ketiga komponen ini menghasilkan data
penginderaan jauh yang selanjutnya melalui proses interpretasi dapat diketahui
jenis objek atau fenomena yang ada.
Interpretasi citra merupakan perbuatan mengkaji foto udara dan atau citra
dengan maksud untuk mengidentifikasi objek dan menilai arti pentingnya objek
tersebut (Sutanto, 1992). Kegiatan interpretasi citra memerlukan unsur-unsur
pengenal pada objek yang terekam pada citra. Unsur tersebut disebut unsur-unsur
interpretasi yang meliputi:
1. Rona dan Warna
Rona (tone/color tone/grey tone) adalah tingkat kegelapan atau
tingkat kecerahan objek pada citra. Rona pada citra yang dimaksud
merupakan tingkatan dari hitam ke putih atau sebaliknya. Berbeda dengan
rona yang hanya menyajikan tingkat kegelapan, warna menunjukkan tingkat
kegelapan yang lebih beraneka. Misal warna hijau, kuning, merah, atau biru.
2. Bentuk
Bentuk merupakan atribut yang jelas sehingga banyak objek yang
dapat dikenali berdasarkan bentuknya saja.
3. Ukuran
Ukuran merupakan ciri dari suatu objek yang antara lain berupa luas,
tinggi lereng, maupun volume. Ukuran objek pada citra berupa skala. Oleh
karena itu dalam interpretasi citra dengan memanfaatkan ukuran harus
selalu diketahui skala dari objek yang diamatai.
4. Pola
Pola dikelompokkan ke dalam tingkat kerumitan tersier. Tingkat
kerumitannya setingkat lebih tinggi dari tingkat kerumitan bentuk, ukuran,
dan tekstur sebagai unsur interpretasi citra.
9
5. Bayangan
Bayangan bersifat menyembunyikan detail atau objek yang berada
di daerah gelap. Objek atau gejala yang terletak di daerah bayangan pada
umumnya tidak tampak sama sekali atau kadang-kadang tampak samar-
samar. Meskipun demikian, bayangan sering merupakan kunci pengenalan
yang penting bagi beberapa objek yang justru lebih tampak dari
bayangannya.
6. Tekstur
Tekstur adalah perubahan rona pada citra. Tekstur sering dinyatakan
dengan kasar, halus, dan belang-belang.
7. Situs
Situs dapat diartikan sebagai penjelasan tentang lokasi objek relatif
terhadap objek atau kenampakan lain yang mudah untuk dikenali dan
dipandang dapat dijadikan dasar untuk identifikasi objek yang dikaji.
8. Asosiasi
Asosiasi adalah keterkaitan antara objek yang satu dengan objek
lain. Adanya keterkaitan ini maka terlihatnya suatu objek pada citra sering
merupakan petunjuk bagi adanya objek lain.
Pantulan setiap objek memiliki karakteristik tertentu untuk setiap saluran
spektral sehingga setiap objek dapat dikenali perbedaannya (Lillesand dan Kiefer,
1990). Hampir seluruh objek terestrial memiliki pantulan baur, kecuali objek air
yang memiliki pantulan sempurna. Namun demikian, pada panjang gelombang
mikro terjadi sebaliknya dimana objek terestrial memiliki pantulan sempurna.
Panjang gelombang tersebut dapat dilihat pada Gambar 2.1.
10
Gambar 2.1. Kurva pantulan spektral terhadap air, vegetasi, dan tanah
(Sumber: Lilliesand dan Kiefer, 1997 dalam Ashar, 2018: 13)
Mangrove secara spektral sebenarnya merupakan fungsi pantulan dari
kanopi dan latar belakang lumpur, dan kadang-kadang air khususnya ketika
mangrove tersebut tergenang air pasang. Seperti halnya vegetasi lain, pantulan
kanopi mangrove bervariasi, tergantung pada bentuk kanopi, struktur percabangan
daun (filotaksis), struktur internal daun, dan kerapatannya (Danoedoro, 2012).
Pantulan lumpur dan air pada semua saluran cenderung menurunkan pantulan
vegetasi mangrove. Sehingga membuat liputan mangrove dapat dibedakan secara
spektral dari penutup lahan lain dengan relatif mudah (Danoedoro, 2012).
2.2. Penginderaan Jauh untuk Hutan Mangrove
2.2.1. Data Penginderaan Jauh untuk Mangrove
Saat ini teknologi penginderaan jauh berbasis satelit menjadi sangat
populer dan digunakan untuk berbagai tujuan kegiatan, salah satunya untuk
mengidentifikasi potensi sumber daya wilayah pesisir dan lautan. Hal ini
disebabkan teknologi ini memiliki beberapa kelebihan, seperti: harganya yang
relatif murah dan mudah didapat, adanya resolusi temporal (perulangan)
sehingga dapat digunakan untuk keperluan monitoring, cakupannya yang luas
dan mampu menjangkau daerah yang terpencil, bentuk datanya digital
11
sehingga dapat digunakan untuk berbagai keperluan dan ditampilkan sesuai
keinginan (Suwargana, 2008).
Menurut Kamal et al. (2015) dalam pemetaan mangrove, keunggulan
dari pendekatan penginderaan jauh dibandingkan dengan survei terestrial
konvensional, yaitu penyediaan akses tidak langsung ke lokasi mangrove yang
tidak dapat diakses. Selain itu, kemampuan untuk melakukan ekstrapolasi
pengukuran dari titik sampling tertentu ke wilayah yang lebih luas. Penyediaan
cakupan sinoptik dan pengulangan wilayah juga merupakan keunggulan dari
pendekatan penginderaan jauh, serta kemampuan untuk mengirimkan data
pada skala spasial ganda atau tingkat detail ekologis.
2.2.2. Pengolahan Citra untuk Deteksi Mangrove
Proses pengolahan citra pada vegetasi mangrove dapat dilakukan dengan
berbagai cara. Terdapat tiga macam algoritma pengolahan citra yang
digunakan pada pemetaan vegetasi mangrove, diantaranya Minimum Distance,
Mahalanobis Distance, dan Maximum Likelihood. Ketiga macam algoritma
citra tersebut merupakan cara yang dilakukan pada klasifikasi terselia
(supervised).
Minimum Distance merupakan algoritma yang membutuhkan suatu nilai
ambang (threshold value) (Danoedoro, 2012). Saat digunakan dengan benar,
maka akan menghasilkan akurasi klasifikasi yang sebanding dengan algoritma
lainnya yang lebih intensif komputasinya seperti algoritma maximum
likelihood (Jensen, 2015). Namun, teknik perhitungan jarak minimal ini
menggunakan vektor dan menghitung jarak Euclidean dari setiap piksel yang
diketahui oleh vektor rata-rata untuk masing-masing kelas. Apabila semua
jarak yang dihitung ternyata tidak ada yang memenuhinya, maka beberapa
piksel tersebut kemungkinan tidak terklasifikasi.
Mahalanobis Distance merupakan pengklasifikasi yang menggunakan
statistik untuk masing-masing kelas. Beberapa piksel tidak ditandai jika tidak
memenuhi ambang batas yang sudah ditentukan sesuai dengan standar sebesar
12
3 dan 8. Hal tersebut dikarenakan semua piksel yang diklasifikasikan ke kelas
ROI dengan menentukan ambang batas jarak.
