BAB III METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian Penelitian ini dilaksanakan pada bulan Juli 2011 sampai dengan Januari 2012 dengan daerah penelitian di Desa Sawohan, Kecamatan Buduran, Kabupaten Sidoarjo, Jawa Timur. Peta lokasi penelitian dapat dilihat pada Gambar 6. Kegiatan pengolahan dan analisis dilakukan di Laboratorium Fisik Remote Sensing dan GIS, Departemen Manajemen Hutan Fakultas Kehutanan, Institut Pertanian Bogor. 3.2 Perangkat Keras (Hardware) dan Perangkat Lunak (Software) Hardware dan Software yang digunakan dalam penelitian ini adalah : a. Seperangkat notebook yang terdapat Software : - PolSARpro v4.2. - ENVI 4.7 - ERDAS IMAGINE 9.1 - Microsoft Word dan Exel 2010 - Google Earth Pro v5.0.1 b. Kamera digital Kodak C143 Easyshare c. GPS Garmin Oregon 550 3.3 Data Data utama yang digunakan pada penelitian ini adalah : a. Citra TerraSAR-X dual polarization mode high resolution Spotlight rekaman Desember 2007 (sumber : Departemen ITSL, IPB). b. Citra Quickbird yang terdapat pada google earth rekaman Juli 2010 (sumber : google earth) Data pendukung lainnya : a. Peta digital tutupan lahan daerah pesisir Kabupaten Sidoarjo tahun 2010 (sumber : Bappeda Sidoarjo).
21
b. Peta sebaran mangrove Kabupaten Sidoarjo tahun 2010 (sumber : Bappeda Sidoarjo). c. Peta Wilayah Administrasi Kabupaten Sidoarjo tahun 2011 (sumber : Bappeda Sidoarjo).
Surabaya
.
Gambar 6 Peta lokasi penelitian.
22
23
Tampilan citra dual polarization dari TerraSAR-X masing-masing polarisasi HH dan VV dapat dilihat menggunakan software ENVI 4.7 dalam bentuk tiga jendela grup (Gambar 7), yaitu Image Window, Scroll Window dan Zoom (4x) Window.
b
a
c
Gambar 7 [a] Image window, [c] scroll window dan [b] zoom (4x) window pada citra polarisasi HH.
Gambar 8 Citra hasil cropping area penelitian pada polarisasi HH.
24
b
a c Gambar 9 [a] Image window, [c] scroll window dan [b] zoom (4x) window pada citra polarisasi VV.
Gambar 10 Citra hasil cropping area penelitian pada polarisasi VV. 3.4 Metode Pengolahan Data Tahapan penelitian dimulai dengan pengolahan awal citra yang berupa proses ekstraksi, cropping dan reduksi speckle. Kemudian dilakukan proses analisis citra secara visual dan digital. Hasil verifikasi digital kemudian diperiksa
25
akurasinya dengan membandingkan hasil analisis visual menggunakan bantuan hasil ground check dan perbandingan citra Quickbird dari google earth. Setelah itu dilakukan proses stratified classification pada penutupan lahan hutan mangrove. Tahapan penelitian secara lengkap disajikan pada Gambar 12. 