DAFTAR GAMBAR Gambar 2.1 Komponen Penginderaan Jauh....................................... 10 Gambar 2.2 Karakteristik respon spektal vegetasi hijau....................12 Gambar 2.3 Kerangka penelitian....................................................... 33 Gambar 3.1 Diagram alir metode penelitian...................................... 51 Gambar 4.1 Peta Lokasi Penelitian.................................................... 58 Gambar 5.1 Peta Sampel Lapangan Citra Resolusi Tinggi................62 Gambar 5.2 Titik kontrol (GCP) pada koreksi geometrik................. 71 Gambar 5.3Pertampalan vektor sebelum dan sesudah Koreksi Geometrik........................................... 72 Gambar 5.4 Histogram citra daerah kajian untuk komposit warna 432....................................................................... 77 Gambar 5.5 Kenampakan citra satelit ALOS AVNIR-2 komposit 432................................................................. 78 Gambar 5.6 Peta Satuan Pemetaan Kerapatan Vegetasi.................... 81 Gambar 5.7 Pembuatan ROI dari blok kerapatan vegetasi................ 83 Gambar 5.8 Grafik hubungan antara RVI dengan kerapatan vegetasi.......................................................................... 85 Gambar 5.9 Grafik hubungan antara NDVI dengan kerapatan vegetasi.......................................................................... 86 Gambar 5.10 Grafik hubungan antara TVI dengan kerapatan vegetasi........................................................................... 86 Gambar 5.11 Grafik hubungan antara MSAVI dengan kerapatan vegetasi.......................................................................... 87 Gambar 5.12 Peta Kerapatan Kanopi Hutan Interpretasi Hibrida..... 91
xi
DAFTAR TABEL Tabel 2.1 Produk Data Standar ANVIR-2........................................ 15 Tabel 2.2 Kelebihan dan kekurangan metode interpretasi visual dan digital...........................................................................25 Tabel 2.3 Perbandingan dengan penelitian sebelumnya dan penelitian yang akan dilakukan......................................... 35 Tabel 3.1 Tingkat hubungan koefisien korelasi................................ 47 Tabel 3.2 Kelas kerapatan vegetasi................................................... 48 Tabel 3.3 Uji akurasi pemetaan habitat bentik...................................49 Tebel 5.1 Hasil identifikasi kerapatan vegetasi di lapangan.............. 63 Tabel 5.2 Titik GCP pada koeksi geometrik...................................... 70 Tabel 5.3 Nilai gain dan offset pada citra ALOS AVNIR-2.............. 73 Tabel 5.4 Citra hasil transformasi dan perbandingan nilai spektralnya....................................................................... 76 Tabel 5.5 Pengenalan Objek Hasil interpretasi Visual untuk Satuan Pemetaan..................................................... 80 Tabel 5.6 Nilai rata-rata piksel blok kerapatan vegetasi pada Transformasi Indeks Vegetasi (RVI, NDVI, TVI dan MSAVI) ....................................... 84 Tabel 5.7 Korelasi nilai rata-rata tiap saluran dengan nilai kerapatan.......................................................................... 87 Tabel 5.8 Formula kerapatan vegetasi............................................... 89 Tabel 5.9 Luas kerapatan vegetasi hasil interpretasi hibrida............. 90 Tabel 5.10 Uji akurasi interpretasi hibrida....................................... 92
xii