Maximum Likelihood mengkelaskan piksel berdasarkan probabilitas
suatu nilai piksel terhadap kelas tertentu dalam sampel. Dengan kata lain,
probabilitas suatu piksel termasuk ke dalam setiap kelas yang telah ditentukan,
kemudian piksel tersebut lebih ke kelas yang probabilitasnya tertinggi (Jensen,
2015). Danoedoro (2012) menerangkan pada algortima ini, piksel yang
dikelaskan sebagai objek spesifik bukan karena jarak, melainkan berdasarkan
bentuk, ukuran, dan orientasi sampel pada feature space. Algortitma Maximum
Likelihood diasumsikan bahwa semua objek memiliki kemungkinan yang
sama.
2.3. Vegetasi Mangrove
Hutan mangrove adalah sebutan umum yang digunakan untuk
menggambarkan suatu varietas komunitas pantai tropik yang didominasi oleh
beberapa spesies pohon-pohon yang khas atau semak-semak yang mempunyai
kemampuan untuk tumbuh dalam perairan asin (Nybakken, 1992). Menurut Istomo
(1992), ciri khusus habitat vegetasi mangrove adalah keadaan tanah yang berlumpur
atau berpasir, salinitas, penggenangan, pasang surut, dan kandungan oksigen tanah.
Untuk itu vegetasi mangrove akan beradaptasi melalui perubahan dan ciri khusus
fisiologi, morfologis, fenologi, fisiognomi, dan komposisi struktur vegetasinya.
Menurut Bengen dan Dutton (2004), zonasi mangrove dipengaruhi oleh
salinitas, toleransi terhadap ombak dan angin, toleransi terhadap lumpur (keadaan
tanah), frekuensi tergenang oleh air laut. Zonasi yang menggambarkan tahapan
suksesi yang sejalan dengan perubahan tempat tumbuh. Perubahan tempat tumbuh
sangat bersifat dinamis yang disebabkan oleh laju pengendapan atau pengikisan.
Daya adaptasi tiap jenis akan menentukan komposisi jenis tiap zonasi.
Nybakken (1992) menjelaskan, hutan mangrove dicirikan oleh tumbuhan
dari 11 genus (Avicennia, Snaeda, Laguncularia, Lumnitzera, Conocarpus,
Aegiceras, Aegialitis, Rhizophora, Bruguiera, Ceriops, dan Sonneratia), memiliki
akar napas (pneumatofor), adanya zonasi (Avicennia/Sonnetaria, Rhizophora,
13
Bruguiera, Ceriops, Nypa), tumbuh pada substrat tanah berlumpur/berpasir dan
variasinya. Ciri-ciri tersebut dapat dilihat pada Tabel 2.1
Tabel 2.1. Tabel ciri-ciri vegetasi mangrove
Nomor Ciri-ciri Gambar
1. Avicennia
2. Snaeda
3. Laguncularia
14
Nomor Ciri-ciri Gambar
4. Lumnitzera
5. Conocarpus
6. Aegiceras
7. Aegialitis
8. Rhizophora
15
Nomor Ciri-ciri Gambar
9. Bruguiera
10. Ceriops
11. Sonneratia
12. pneumatofor
Sumber: https://jdih.lapan.go.id/ diakses pada tanggal 17 Juli 2019 pukul
18.30 WIB.
16
Mangrove di Indonesia dikenal mempunyai keragaman jenis yang tinggi.
Seluruhnya tercatat 89 jenis tumbuhan, 35 jenis diantaranya berupa pohon dan
selebihnya berupa terna (5 jenis), perdu (9 jenis), liana (9 jenis), Epifit (29 jenis),
dan parasit (2 jenis). Beberapa contoh mangrove yang berupa pohon antara lain
adalah bakau (Rhizophora), api-api (Avicenia), pedada (Sonneratia), tanjang
(Brugueira), nyirih (Xylocarpus), tengar (Ceriops), buta-buta (Excocaria) (Nontji,
2005).
Menurut Bengen (1999 dalam Saefurahman, 2008), salah satu zonasi hutan
mangrove, yaitu (Gambar 2.2):
1. Daerah yang paling dekat dengan laut dengan substrat agak berpasir, sering
ditumbuhi oleh Avicennia spp. Di zona ini biasa berasosiasi jenis Sonneratia
spp. yang dominan tumbuh pada lumpur dalam yang kaya bahan organik.
2. Lebih ke arah darat, hutan mangrove umumnya didominasi oleh Rhizophora
spp. Di zona ini juga dijumpai Bruguiera spp. dan Xylocarpus spp.
3. Zona berikutnya didominasi oleh Bruguiera spp.
4. Zona transisi antara hutan mangrove dengan hutan dataran rendah biasa
ditumbuhi oleh Nypa fruticans dan beberapa spesies palem lainnya.
Gambar 2.2. Tipe zonasi mangrove dari laut ke darat
(Sumber: Bengen, 1999 dalam Ashar, 2018: 10)
Beberapa ciri mangrove yang disebutkan oleh Nybakken (1992) merupakan
ciri hutan mangrove yang ada di Pulau Menjangan Besar. Hutan mangrove yang
ada di pulau tersebut tumbuh pada substrat berpasir yang bervariasi bentukannya.
Selain itu juga, tumbuhan mangrove yang ada di pulau tersebut tumbuh dengan
berzonasi.
17
2.4. Citra PlanetScope
Produk penginderaan jauh yang digunakan adalah citra PlanetScope. Citra
ini dapat dibedakan berdasarkan tingkat ketelitian informasi geometrik yang
disajikan. Terdapat tiga kelas untuk tingkat resolusi spasial citra, diantaranya
resolusi spasial rendah, resolusi spasial sedang/menengah, dan resolusi spasial
tinggi. Citra dengan resolusi tinggi mampu menampilkan kenampakan objek
permukaan bumi yang detil sehingga menyerupai bentuk dan ukuran aslinya.
Salah satu dari citra beresolusi spasial tinggi adalah citra PlanetScope. Citra
ini dikembangkan oleh Planet Labs Inc. yang berdiri atas kerja tim mantan NASA,
seperti Robbie Schingler, Will Marshall, dan Chris Boshuizen di Mountain View,
California. Planet Labs Inc. itu sendiri berdiri sejak 12 juni 2016 dan telah berganti
nama menjadi Planet. Pada tangal 31 Oktober 2017, Planet sudah meluncurkan
enam Skysat dan empat Flocks 3 m yang sudah termasuk PlanetScope didalamnya.
Peluncuran tersebut dilakukan dengan tujuan untuk melakukan perekaman seluruh
bumi pada setiap hari dalam resolusi tinggi.
Citra ini memiliki resolusi spasial 3 m dan mampu merekam 150 km2/hari.
Citra resolusi tinggi ini memiliki 4 band terdiri dari band 1 (biru), band 2 (hijau),
band 3 (merah), dan band 4 (inframerah tengah). Spesifikasi lebih rinci dapat dilihat
pada Tabel 2.2.