3.4.1 Pengolahan Awal Citra (Pre-Image Processing) 3.4.1.1 Ekstraksi Pada Citra Terrasar-X High Resolution dan Proses Cropping Citra TerraSAR-X harus diekstraksi terlebih dahulu agar dapat diproses lebih lanjut. Proses ekstraksi ini menggunakan bantuan software PolSARpro v4.2. Sebelum dilakukan proses ekstraksi, data citra TerraSAR-X harus di-import terlebih dahulu ke dalam software. Setelah data masuk kemudian memilih menu read header yang terdapat pada menu PolSARpro. Pada saat proses ekstraksi, harus dipilih opsi full resolution. Keluaran dari hasil ekstraksi berupa file dengan format *.bin dan citra RGB dengan tampilan (|VV|-|HH-VV|-|HH|). Hasil ekstraksi tersebut merupakan proses ekstraksi keseluruhan area pencitraan satelit. File ekstraksi pada wilayah yang diinginkan diperoleh dengan cara memasukkan batas kolom piksel dan batas baris piksel pada area yang diinginkan. Proses ini sama halnya dengan melakukan cropping pada citra yang telah terkoreksi. Hal ini bertujuan untuk lebih memfokuskan perhatian ke area penelitian juga untuk mereduksi volume data citra, agar mudah dalam proses di komputer. 3.4.1.2 Reduksi Speckle Reduksi speckle pada penelitian ini dilakukan dengan adaptive filter yaitu Lee dan Frost. Filter ini digunakan untuk mereduksi speckle pada citra polarisasi HH dan polarisasi VV citra TerraSAR-X. Wilayah pemfilteran lokal (local region filter) pada proses filterisasi Lee dan Frost dilakukan pada jendela 3x3 (Gambar 11). Ukuran jendela ini menunjukkan ukuran arah pergerakan piksel menurut 8 arah mata angin, yang berada di sekitar piksel yang diamati (noise). Praktek pemfilteran sebenarnya dapat dilakukan secara berulang untuk meningkatkan ukuran jendela / wilayah pemfilteran lokal. Namun hal tersebut tidak dilakukan
26
pada penelitian ini. Hal ini dilakukan untuk menjaga variasi nilai DN pada piksel di wilayah pemfilteran lokal yang dirumuskan sebagai berikut : =[
Keterangan :
(
,
−
) ]/( − 1)
n = ukuran kernel (ITT Visual Information Solution 2008) X1
X2
X3
Y1
piksel tujuan (X0,Y0)
Y2 Y3
Gambar 11 Kernel ukuran 3x3 pada proses filtering. Filter Lee menggunakan distribusi statistik pada nilai DN di wilayah pemfilteran l untuk mengestimasi piksel mana yang akan menjadi pusat perhatian (noise). Speckle pada pencitraan radar dapat dirumuskan sebagai perkalian noise dengan nilai rata-rata satu. Rumus standar deviasi noise adalah sebagai berikut: = √
=
=
( )
Pemfilteran Lee menggunakan asumsi bahwa rata-rata dan variasi piksel di wilayah yang diamati sama dengan rata-rata dan variasi lokal dari semua piksel yang berada di wilayah pemfilteran lokal yang dipilih. Perhitungan pemfilteran Lee adalah sebagai berikut :
Keterangan : K
=[
]+ [
−
]
= normalization constant Filter Frost merupakan filter kabut yang secara eksponensial lingkaran
simetrik
menggunakan
lokal
statistik.