DAFTAR LAMPIRAN Lampiran 1. Nilai rata-rata satuan pemetaan kerapatan kanopi vegetasi pada citra NDVI............................................ 101 Lampiran 2. Header Citra Satelit ALOS AVNIR-2........................... 104 Lampiran 3. Peta Kerapatan Kanopi Vegetasi Interpretasi Citra resolusi Tinggi........................................................................... 107 Lampiran 4. Citra RVI....................................................................... 108 Lampiran 5. Citra NDVI.................................................................... 109 Lampiran 6. Citra TVI....................................................................... 110 Lampiran 7. Citra MSAVI................................................................ 111 Lampiran 8. Peta Inversi Regresi......................................................112
xiii
BAB I PENDAHULUAN
1.1 Latar Belakang Penginderaan jauh yaitu berbagai teknik yang dikembangkan untuk perolehan dan analisis informasi tentang bumi. Informasi tersebut berbentuk radiasi elektromagnetik yang dipantulkan atau dipancarkan dari permukaan bumi (Lindgren, 1985 dalam Sutanto 1986). Hasil dari rekaman tersebut berupa data penginderaan jauh yang dalam penerapannya disebut citra penginderaan jauh. Ada dua macam citra yang dihasilkan dari produk penginderaan jauh, citra foto dan citra nonfoto (satelit). Citra foto dihasilkan dari pemotretan foto udara dengan sensor berupa kamera. Sensor tersebut di pasang pada wahana seperti pesawat terbang, balon udara, atau bahkan pesawat tanpa awak (remote control). Adapun citra nonfoto adalah citra yang dihasilkan dari pemotretan dengan satelit sebagai wahananya. Citra hasil rekaman sensor penginderaan jauh memuat berbagai macam informasi objek di permukaan bumi. Untuk dapat dimanfaatkan secara optimal, maka citra ini harus diterjemahkan dalam bentuk informasi tentatif objek. Setiap objek di permukaan bumi memiliki nilai reflektansi yang berbeda-beda. Interaksi gelombang elektromagnetik dengan objek di permukaan bumi inilah yang nantinya dijadikan dasar pengenalan objek. Tahap awal pengenalan citra inilah yang disebut dengan interpretasi citra. Estes dan Simonette (1975 dalam Sutanto, 1986) mengatakan bahwa interpretasi citra merupakan perbuatan mengkaji foto udara dan atau citra dengan maksud untuk mengidentifikasi objek dan menilai arti pentingnya objek tersebut. Dalam hal ini dibutuhkan unsur-unsur pengenal objek ataupun gejala yang terekam pada citra. Unsur-unsur inilah yang dinamakan unsur interpretasi. Ada 9 jenis unsur interpretasi, rona atau warna, ukuran, bentuk, tekstur, pola, tinggi, bayangan, situs dan asosiasi (Estes et al., 1983 dalam Sutanto 1986). Tidak mutlak ke 9 unsur interpretasi tersebut digunakan secara serentak untuk menginterpretasi objek. Melaui latihan 1
menginterpretasi citra baik di laboratrium maupun observasi lapangan secara langsung akan dapat dikenali unsur-unsur interpretasi apa saja yang paling berperan dalam identifikasi objek di permukaan bumi. Unsur interpretasi yang paling berperan inilah yang kemudian disebut kunci interpretasi. Menurut (Sabins, 1997), kunci interpretasi adalah karakteristik atau kombinasi karakteristik (dalam hal ini diwakili oleh unsur-unsur interpretasi) yang memungkinkan suatu objek pada citra dapat dikenali. Interpretasi citra pada dasarnya terdiri dari dua proses, yakni proses perumusan identitas objek dan elemen yang dideteksi pada citra dan proses untuk menemukan arti pentingnya objek dan elemen tersebut (Lo, dalam Sutanto 1986). Hasil dari proses inilah yang kemudian dikelompokkan berdasarkan homogenitasnya, jadi dapat dikatakan bahwa proses interpretasi pada
dasarnya
adalah
mengelompokkan
karakteristik/fenomena
di
permukaan bumi berdasarkan kemiripan/homogenitasnya membentuk suatu pola tertentu. Menurut Sutanto (1986) interpretasi citra penginderaan jauh dapat dilakukan dengan dua cara yaitu interpretasi secara visual atau manual dan interpretasi secara digital. Manual dengan memanfaatkan penginderaan melalui citra sedangkan interpretasi digital dilakukan dengan mendasarkan pada informasi spektralnya.