Tabel 2.2. Spesifikasi citra PlanetScope
Karakteristik citra Orbit Internasional Luar
Angkasa (ILA)
Orbit Sun-sinkron
(SS)
Orbit ketinggian
(referensi) 400 km (Inklinasi 51,6o)
475 km (inklinasi ~
98o)
Max/Min Cakupan
Lintang
± 52o (tergantung pada
musim)
± 81,5o (tergantung
pada musim)
Waktu Melewati
Khatulistiwa Bervariasi
9.30-11.30 (Waktu
matahari lokal)
Band spektral
Biru Hijau Merah NIR
455–515 nm 500–590
nm
590-670
nm
780-860
nm
Tipe Sensor Tiga-saluran frame imager atau empat-saluran
frame imager dengan sebuah filter split-frame NIR
18
Karakteristik citra Orbit Internasional Luar
Angkasa (ILA)
Orbit Sun-sinkron
(SS)
Ukuran Sampel
Lapangan (nadir) 3,0 m (perkiraan)
3,5 – 4,0 m
(tergantung on
flocks)
Ukuran cakupan
perekaman 20 x 12 km (perkiraan)
24,6 x 16,4 km
(perkiraan)
Lajur Gambar
Maksimum per Orbit 8.100 km2 20.000 km2
Waktu Kunjungan Ulang Bervariasi Setiap hari (awal
2017)
Kapasitas Pengambilan
Gambar Bervariasi 340 juta km2 /hari
Rentang Dinamis
Kamera 12 – bit 12 – bit
Sumber: www.planet.com/docs/spec-sheets/sat-imagery/ (diakses pada tanggal 20
September 2018 pukul 20.00 WIB)
2.5. Penelitian Sebelumnya
Penelitian ini dibuat dengan mempelajari penelitian yang sebelumnya yang
mengkaji hal-hal yang menyerupai penelitian ini. Banyak penelitian yang mengkaji
tentang mangrove maupun citra beresolusi tinggi. Beberapa penelitian yang ditulis
pada jurnal maupun skripsi antara lain tertera pada Tabel 2.3.
Skripsi yang ditulis oleh Wicaksono (2016) memiliki judul Pemetaan Famili
Mangrove Menggunakan Metode Object Based Image Analysis (OBIA) pada Citra
WorldView-2 di Balai Taman Nasional Karimunjawa. Kesamaan dari penelitian
yang dibuat oleh Wicaksono (2016) dengan penelitian ini antara lain memetakan
vegetasi mangrove, menggunakan citra resolusi tinggi, dan wilayah kajian di
Taman Nasional Karimunjawa. Perbedaan dari penelitian yang dibuat oleh
Wicaksono (2016) dengan penelitian ini adalah metode dan citra yang digunakan.
Metode yang digunakan pada skripsi yang ditulis oleh Wicaksono (2016) adalah
19
klasifikasi berbasis objek, proses segmentasi dengan algoritma multiresolution
segmentation, dan klasifikasi menggunakan rules class algoritma nearest neighbor.
Sedangkan pada penelitian ini menggunakan metode klasifikasi terbimbing dengan
tiga algoritma, yaitu Maximum Likelihood, Mahalanobis Distance, dan Minimum
Distance. Citra yang digunakan pada skripsi Wicaksono (2016) adalah citra
WorldView-2, sedangkan citra yang diguanakan pada penelitian ini adalah citra
Planetscope.
Jurnal yang ditulis oleh Saputra (2015) memiliki judul Citra Penginderaan
Jauh untuk Pemetaan Perubahan Tutupan Lahan Mangrove di Muara Sungai
Porong pada Tahun 2003-2013. Persamaan dari penelitian yang dibuat oleh Saputra
(2015) dengan penelitian ini adalah memetakan vegetasi mangrove dan metode
klasifikasi yang digunakan. Maximum Likelihood merupakan algoritma yang
digunakan oleh Saputra (2015) dan penelitian ini. Perbedaan dari penelitian yang
dibuat oleh Saputra (2015) dengan penelitian ini antara lain tujuan penelitian, lokasi
penelitian, dan hasil penelitian. Tujuan dari penelitian yang dibuat oleh Saputra
(2015) adalah mengetahui luasan dan tingkat kerusakan mangrove akibat adanya
sedimentasi yang berasal dari kebocoran gas pada tahun 2006, sedangkan tujuan
dari penelitian tugas akhir ini adalah memetakan persebaran vegetasi mangrove di
Pulau Menjangan Besar pada tahun 2018. Lokasi penelitian yang dilakukan oleh
Saputra (2015) di Muara Sungai Porong, sedangkan lokasi penelitian tugas akhir
ini di Pulau Menjangan Besar Kepulauan Karimunjawa. Hasil dari penelitian yang
dibuat oleh Saputra (2015) adalah peta perubahan penutup lahan mangrove di
muara Sungai Porong tahun 2003-2013, sedangkan hasil penelitian tugas akhir ini
adalah peta persebaran vegetasi mangrove di Pulau Menjangan Besar pada tahun
2018.
Jurnal yang dibuat oleh Purwanto et al. (2014) memiliki judul Analisis
Sebaran dan Kerapatan Mangrove Menggunakan Citra Landsat 8 di Segara Anakan,
Cilacap. Persamaan dari penelitian yang dibuat oleh Purwanto et al. (2014) dengan
penelitian ini adalah memetakan sebaran vegetasi mangrove. Perbedaan dari
penelitian yang dibuat oleh Purwanto et al. (2014) dengan penelitian tugas akhir
ini antara lain metode yang digunakan dan hasil penelitian. Metode yang digunakan
20
pada penelitian yang dibuat oleh Purwanto et al. (2014) adalah klasifikasi
unsupervised dan NDVI, sedangkan metode yang digunakan pada penelitian tugas
akhir ini adalah klasifikasi supervised dengan tiga algoritma, yaitu Maximum
Likelihood, Minimum Distance, dan Mahalanobis Distance. Hasil dari penelitian
yang dibuat oleh Purwanto et al. (2014) adalah peta sebaran dan kerapatan vegetasi
mangrove di kawasan Segara Anakan Kabupaten Cilacap, sedangkan hasil dari
penelitian tugas akhir ini adalah peta sebaran vegetasi mangrove di Pulau
Menjangan Besar Kepulauan Karimunjawa.
21
Tabel 2.3. Penelitian Sebelumnya yang Terkait dengan Pemetaan Sebaran Mangrove.
Nomor Peneliti Judul Penelitian Tujuan Penelitian Metode Penelitian Hasil Penelitian
1. Wicaksono
(2016)
Pemetaan Famili
Mangrove
Menggunakan Metode
Object Based Image
Analysis (OBIA) pada
Citra WorldView-2 di
Balai Taman Nasional
Karimunjawa.
- Melakukan pemetaan
famili mangrove di
Pulau Kemujan dan
Pulau Karimun,
Kepulauan
Karimunjawa
menggunakan
metode OBIA
- Mengetahui tingkat
akurasi kelas famili
mangrove yang
diklasifikasi
menggunakan
metode OBIA
- Klasifikasi berbasis
objek
- Proses segmentasi
menggunakan algoritma
multiresolution
segmentation
- Klasifikasi
menggunakan rules
class algoritma nearest
neighbor
- Pengambilan data
lapangan menggunakan
metode klasifikasi tak
terselia Isodata.