Lokal
statistik
berfungsi
untuk
memindahkan jendela filter yang menyesuaikan dengan respon filter terhadap pulsa. Rumus DN output hasil pemfilteran Frost adalah sebagai berikut : =
| |
27
={
dimana, = 4
=
| |
}/(
×
)
Ι̅
Keterangan : K Ī
| |
= normalization constant = local mean = local variance =image coefficient of variation value =
√
| | =| − |+| − | X, Y = posisi koordinat piksel ke-i terhadap piksel tujuan (pusat kernel) X0, Y0 = piksel tujuan (pusat kernel) n = ukuran kernel (Lopes et al. 1990) 3.4.2 Analisis Citra 3.4.2.1 Analisis Citra Secara Visual (Visual Image Interpretation) Klasifikasi visual atau kualitatif merupakan suatu kegiatan untuk mendeteksi dan mengidentifikasi objek-objek permukaan bumi yang tampak pada citra, dengan cara mengenalinya atas dasar karakteristik spasial, spektral, dan temporal. Unsur-unsur interpretasi yang digunakan yaitu: a. Tone dan warna Tone (derajat keabu-abuan / grayscale) dan warna adalah elemen dasar dari sebuah objek. Variasi tone/ warna sangat bergantung pada karakteristik dari setiap objek, karena warna merupakan hasil reflektansi, transmisi dan atau radiasi panjang gelombang yang dihasilkan dari objek yang bersangkutan. Tone atau warna sangat bergantung pada panjang gelombang atau band yang digunakan saat perekaman. Tingkat kecerahan dari objek sangat bergantung pada sifat dasar dari objek yang bersangkutan. Tone pada citra radar dapat didefinisikan sebagai intensitas rata-rata dari sinyal backscatter. Backscatter yang tinggi akan menghasilkan kecerahan yang tinggi (tone terang), sebaliknya backscatter yang rendah akan menghasilkan tingkat kecerahan yang rendah (tone gelap). Intensitas
28
tersebut dipengaruhi oleh karakteristik obyek, diantaranya berupa kekasaran permukaan, complex dielectric constant, kelerengan dan arah obyek. Selain itu untuk citra radar dipengaruhi juga oleh sistem sensor radar yang digunakan. b. Tekstur Tekstur adalah frekuensi perubahan rona pada citra. Tekstur merupakan hasil gabungan dari unsur bentuk, ukuran, pola dan rona obyek. Tekstur sering dinyatakan dengan kasar, sedang atau halus. Tekstur kasar umumnya dibentuk oleh rona dengan variasi tinggi (belang-belang) dimana terjadi perubahan tone yang besar, sedangkan tekstur halus terbentuk dari variasi yang relatif kecil. c. Pola Pola adalah hubungan susunan spasial obyek. Pengulangan bentuk umum tertentu merupakan karakteristik dari banyak obyek alamiah atau bangunan dan akan memberikan suatu pola yang membantu penafsiran untuk mengenali obyek yang bersangkutan. Pola yang digunakan pada interpretasi visual umumnya mengacu pada tata ruang atau tata letak objek dalam suatu ruang. Pola sebaran objek dengan jarak yang teratur, tone yang sama akan menghasilkan tampilan pola yang berbeda dengan objek yang tersebar secara acak (random) dan tone yang relatif berbeda. d. Lokasi Lokasi adalah letak obyek dalam hubungannya dengan obyek yang lain. Lokasi sangat berguna untuk membantu pengenalan obyek. e. Asosiasi Asosiasi dapat diartikan sebagau keterkaitan antara obyek yang satu dengan obyek yang lain. Karena keterkaitan inilah, maka terlihatnya suatu obyek pada citra sering merupakan petunjuk bagi adanya obyek lain. f. Bentuk Bentuk ialah konfigurasi atau kerangka suatu obyek. Bentuk merupakan atribut yang jelas, sehingga banyak obyek yang dapat dikenali berdasarkan bentuknya. Secara umum bentuk sebuah objek mengacu pada bentuk-bentuk
29