Proses interpretasi yang untuk selanjutnya
dilakukan klasifikasi adalah elemen yang sangat penting dalam menentukan sukses tidaknya proses pemetaan. Banyak metode klasifikasi yang masih digunakan hingga saat ini, terutama untuk klasifikasi digital. Beberapa metode klasifikasi digital yang umum digunakan antara lain klasifikasi multispektral, jaringan saraf tiruan, logika samar, klasifikasi berorientasi obyek. Sejauh ini hanya dikenal dua proses interpretasi, yakni manual dan digital. Masing-masing dari interpretasi tersebut pastilah memiliki kelebihan dan
kekurangannya.
mengoptimalkan
Dalam
kelebihannya
rangka maka
mereduksi
kekurangan
dikembangkanlah
satu
dan teknik
interpretasi dengan menggabungan baik interpretasi digital maupun interpretasi manual untuk mengidentifikasi objek tertentu di permukaan 2
bumi. Teknik interpretasi inilah yang kemudian disebut dengan interpretasi hibrida. Adapun interpretasi hibrida menurut Suharyadi (2010) adalah teknik yang mengkombinasikan antara interpretasi visual untuk delineasi objek, dan menggunakan prinsip-prinsip pola pengenalan spektral secara digital untuk identifikasi objeknya. Penggunaan berbagai metode interpretasi baik visual maupun digital sebenarnya sama-sama untuk mempermudah dalam pengenalan objek di permukaan bumi. Namun bagaimana kemudian metode tersebut nantinya dapat diterima dan dimanfaatkan untuk analisis keruangan. Hal ini erat kaitannya dengan kualitas data spasial yang dihasilkan. menurut Guptill dan Morrison (1995) dalam Danoedoro (2012) kualitas data spasial adalah suatu keadaan data yang harus diinformasikan keada pengguna data tersebut agar mereka dapat memanfaatkannya secara proporsional; dan juga kepada para praktisi atau peneliti yang dalam pekerjaannya menghasilkan keluaran berupa peta atau citra agar mencantumkan informasi tentang keadaan data yang dihasilkan sehingga data dapat dimanfaatkan sebagaimana mestinya. Banyak aspek yang mempengaruhi kualitas data spasial, antara lain lineage/riwayat
data,
akurasi
posisi,
akurasi
atribut,
kelengkapan,
konsistensi logis, akurasi semantik, dan informasi temporal (Guptil dan Morrison, 1995 dalam Danoedoro 2012). Kualitas data yang dibicarakan pada penelitian kali ini adalah kualitas data hubungannya dengan akurasi semantik, yakni akurasi pada isi informasi tematik peta. Akurasi ini menggambarkan tingkat kebenaran dari peta yang dihasilkan. Semakin tinggi akurasinya, semakin baik data/peta yang dihasilkan. Produk penginderaan jauh yang disebut citra penginderaan jauh saat ini sudah banyak dimanfaatkan untuk kajian penutup dan atau penggunaan lahan, tata ruang wilayah, hingga studi kebencanaan. Masing-masing citra penginderaan jauh memiliki tingkat kedetilalan informasi yang disadap, hal ini erat kaitannya dengan resolusi. Ada empat resolusi yakni resolusi spasial, resolusi spektral, resolusi radiometeri, dan resolusi temporal (Sutanto, 1986). Menurut Swain dan Davis (1978) resolusi adalah kemampuan suatu sistem optik-elektronik untuk membedakan informasi
3
secara spasial (keruangan) berdekatan atau secara spektral (sinar) mempunyai kemiripan. Resolusi spasial merupakan petunjuk kualitas sensor, semakin kecil objek yang dapat direkam olehnya, semakin detil informasinya.