- Peta Famili
Mangrove Metode
Ruleset di Kawasan
Balai Taman
Nasional
Karimunjawa
- Peta Famili
Mangrove Metode
Nearest Neighbor di
Kawasan Balai
Taman Nasional
Karimunjawa
22
Nomor Peneliti Judul Penelitian Tujuan Penelitian Metode penelitian Hasil Penelitian
2. Saputra (2015) Citra PJ untuk
Pemetaan Perubahan
Tutupan Lahan
Mangrove di Muara
Sungai Porong Tahun
2003-2013.
- Memetakan tutupan
lahan mangrove di
sepanjang muara
sungai Porong
- Mengetahui luasan
dan tingkat
kerusakan mangrove
akibat adanya
sedimentasi yang
berasal dari
kebocoran gas pada
tahun 2006
Klasifikasi
multispektral terselia
dengan menggunakan
algoritma maximum
likelihood
- Peta penutup
lahan mangrove di
muara sungai
Porong pada tahun
2003
- Peta penutup
lahan mangrove di
muara sungai
porong pada tahun
2013
- Peta perubahan
penutup lahan
mangrove di
muara sungai
Porong tahun
2003-2013
-
-
23
Nomor Peneliti Judul Penelitian Tujuan Penelitian Metode Penelitian Hasil Penelitian
3. Purwanto et
al. (2014)
Analisis Sebaran dan
Kerapatan Mangrove
Menggunakan Citra
Landsat 8 di Segara
Anakan, Cilacap.
- Mengetahui sebaran
tutupan lahan
mangrove dan non-
mangrove
- Mengetahui
perubahan kerapatan
tutupan mangrove di
kawasan Segara
Anakan
- Melakukan uji akurasi
hasil klasifikasi
dengan data lapangan
Klasifikasi
unsupervised untuk
mengekstraksi tutupan
lahan mangrove dan
non-mangrove dan
metode NDVI untuk
mengetahui kerapatan
tutupan mangrove
Peta sebaran dan
kerapatan tutupan
lahan mangrove di
kawasan Segara
Anakan, Kabupaten
Cilacap
24
2.6. Kerangka Pemikiran
Penelitian ini bertujuan untuk memetakan persebaran hutan mangrove dan
mengetahui tingkat akurasi dari citra PlanetScope. Seperti diketahui bahwa citra
PlanetScope merupakan salah satu citra yang baru diluncurkan dan masih
kurangnya kajian yang menggunakan citra ini. Salah satu kajian yang dilakukan
pada penelitian ini adalah pemetaan hutan mangrove. Pemetaan ini dimaksudkan
agar dapat menjadi salah satu data baik untuk organisasi masyarakat ataupun
pemerintah khususnya taman nasional Karimunjawa guna menjaga kelestarian
hutan mangrove yang ada di Kepulauan Menjangan Besar.
Pemetaan dengan menggunakan metode klasifikasi terbimbing dengan
memanfaatkan data penginderaan jauh citra PlanetScope dengan resolusi tinggi
sebesar 3 m untuk mengambil informasi terkait hutan mangrove. Secara sederhana
kerangka pemikiran digambarkan pada Gambar 2.3.
Gambar 2.3. Kerangka Pemikiran Penelitian
Pemetaan hutan mangrove menggunakan citra PlanetScope
Penentuan kelas hutan mangrove
Uji akurasi
Survei
lapangan
Klasifikasi supervised
Peta persebaran
hutan mangrove
25
2.7. Batasan Istilah
1. Penginderaan jauh adalah ilmu dan seni yang digunakan untuk
mendapatkan informasi atau fenomena melalaui analisis data yang
diperoleh dari hasil rekaman objek, daerah atau fenomenya yang dikaji
tanpa adanya kontak langsung dengan objek terkait (Lillesand dan Kiefer,
1990).
2. Hutan mangrove adalah sebutan umum yang digunakan untuk menggambarkan
suatu varietas komunitas pantai tropik yang didominasi oleh beberapa spesies
pohon-pohon yang khas atau semak-semak yang mempunyai kemampuan
untuk tumbuh dalam perairan asin (Nybakken, 1992).
3. Danoedoro (2012) menyebutkan bahwa resolusi spasial adalah ukuran
terkecil objek yang masih dapat dideteksi oleh suatu sistem pencitraan.
4. Resolusi spektral adalah kemampuan suatu sistem optik-elektronik untuk
membedakan informasi (objek) berdasarkan pantulan atau pancaran
spektralnya (Danoedoro, 2012).
5. Resolusi radiometrik adalah kemampuan sensor dalam mencatat respon
spektral objek. Sensor yang peka dapat membedakan selisih respon dari
yang paling lemah (Danoedoro, 2012).
26
BAB III
METODE PENELITIAN
3.1. Deskripsi Wilayah
Suatu penelitian memerlukan lokasi yang dijadikan objek penelitian untuk
memperoleh data, informasi, keterangan dan hal-hal lain yang dibutuhkan untuk
keperluan penelitian. Lokasi penelitian ini adalah di Pulau Menjangan Besar,
Kepulauan Karimunjawa, Kabupaten Jepara. Kepulauan Karimunjawa sendiri
terletak disebelah utara dari Pulau Jawa, lebih tepatnya disebelah utara Kabupaten
Jepara. Dipilihnya wilayah ini karena di Pulau Menjangan Besar merupakan salah
satu pulau dari banyak pulau di Kepulauan Karimunjawa sebagai tempat
bertumbuhnya hutan mangrove. Selain itu juga masih kurangnya data spasial
tentang sebaran hutan mangrove di wilayah ini.
Wilayah Pulau Menjangan Besar dapat dilihat pada Gambar 3.1 dan
berbatasan langsung dengan :
Utara : Pulau Karimunjawa,
Timur : Laut Jawa,
Selatan : Laut Jawa,
Barat : Pulau Menjangan Kecil.
3.2. Alat dan Bahan
3.2.1. Alat
Alat-alat yang digunakan dalam penelitian ini adalah sebagai berikut:
1) Perangkat keras berupa personal computer yang dilengkapi dengan
perangkat lunak untuk pengolahan data
2) Global Positioning System (GPS) Garmin 78s yang digunakan untuk
penentuan koordinat lokasi dari setiap sampel.
3) Camera digital yang digunakan sebagai alat dokumentasi saat survei
lapang.
4) Perahu atau kapal untuk menuju tempat lokasi penelitian.
5) Perangkat lunak pengolah data spasial, meliputi:
27
- ArcGIS 10.2 untuk membuat peta persebaran hutan mangrove
- Microsoft Word 2010 digunakan untuk mengetik laporan
- Microsoft Excel 2010 digunakan untuk mengolah data dari GPS
- ENVI digunakan untuk menentukan komposit band Citra
Planetscope
3.2.2. Bahan
1. Data citra PlanetScope SR (Surface Reflectance).
2. Data plotting titik sampel hasil survei lapangan
3.3. Perolehan Data Citra
Pengumpulan data untuk penelitian ini dilakukan dengan mengunduh data
penginderaan jauh pada laman www.planet.com. Data yang diunduh berupa citra
PlanetScope dengan waktu perekaman 16 Desember 2018 sesuai dengan waktu
saat lapangan. Selain data citra PlanetScope sebagai data primer, juga dilakukan
pengumpulan data lapangan sebagai acuan dalam proses uji akurasi.