umum bagian luar (eksternal), struktur, konfigurasi atau garis besar dari individu objek. Bentuk-bentuk umum yang digunakan adalah variasi bentuk polygon dan atau garis, seperti segi empat panjang, segitiga, lingkaran, garis lurus, garis melengkung, dan sebagainya. Bentuk-bentuk objek buatan manusia umumnya lebih teratur dibandingkan dengan bentukbentuk alam. Pada citra radar, bentuk objek merupakan hasil rekaman dari posisi miring (oblique/side looking), jarak slant dari radar. g. Ukuran Ukuran adalah atribut obyek yang merupakan fungsi dari skala, oleh sebab itu dalam interpretasi citra harus selalu memperhatikan skala yang digunakan. Ukuran suatu objek atau yang tampak dalam citra atau foto sangat bergantung pada skala, resolusi dan ukuran objek yang sebenarnya ada di alam. h. Bayangan Pada citra radar, bayangan topografi adalah bagian yang tidak ada informasi backscatter. Bayangan itu juga berguna untuk meningkatkan atau mengidentifikasi topografi dan bentang alam, khususnya dalam citra radar. Bayangan pada radar sangat terkait dengan sudut miring dari radiasi gelombang mikro yang dipancarkan sistem sensor dan bukan oleh geometri dari iluminasi matahari. Unsur interpretasi berdasarkan tingkat kerumitan dibedakan menjadi empat tingkat yaitu : a. Kunci interpretasi primer, yaitu : tone dan warna. b. Kunci interpretasi sekunder, yaitu : bentuk, ukuran, dan tekstur. c. Kunci interpretasi tersier, yaitu : pola dan bayangan. d. Kunci interpretasi lebih tinggi, yaitu : lokasi atau asosiasi. Kegiatan ini dilakukan untuk memberikan gambaran awal dalam mengidentifikasi pola sebaran, penentuan jumlah kelas tutupan lahan dan macam kelas tutupan lahan yang ada di daerah penelitian. 3.4.2.2 Pengolahan Citra Digital (Image Processing) Pengolahan citra digital (image processing) mengacu kepada teknik
30
klasifikasi citra. Berdasarkan tekniknya, klasifikasi dapat dibedakan menjadi klasifikasi terbimbing dan tidak terbimbing. Pada klasifikasi t e rb i m bi n g , pengelompokkan piksel ke dalam suatu kelas yang telah ditetapkan dilakukan oleh interpreter secara manual berdasarkan nilai kecerahan (brightness) maupun warna dari piksel yang bersangkutan. Pada klasifikasi tidk terbimbing, pengelompokkan dilakukan secara otomatis oleh komputer berdasarkan nilai kecerahan (brightness value atau digital number) contoh yang diambil sebagai contoh (region of interest). 3.4.2.2.1 Klasifikasi Citra Metode yang digunakan dalam klasifikasi ini adalah metode klasifikasi terbimbing dan tidak terbimbing. Metode klasifikasi terbimbing terdiri dari metode maximum likelihood, mahalanobis distance, minimum distance, parallelepiped dan Support Vector Machine (SVM). Untuk metode klasifikasi tidak terbimbing digunakan metode k-means. Kelima metode tersebut kemudian dicari nilai akurasinya untuk dapat dipilih suatu metode dengan nilai akurasi terbaik. a. Pembuatan Region of Interest Pembuatan region of interest (ROI) atau pengelompokan piksel-piksel pada setiap obyek dilakukan untuk mengambil informasi statistik kelas-kelas tutupan lahan. Pengambilan informasi statistik pada citra TerraSAR-X dilakukan dengan cara menentukan semua area contoh tiap kelas tutupan lahan secara manual dengan bantuan citra optik Quickbird pada google earth.. Informasi statistik dari setiap tutupan lahan ini digunakan untuk menjalankan fungsi separabilitas dan fungsi akurasi. Informasi yang diambil adalah nilai rata- rata, simpangan baku, nilai digital minimum, dan maksimum, serta matriks kovarian untuk setiap kelas tutupan lahan. Kegiatan pembuatan ROI ini hanya dilakukan pada metode klasifikasi terbimbing. b. Analisis Separabilitas Analisis separabilitas adalah analisis kuantitatif yang menunjukkan keterpisahan statistik antar kelas penutupan lahan, apakah suatu kelas layak untuk digabung atau tidak berdasarkan kriteria tingkat keterpisahan. Kelas yang
31
digunakan untuk analisis separabilitas ini merupakan hasil ROI pada metode klasifikasi terbimbing dan hasil kelas yang dibentuk pada klasifikasi tidak terbimbing. Metode yang digunakan untuk analisis ini adalah metode transformed divergence. Kriteria tingkat keterpisahan dapat dilihat pada Tabel 6. Tabel 6 Kriteria tingkat keterpisahan metode transformed divergence Nilai Transformasi keterpisahan Keterangan 2 Sempurna (excellent) 1,900 – 1,999 Sangat baik (good) 1,700 – 1,899 Baik (fair) 1,600 – 1,699 Cukup baik (poor) < 1,600 Tidak terpisahkan (inseparable) Sumber : Jaya (2009) disesuaikan dengan software ENVI 4.7
3.4.2.2.2 Akurasi Hasil Klasifikasi Salah satu cara untuk mengevaluasi ketepatan hasil klasifikasi adalah dengan melakukan evaluasi akurasi yaitu dengan membuat matriks kesalahan (error matrix). Matriks kesalahan adalah matriks bujur sangkar yang berfungsi untuk melihat penyimpangan klasifikasi yaitu berupa kelebihan jumlah piksel dari kelas yang lain atau kekurangan jumlah piksel pada masing-masing kelas. Idealnya semua elemen yang bukan diagonal dalam matrik tersebut harus bernilai nol yang artinya tidak ada penyimpangan dalam matriks (Lillesand and Kiefer 1990). Persentase ketepatan hasil klasifikasi tersebut dapat dilihat dari nilai User’s Accuracy, Producer’s Accuracy, Overall Accuracy dan Kappa Accuracy. Kappa Accuracy merupakan suatu ukuran yang paling banyak digunakan karena mempertimbangkan semua elemen dalam matriks kesalahan sehingga dinyatakan dengan rumus : (K) =
=
=
=
∑
∑
− ∑ − ∑
× 100%
× 100%
× 100%
× 100%
32
dimana : N
= Jumlah semua piksel yang digunakan untuk pengamatan
R
= Jumlah baris atau lajur pada matriks kesalahan (jumlah kelas)
Xii
= Nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-i
X+i
= Jumlah piksel dalam kolom ke-i
Xi+
= Jumlah piksel dalam baris ke-i
3.4.3 Ekstraksi Hutan mangrove 3.4.3.1 Klasifikasi Hutan Mangrove Estimasi spesies kawasan mangrove dilakukan menggunakan metode klasifikasi yang memiliki nilai overall accuracy paling tinggi. Kawasan mangrove ini merupakan area yang didapat dari hasil penafsiran secara visual dan telah di crop pada objek-objek lainnya untuk meningkatkan besarnya akurasi. Sehingga dengan menerapkan sistem stratified classification dapat mengurangi terjadinya kesalahan klasifikasi karena menghilangkan objek-objek lain. a. Pembuatan Region of Interest Pembuatan region of interest (ROI) pengelompokan piksel-piksel pada setiap obyek mangrove dilakukan untuk mengambil informasi statistik kelas-kelas tutupan lahan. Pengambilan informasi statistik pada citra TerraSAR-X dilakukan dengan cara menentukan semua areal contoh tiap kelas mangrove secara manual. b. Analisis Separabilitas Analisis separabilitas adalah analisis kuantitatif yang menunjukkan keterpisahan statistik antar kelas mangrove, apakah suatu kelas layak untuk digabung atau tidak berdasarkan kriteria tingkat keterpisahan. Metode yang digunakan untuk analisis ini adalah metode transformed divergence. Kriteria tingkat keterpisahan dapat dilihat pada Tabel 6. 3.4.3.2 Analisis Akurasi Klasifikasi Hutan Mangrove Hasil dari klasifikasi kelas-kelas mangrove kemudian dievaluasi ketepatan hasil klasifikasinya. Salah satu cara untuk mengevaluasi ketepatan hasil klasifikasi adalah dengan melakukan evaluasi akurasi yaitu dengan membuat matriks kesalahan (error matrix) seperti yang telah dilakukan pada analisis akurasi penutupan lahan. Matriks kesalahan adalah matriks bujur sangkar yang berfungsi untuk melihat penyimpangan klasifikasi yaitu berupa kelebihan jumlah piksel dari