Citra multispektral yang digunakan adalah PlanetScope (3 m). Tanggal
perekaman citra disamakan atau disesuaikan dengan pengambilan data
lapangan. Citra PlanetScope yang digunakan adalah jenis citra Surface
Reflectance (SR) yang menunjukkan bahwa citra tersebut telah terkoreksi
atmosferik, geometrik, maupun radiometrik,
Data sekunder lainnya yaitu data batas administrasi Wilayah Provinsi Jawa
Tengah untuk keperluan layouting peta untuk penyajian hasil akhir pemetaan
perubahan luasan mangrove yang baik dan sesuai kartografis. Data tersebut
dapat diunduh pada portal website InaGeo Portal dengan alamat laman
http://portal.ina-sdi.or.id/.
3.4. Masking
Proses memisahkan antara wilayah daratan dengan wilayah laut dangkal
optis maupun wilayah laut dalam optis perlu dilakukan masking citra. Proses ini
dilakukan agar wilayah laut dangkal optis dan wilayah laut dalam optis tidak ikut
terkelaskan. Hal ini dikarenakan yang akan diklasifikasikan adalah objek yang
28
berada di daratan, seperti hutan mangrove, tumbuhan berkayu non-mangrove,
rumput, semak, lahan kosong, dan pasir. Proses masking citra dapat dilakukan
secara manual yaitu melakukan digitisasi batas antara wilayah daratan dengan
wilayah perairan laut.
Gambar 3.1. Lokasi Penelitian
29
3.6. Klasifikasi Unsupervised (IsoData)
Klasifikasi unsupervised atau tak-terselia yang digunakan adalah IsoData.
Formula minimal digunakan untuk mengelompokkan piksel pada citra
multispektral dan menghasilkan kelas-kelas yang relatif homogen (Danoedoro,
2012). Metode perhitungan yang digunakan adalah jarak minimum terhadap rerata.
Keseluruhan perhitungan pada metode ini dilandasi pada nilai ambang yang sudah
ditentukan. Software yang digunakan berupa ENVI yang dapat melakukan kalkulasi
nilai rerata masing-masing kelas. Proses ini dilakukan untuk membuat peta sampel
yang digunakan pada saat survei lapangan.
3.5. Survei Lapangan
3.5.1. Penentuan Lokasi Sampel
Lokasi sampel yang akan dijadikan tempat penilitian ditentukan dengan
menggunakan stratified random sampling. Titik sampel ditentukan secara
bebas/random dengan mengacu variabel yang terdapat pada klasifikasi.
Keuntungan menggunakan metode ini adalah dapat menyesuaikan medan dan
lokasi titik sampel lapangan, sehingga titik dapat diakses dengan mudah.
Lokasi sampel ada pada Gambar 3.2.
3.5.2. Pengukuran Lapangan
Pengukuran lapangan yang dilakukan adalah mengambil titik sampel
dengan jumlah yang didapatkan dan yang dilakukan survei disesuaikan dengan
hasil klasifikasi multispektral, dengan macam dua kelas objek berbeda yaitu
mangrove dan non-mangrove. Gambar 3.3 menunujukkan hasil pengambilan
titik sampel dengan berjumlah 70 titik yang tersebar dengan penentuan secara
random. Detail dari penentuan titik sampel adalah 40 titik pada kenampakan
mangrove dan 30 titik pada kenampakan non-mangrove. Hal tersebut
dikarenakan wilayah mangrove yang cukup luas dan fokus penelitian ada pada
kenampakan mangrove, sehingga titik sampel lapangan lebih banyak objek
mangrove daripada non-mangrove. Hasil plotting pada citra penginderaan jauh
kemudian dilakukan uji lapangan menggunakan GPS Handheld sesuai dengan
30
koordinat titik sampel, sehingga dapat ditentukan kesesuaian objek pada citra
hasil klasifikasi dengan objek yang berada di lapangan.
Gambar 3.2. Rencana titik sampel.
31
Gambar 3.3. Gambar hasil pengambilan titik sampel.
3.8. Klasifikasi Multispektral Objek Mangrove
Klasifikasi multispektral citra merupakan pengolahan untuk ekstraksi objek
tutupan lahan mangrove dan non-mangrove. Selain itu juga, membedakan
kenampakan objek perairan atau tubuh air. Pembuatan kelas menjadi objek
mangrove dan non-mangrove dinilai tepat karena perbedaan kenampakan masing-
masing objek memiliki kenampakan yang berbeda satu sama lain.
32
Klasifikasi yang digunakan pada proses penelitian adalah klasifikasi
terbimbing (supervised) dengan algoritma Maximum Likelihood, Minimum
Distance, dan Mahalanobis Distance. Menurut (Danoedoro, 2012), Minimum
Distance merupakan algoritma yang membutuhkan suatu nilai ambang (threshold
value). Saat digunakan dengan benar, maka akan menghasilkan akurasi klasifikasi
yang sebanding dengan algoritma lainnya yang lebih intensif komputasinya seperti
algoritma Maximum Likelihood (Jensen, 2015). Namun, teknik perhitungan jarak
minimal ini menggunakan vektor dan menghitung jarak Euclidean dari setiap piksel
yang diketahui oleh vektor rata-rata untuk masing-masing kelas. Apabila semua
jarak yang dihitung ternyata tidak ada yang memenuhinya, maka beberapa piksel
tersebut kemungkinan tidak terklasifikasi
Mahalanobis Distance merupakan pengklasifikasi yang menggunakan
statistik untuk masing-masing kelas. Beberapa piksel tidak ditandai jika tidak
memenuhi ambang batas yang sudah ditentukan. Hal tersebut dikarenakan semua
piksel yang diklasifikasikan ke kelas ROI dengan menentukan ambang batas jarak.
Maximum likelihood mengkelaskan piksel berdasarkan probabilitas suatu
nilai piksel terhadap kelas tertentu dalam sampel. Dengan kata lain, probabilitas
suatu piksel termasuk ke dalam setiap kelas yang telah ditentukan, kemudian piksel
tersebut lebih ke kelas yang probabilitasnya tertinggi (Jensen, 2015). Apabila nilai
probabilitas nilai piksel berada di bawah nilai threshold yang ditentukan, maka
piksel tersebut tidak terkelaskan. Sebaliknya, apabila dalam klasifikasi tidak
memasukkan nilai threshold, maka semua piksel dapat terkelaskan sesuai sampel
piksel yang ada.
3.9. Uji Akurasi
Uji akurasi dilakukan untuk mengetahui tingkat keakuratan peta yang
dihasilkan dari klasifikasi multispektral. Metode yang digunakan dalam uji akurasi
ini adalah confusion matrix yang menghitung nilai akurasi user’s accuracy,
producer’s accuracy, dan overall accuracy. Uji akurasi dilakukan menggunakan
data hasil survei lapangan.
33
3.10. Visualisasi Data
Tahapan paling akhir dari suatu penelitian, khususnya pemetaan adalah
layout peta. Layout peta dilakukan pada data hasil pengolahan data atau hasil dari
klasifikasi supervised yang telah diuji akurasinya. Layout peta dilakukan dengan
mengikuti aturan kartografi dengan melengkapi informasi tepi peta, seperti judul
peta, grid, orientasi arah utara, legenda, inset peta, skala, nama pembuat, sumber
dan instansi. Layout peta tertera pada Gambar 3.4.
Gambar 3.4. Contoh visualisasi data
34
3.11. Diagram Alir Penelitian
Diagram alir penelitian pemetaan vegetasi mangrove di Pulau Menjangan Besar Kepulauan Karimunjawa dapat dilihat pada
Gambar 3.5 sebagai berikut.
Gambar 3.5. Diagram alir penelitian
Citra PlanetScope
(SR)
Supervised
Unsupervised
(IsoData) Masking Penentuan lokasi
sampel
Survei
lapangan
Maximum
Likelihood
Mahalanobis
Distance
Minimum
Distance Uji
akurasi
Kelas tentatif
penutup lahan
Data klasifikasi
Data uji
akurasi
Data
lapangan
Peta penutup
lahan akurasi
terbaik
Peta persebaran
mangrove
Keterangan:
: Input
: Proses
: Output
35
BAB IV
HASIL DAN PEMBAHASAN
4.1. Pra-Lapangan
Langkah awal pada penelitian ini adalah menentukan citra yang akan
digunakan dan menentukan cakupan daerah kajian pemetaan vegetasi mangrove,
serta disesuaikan dengan tujuan pemetaan yang akan dilakukan. Selain menentukan
citra yang akan digunakan, kegiatan pra-lapangan ini juga melakukan studi literatur
terkait metode penelitian, dan konsep pengambilan sampel vegetasi mangrove.
Pengolahan data citra yang akan dilakukan untuk pemetaan vegetasi mangrove
terdiri dari beberapa proses diantaranya, masking citra dan klasifikasi unsupervised
untuk penentuan sampel saat survei lapangan.
Penggunaan data pada penelitian ini adalah citra resolusi spasial tinggi yaitu
data penginderaan jauh PlanetScope. Citra PlanetScope yang digunakan meliputi
wilayah kajian Pulau Menjangan Besar, Kepulauan Karimunjawa (Gambar 4.1).
Data ini didapat dari hasil unduhan melalui laman resmi www.planet.com secara
gratis hanya dengan mendaftar surel yang aktif. Perekaman citra yang digunakan
pada tanggal 16 Desember 2018. Hal ini dikarenakan pada waktu perekaman
tersebut terdapat sedikit gangguan atmosphere atau awan yang menutupi wilayah
Pulau Menjangan Besar.
36
Gambar 4.1. Tampilan citra PlanetScope
37
Penampilan wilayah kajian penelitian secara spesifik pada peta pemetaan
vegetasi mangrove maka perlu dilakukan masking pada citra. Masking citra
meliputi pemisahan antara daratan dan lautan karena pada penelitian ini hanya
mencakup daerah daratan. Adapun band yang digunakan sebagai acuan dalam
proses masking citra tersebut adalah band 3, band 2, dan band 1 (RGB). Penggunaan
3 band mampu memisahkan kedua objek secara jelas dengan interpretasi visual
karena memiliki rona gelap dan terang pada masing-masing objek. Hasil pemisahan
daratan dan lautan merupakan shapefile hasil digitasi visual pada citra, selanjutnya
dijadikan data training area untuk ditampalkan pada citra RGB. Hasil dari masking
citra terdapat pada Gambar 4.2.
Gambar 4.2. Tampilan hasil masking citra.
Penentuan pengambilan sampel di lapangan dapat dilakukan dengan
membuat peta survei lapangan terlebih dahulu. Peta survei lapangan dibuat
menggunakan klasifikasi unsupervised. Klasifikasi unsupervised dalam pembuatan
peta survei lapangan adalah Isodata dengan menggunakan software ENVI.
Klasifikasi objek kemudian dibagi kedalam 6 kelas yang terdiri dari objek
mangrove, tumbuhan berkayu non-mangrove, semak, rumput, lahan terbuka, dan
pasir. Warna dari masing-masing kelas yaitu Gambar 4.3. menunjukkan hasil dari
klasifikasi unsupervised IsoData.
38
Gambar 4.3. Tampilan hasil klasifikasi IsoData.
4.2. Survei Lapangan
Kegiatan survei lapangan dimaksud untuk mengidentifikasi objek mangrove
dan non-mangrove berdasarkan peta rencana survei lapangan yang sudah dibuat.
Survei lapangan ini dilakukan pada hari Minggu, 16 Desember 2018 di Pulau
39
Menjangan Besar Kepulauan Karimunjawa. Sebelum dilakukannya survei
lapangan, laporan atau izin untuk melakukan penelitian di lokasi kajian berada di
Balai Taman Nasional Karimunjawa yang beralamatkan di Kota Semarang.
Kegiatan survei lapangan dilaksanakan selama 1 hari pada pukul 07.30 WIB hingga
15.00 WIB. Kegiatan ini hanya berlangsung 1 hari karena pada hari dan jam
tersebut cuaca mendung dan angin yang berhembus kencang membuat air menjadi
pasang yang dapat membahayakan jika masih dilakukan survei lapangan. Lokasi
kajian dapat ditempuh sekitar 15 menit dari wilayah Pulau Karimunjawa
menggunakan kapal nelayan.
GPS handheld, kamera, sepatu boots, pelampung, obat nyamuk oles, jas
hujan plastik, dan perahu merupakan alat-alat pendukung yang digunakan pada saat
survei lapangan. Masing-masing alat tersebut memiliki fungsi dan kegunaannya
sesuai yang dibutuhkan pada saat di lapangan. GPS handheld digunakan untuk
plotting titik objek yang nantinya dimasukkan ke dalam peta. Kamera digunakan
untuk merekam objek atau kegiatan selama survei di lapangan. Gambar 4.4. (a)
menunjukkan alat yang digunakan saat lapangan, antara lain sepatu boots,
pelampung, obat nyamuk oles, dan jas hujan plastik dengan menyesuaikan situasi
dan kondisi di daerah tersebut. Sedangkan Gambar 4.4. (b) menunjukkan perahu
nelayan digunakan sebagai alat transportasi penyebrangan dari Pulau Karimunjawa
menuju wilayah kajian yaitu Pulau Menjangan Besar.
(a) (b)
Gambar 4.4. Foto kegiatan survei lapangan (a) dan kegiatan menuju lokasi
penelitian (b).
40
Sebelum melakukan pengambilan sampel di lapangan, penting dilakukannya
kalibrasi GPS handheld sesuai dengan waktu dan posisi yang ada di daerah kajian.
Kalibrasi ini mengacu pada ground point Survei dan Pemetaan dari DISHIDROS
TNI AL. Pengaturan kalibrasi ini tentunya dilakukan sesuai dengan prosedur yang
ada di GPS Garmin tersebut. Proses ini terlihat pada Gambar 4.5.