33
kelas yang lain atau kekurangan jumlah piksel pada masing-masing kelas. Idealnya semua elemen yang bukan diagonal dalam matrik tersebut harus bernilai nol yang artinya tidak ada penyimpangan dalam matriks (Lillesand and Kiefer 1990). Persentase ketepatan hasil klasifikasi tersebut dapat dilihat dari nilai User’s Accuracy, Producer’s Accuracy, Overall Accuracy dan Kappa Accuracy. Kappa Accuracy merupakan suatu ukuran yang paling banyak digunakan karena mempertimbangkan semua elemen dalam matriks kesalahan sehingga dinyatakan dengan rumus : (K) =
=
dimana :
=
=
∑
∑
− ∑ − ∑
× 100%
× 100%
× 100%
× 100%
N
= Jumlah semua piksel yang digunakan untuk pengamatan
R
= Jumlah baris atau lajur pada matriks kesalahan (jumlah kelas)
Xii
= Nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-i
X+i
= Jumlah piksel dalam kolom ke-i
Xi+
= Jumlah piksel dalam baris ke-i
3.4.4 Pemeriksaan Lapangan (Ground Check) Kegiatan pengecekan lapangan dilaksanakan untuk memperoleh informasi mengenai keadaan atau kondisi lapangan secara nyata sebagai pelengkap informasi dan pembanding bagi analisis selanjutnya. Pengecekan lapangan yang dilakukan adalah dengan mengambil titik pada obyek-obyek yang telah ditentukan pada identifikasi awal. Tujuannya untuk mencocokkan tutupan lahan yang telah diidentifikasi di citra secara visual dengan keadaan sesungguhnya di lapangan. Pengambilan titik untuk pengamatan lapangan diutamakan pada daerah yang memiliki aksesibilitas yang baik, memiliki kenampakan yang berbeda dari
34
kenampakan umumnya dan mewakili contoh ketersebaran penutupan lahan pada daerah tersebut. Selain itu, pengecekan lapangan yang berupa pengkelasan spesies-spesies mangrove diperlukan pada proses ekstraksi hutan mangrove. Pengecekan ini dilakukan untuk mengetahui seberapa banyak kelas mangrove di lapangan berdasarkan spesies penyusunnya dan dibandingkan dengan tampilan citra TerraSAR-X yang dapat mengkelaskan spesies mangrove tersebut.
35
3.4.5 Diagram Alir Penelitian Mulai
Citra Quickbird (Google Earth)
Row Data TerraSAR-X
Pembuatan Tampilan Citra RGB (|VV|-|HH-VV|-|HH|)
Data lapangan (Ground Check)
Ekstraksi Citra TerraSAR-X
Pemotongan citra (cropping)
Subset Citra TerraSAR-X (|VV|-|HH-VV|-|HH|)
Citra Hasil Filter Terbaik
Kelas Penutupan Lahan : - Tambak - Rumput - Tanah Kosong - Sungai - Vegetasi Mangrove
Klasifikasi Visual
Peta Penutupan Lahan
Data lapangan (Ground Check)
Reduksi Speckle : 1. J.S. Lee Filter 2. Frost Filter
Klasifikasi Hutan Mangrove
Klasifikasi Digital 1.Supervised Classification : - Maximum likelihood - Mahalanobis distance - Minimum distance - Parallelepiped - Support Vector Machine (SVM) 2.Unsupervised Classification : - K-means
Metode Klasifikasi Terbaik Analisis Separabilitas
Analisis Akurasi/Accuracy Assesment Kelas Mangrove : - Avicennia sp. - Xylocarpus sp.dan Rhhizophora sp. - Hibiscus tiliaceus - Semak dan rerumputan
Klasifikasi Mangrove
Analisis Akurasi/Accuracy Assesment
Selesai Gambar 12 Diagram alir metode penelitian.
Klasifikasi Penutupan Lahan