Gambar 4.5. Ground point Survei dan Pemetaan dari DISHIDROS TNI AL.
Pengambilan data sampel berupa data titik koordinat dan foto dari objek
yang dikaji. Objek yang dimaksud antara lain Mangrove, tumbuhan berkayu non-
mangrove, rumput, semak, lahan kosong, dan pasir. Keuntungan dari pengambilan
sampel pada waktu tersebut adalah air laut yang sedang surut sehingga dapat
menjangkau objek yang dikaji. Namun, pada saat pengambilan sampel terdapat
gangguan seperti adanya mendung yang membuat GPS kurang akurat, serta
banyaknya binatang serangga yang ada di dalam pulau keluar dari sarangnya.
Kenampakan tersebut dapat terlihat pada Gambar 4.6.
41
Gambar 4.6. Contoh situasi dan kondisi di Pulau Menjangan Besar.
Vegetasi mangrove merupakan objek kajian yang paling banyak ditemukan
di garis tepi Pulau Menjangan Besar. Sedangkan yang ada di dalam pulau
didominasi oleh tumbuhan berkayu non-mangrove. Hampir di sekeliling pulau
ditumbuhi oleh vegetasi mangrove.
Data sampel survei lapangan (Gambar 4.8) dengan rencana 70 titik sampel
hanya memperoleh 58 titik sampel dikarenakan tidak memungkinkannya
pengambilan sampel pada daerah tertentu di Pulau Menjangan Besar. Kendala yang
dialami pada saat pengambilan data sampel survei lapangan dengan rencana 70 titik
sampel namun hanya memperoleh 58 titik sampel adalah pulau yang terlampau luas
mengakibatkan tidak tercapainya seluruh daerah kajian terplotkan oleh GPS. Selain
itu, waktu yang semakin sore membuat air semakin pasang yang dapat
membahayakan pada saat survei lapangan, serta cuaca yang mendung mengganggu
kinerja dari GPS handheld yang digunakan pada saat survei lapangan. Terdapat 38
foto yang direkam dari 58 titik sampel. Semua foto tersebut terdiri dari objek yang
dikaji. Kurangnya foto yang tidak sesuai dengan jumlah titik sampel dikarenakan
kamera yang terkena gelombang kecil air laut secara tidak sengaja saat dibawa
sehingga mengakibatkan kamera tersebut hang atau rusak dan tidak dapat
digunakan sebagaimana fungsinya.
42
4.3. Pasca Lapangan
Objek yang digunakan sebagai acuan pada pembuatan ROI antara lain
mangrove, tumbuhan berkayu non-mangrove, semak, rumput, lahan terbuka, dan
pasir. Pembuatan ROI dilakukan dengan bentuk polygon. Hal ini dikarenakan objek
yang dibedakan berupa area. Masing-masing objek dibedakan dengan warna yang
berbeda, antara lain mangrove (merah), tumbuhan berkayu non-mangrove (biru),
semak (kuning), rumput (Cyan), lahan terbuka (hijau), dan pasir (magenta).
Pembuatan ROI dapat dilihat pada Gambar 4.7.
Gambar 4.7. Tampilan ROI dan Tabel ROI
Metode klasifikasi untuk pemetaan vegetasi mangrove di Pulau Menjangan
Besar, Taman Nasional Karimunjawa menggunakan metode klasifikasi supervised.
Algoritma yang digunakan pada klasifikasi ini antara lain Maximum Likelihood,
Minimum Distance, dan Mahalanobis Distance. Ketiga algoritma tersebut
digunakan untuk membandingkan hasil dengan tingkat akurasi yang terbaik
berdasarkan nilai dari confusion matrix.
Berdasarkan hasil confusion matrix dari algoritma Minimum Distance
(Tabel 4.1.) menunjukkan bahwa nilai user’s accuracy dari objek mangrove sebesar
82,13%. Hal ini menandakan bahwa kemungkinan piksel mangrove yang
terkelaskan di lapangan probabilitasnya sebesar 82,13%. Sedangkan besaran nilai
43
akurasi klasifikasi yang didapatkan dari jumlah benar sampel yang terklasifikasikan
pada kelas Mangrove adalah 52,47%. Hal tersebut dikarenakan beberapa piksel
yang tidak terklasifikasikan masuk kedalam piksel kelas tumbuhan kayu non-
mangrove.
Tabel 4.1. Confusion matrix algoritma Minimum Distance.
Kelas Producer’s
Accuracy (%)
User’s
Accuracy (%)
Producer’s
Accuracy
(pixels)
User’s
Accuracy
(pixels)
Mangrove 52,47 82,13 308/587 308/375
Lahan Terbuka 50,77 80,49 33/65 33/41
Tumbuhan
kayu non-
mangrove
46,05 44,68 105/228 105/235
Semak 82,80 28,41 77/93 77/271
Rumput 72,73 21,92 16/22 16/73
Pasir 100,00 100,00 365/365 365/365
Rata-rata 67,47 59,60
Overall
Accuracy 63,53 %
Berdasarkan hasil confusion matrix dari algoritma Mahalanobis Distance
(Tabel 4.2.) menunjukkan bahwa nilai user’s accuracy dari objek mangrove sebesar
95,07%. Hal ini menandakan bahwa kemungkinan piksel mangrove yang
terkelaskan di lapangan probabilitasnya sebesar 95,07%. Sedangkan besaran nilai
akurasi klasifikasi yang didapatkan dari jumlah benar sampel yang terklasifikasikan
pada kelas Mangrove adalah 59,11%. Hal tersebut dikarenakan beberapa piksel
yang tidak terklasifikasikan masuk kedalam piksel kelas tumbuhan kayu non-
mangrove.
44
Tabel 4.2. Confusion matrix algoritma Mahalanobis Distance.
Kelas Producer’s
Accuracy (%)
User’s
Accuracy (%)
Producer’s
Accuracy
(pixels)
User’s
Accuracy
(pixels)
Mangrove 59,11 95,07 347/587 347/365
Lahan Terbuka 55,38 22,50 36/65 36/160
Tumbuhan
kayu non-
mangrove
44,30 61,96 101/228 101/163
Semak 89,25 48,54 83/93 83/171
Rumput 50,00 7,69 11/22 11/143
Pasir 98,08 100,00 358/365 358/358
Rata-rata 66,02 55,96
Overall
Accuracy 60,90%
Berdasarkan hasil confusion matrix dari algoritma Maximum Likelihood
(Tabel 4.3.) menunjukkan bahwa nilai user’s accuracy dari objek mangrove sebesar
94,16%. Hal ini menandakan bahwa kemungkinan piksel mangrove yang
terkelaskan di lapangan probabilitasnya sebesar 94,16%. Sedangkan besaran nilai
akurasi klasifikasi yang didapatkan dari jumlah benar sampel yang terklasifikasikan
pada kelas Mangrove adalah 63,20%. Hal tersebut dikarenakan beberapa piksel
yang tidak terklasifikasikan masuk kedalam piksel kelas tumbuhan kayu non-
mangrove.
Ketiga algoritma yang digunakan dapat diambil yang paling baik
berdasarkan nilai confusion matrix yang dihitung melalui software ENVI.
Algoritma Maximum Likelihood merupakan nilai confusion matrix yang paling baik
dari ketiga algoritma tersebut. Hal ini dikarenakan objek yang dikelaskan
45
menggunakan algoritma Maximum Likelihood menggunakan nilai piksel yang
mendekati dengan hasil survei di lapangan dan interpretasi.
Tabel 4.3. Confusion matrix algoritma Maximum Likelihood.
Kelas Producer’s
Accuracy (%)
User’s
Accuracy (%)
Producer’s
Accuracy
(pixels)
User’s
Accuracy
(pixels)
Mangrove 63,20 94,16 371/587 371/394
Lahan Terbuka 96,92 94,03 63/65 63/67
Tumbuhan
kayu non-
mangrove
86,40 52,53 197/228 197/375
Semak 93,55 73,73 87/93 87/118
Rumput 100,00 53,66 22/22 22/41
Pasir 100,00 100,00 365/365 365/365
Rata-rata 89,68 78,02
Overall
Accuracy 83,85 %
Distribusi vegetasi mangrove di Pulau Menjangan Besar dapat dilihat pada
hasil klasifikasi terbaik. Persebarannya bisa dikatakan secara merata mengelilingi
Pulau Menjangan Besar. Berdasarkan survei lapangan, terdapat mangrove yang
tumbuh di beberapa area di tengah Pulau Menjangan Besar. Namun, persebaran
mangrove di Pulau Menjangan Besar paling banyak tumbuh dan berkembang
terdapat di bagian Tenggara dan Barat Pulau Menjangan Besar. Selain itu juga,
tumbuhan yang mengelilingi Pulau Menjangan Besar tidak semua vegetasi
mangrove, melainkan terdapat semak, rumput, pasir, dan tumbuhan kayu non-
mangrove seperti pohon kelapa. Beberapa penutup lahan di Pulau Menjangan Besar
dapat dilihat pada gambar 4.8, sedangakang untuk persebaran vegetasi mangrove di
Pulau Menjangan Besar dapat dilihat pada gambar 4.9.
46
Gambar 4.8. Peta penutup lahan.
47
Gambar 4.9. Peta persebaran vegetasi mangrove.
48
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Pemetaan vegetasi mangrove menggunakan citra Planetscope dengan
klasifikasi Supervised algoritma Maximum Likelihood di Pulau Menjangan Besar,
Taman Nasional Karimunjawa menghasilkan 6 kelas, yaitu mangrove, tanaman
berkayu non-mangrove, semak, rumput, lahan kosong, dan pasir dengan nilai
Overall Accuracy sebesar 83,83%. Hasil distribusi vegetasi mangrove tersebar di
sekeliling pulau dan terdapat beberapa area di dalam Pulau Menjangan Besar.
5.2. Saran
Penyediaan informasi persebaran mangrove di Pulau Menjangan Besar
kedepannya tidak hanya menggunakan survei lapangan, tetapi dapat menggunakan
data penginderaan jauh karena mampu menghasilkan akurasi yang baik seperti yang
dilakukan pada penelitian. Selain itu juga, penelitian ini bukan hanya persebaran
mangrove saja, namun dapat memetakan kerapatan vegetasi mangrove.
49
DAFTAR PUSTAKA
Ashar, J. A. 2018. Pemanfaatan Citra Landsat Multitemporal untuk Pemetaan
Perubahan Luas Mangrove di Segara Anakan, Kabupaten Cilacap Tahun
1996-2017. Yogyakarta: Universitas Gadjah Mada.
Bengen, D. G., & Dutton, I. M. 2004. Interaction: mangroves, fisheries and forestry
management in Indonesia. H. 632-653.
Dahuri, R., Rais, J., Ginting, S. P., & Sitepu, M. J. 2001. Pengelolaan Sumberdaya
Pesisir dan Lautan Secara Terpadu. Jakarta: PT. Pramadya Paramita.
Danoedoro, P. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta: Penerbit
Andi.
Istomo. 1992. Tinjauan ekologi mangrove dan pemanfaatannya di Indonesia. Lab.
Ekologi Hutan. Bogor: Jurusan Manajemen Hutan, Fak. Kehutanan - IPB.
Jensen, J. R. 2015. Introductory Digital Image Processing a Remote Sensing
Perspective 4th Edition. United States of America: Pearson Education, Inc.
Kamal, M., Phinn, S., & Johansen, K. 2015. Object-Based Approach for Multi Scale
Mangrove Composition Mapping Using Multi-Resolution Image Datasets.
Journal: Remote Sens. 2015, 7, 4753-4783
Lillesand, T. M., & Kiefer, W. R. 1990. Penginderaan Jauh dan Interpretasi Citra
(Diterjemahkan oleh Dulbahri, Prapto Suharsono, Hartono, dan
Suharyadi). Yogyakarta: Universitas Gadjah Mada Press.
Lillesand, T., Kiefer, R., & Chipman, J. 2015. Remote Sensing and Image
Interpretation (Fifth Edition). United States America : Wiley.
Nybakken, J., W. 1992. Biologi Laut: Suatu Tinjauan Ekologis. Jakarta: PT.
Gramedia.
Purwanto, A. D., Wikanti, A., Gathot, W., & Ety, P. 2014. Analisis Sebaran dan
Kerapatan Mangrove Menggunakan Citra Landsat 8 di Segara Anakan,
Cilacap. Jakarta: LAPAN.
Putra, A. C. P. 2016. Pemetaan Kerapatan Kanopi Hutan Mangrove Menggunakan
Citra Landsat-8 OLI di Wilayah Pengelolaan (Resort Grajagan), Taman
Nasional Alas Purwo, Kabupaten Banyuwangi, Jawa Timur. Yogyakarta:
Universitas Gadjah Mada.
Saefurahman, G. 2008. Distribusi, Kerapatan dan Perubahan Luas Vegetasi
Mangrove Gugus Pulau Pari Kepulauan Seribu Menggunakan Citra
Formosat 2 Dan Landsat 7/ETM+. Bogor: Tesis. FPIK – IPB.
Saputra, J. P. 2015. Citra PJ untuk Pemetaan Perubahan Tutupan Lahan Mangrove
di Muara Sungai Porong Tahun 2003-2013. Yogyakarta: Universitas Gadjah
Mada.
50
Sutanto. 1992. Penginderaan Jauh Jilid I. Yogyakarta: Gadjah Mada University
Press.
Sutanto. 2013. Metode Penelitian Penginderaan Jauh. Yogyakarta: Badan Penerbit
Fakultas Geografi.
Wicaksono, I. 2016. Pemetaan Famili Mangrove Menggunakan Metode Object
Based Image Analysis pada Citra WorldView-2 di Balai Taman Nasional
Karimunjawa. Yogyakarta: Universitas Gadjah Mada.
https://jdih.lapan.go.id/ diakses pada tanggal 17 Juli 2019 pukul 18.30 WIB
www.planet.com/docs/spec-sheets/sat-imagery/ (diakses pada tanggal 20
September 2018 pukul 20.00 WIB)