Resolusi
spektral
adalah
kemapuan
sensor
dalam
membedakan objek berdasarkan pantulan spektral dari objek itu sendiri. Resolusi temporal terkait dengan waktu, yakni kemampuan sensor untuk merekam ulang daerah yang sama. Sedangkan resolusi radiometri adalah kemampuan sensor dalam mencatat respons spektral objek. Konsep resolusi berkaiatan erat dengan kualitas data spasial dalam penginderaan jauh. Tidak semua data dapat digunakan begitu saja, tergantung tujuan penggunaannya, dan output yang dihasilkan. . Citra-citra skala kecil dengan resolusi yang kecil, NOAA misalnya digunakan untuk analisis hingga tingkat regional dengan cakupan wilayah yang luas. Sedangkan Landsat atau ASTER tingkat kedetilannya hanya terbatas pada skala menengah begitu pula dengan ALOS. Lain halnya dengan IKONOS atau QuickBird, citra ini dapat mencapai tingkat kedetilan tinggi karena memiliki resolusi spasial yang tinggi pula. Kaitannya dengan hal tersebut, maka penelitian yang dilakukan di sebagian Kabupaten Gunungkidul ini menggunakan citra satelit resolusi menengah ALOS untuk kajian kerapatan vegetasi sehingga output yang dihasilkan nanti dapat sesuai dengan apa yang diharapkan. Variasi panjang gelombang yang dimiliki oleh citra ALOS dengan sensor AVNIR-2 inilah yang dijadikan dasar dalam pengenalan objek vegetasi di permukaan bumi. Dari sekian banyak metode interpretasi vegetasi, transformasi indeks vegetasi masih dipercaya sebagai metode yang memiliki keakuratan yang baik untuk pengenalan vegetasi di permukaan bumi. Pemetaan kerapatan vegetasi untuk penelitian kali ini dilakukan di Kabupaten Gunungkidul dengan objek kajian berupa hutan. Berdasarkan data dari Balai Pemantapan Kawasan Hutan Wilayah IX daerah Istimewa Yogyakarta tahun 2008 menyebutkan bahwa Kabupaten Gunungkidul menduduki peringkat tertinggi di Yogyakarta atas wilayah hutannya dengan total luasnya mencapai 14.859,50 Ha. Kondisi ini tentunya membutuhkan
4
manajemen hutan yang baik agar tetap menjadi hutan yang lestari. Ada banyak parameter yang dapat diangkat guna optimalisasi potensi hutan, dan salah satunya adalah kerapatan tegakan. Sebagaimana disebutkan oleh Davis dan Johson (1986) dalam Sahid (2005) bahwa dua macam kegunaan pengukuran tegakan hutan yaitu pertama untuk menunjukkan tegakan dalam model yang digunakan untuk menaksir jumlah pertumbuhan dan hasil di masa yang akan datang, dan kedua untuk memutuskan prestasi tegakan jika dibandingkan dengan kriteria-kriteria tujuan pengelolaan. Hutan dalam penelitian kali ini merujuk pada hutan jenis tegakan. Menurut UndangUndang Kehutanan No. 41 tahun 1999 hutan adalah suatu kesatuan ekosistem berupa hamparan lahan berisi sumber daya alam hayati yang didominasi pepohonan dalam persekutuan alam lingkungannya yang satu dengan lainnya tidak dapat dipisahkan. Sedangkan tegakan menurut Howard (1991) adalah suatu agregasi pohon yang cukup seragam komposisinya yang dapat dibedakan dari tanaman di dekatnya. Berdasarkan dari rumusan tegakan yang dikemukakan oleh Howard (1991) tersebut, maka proses pemetaan vegetasi dapat diidentifikasi memalui perbedaan tekstur tegakan pada citra penginderaan jauh.
1.2 Rumusan Masalah Managemen pengelolaan hutan yang baik akan selalu membutuhkan informasi mengenai pertumbuhan hutan yang dikelola baik dari sisi kualitas maupun kuantitasnya. Informasi ini dapat diperoleh melalui pengamatan secara berkala, namun hal ini tidak dapat diterapkan pada daerah yang luas mengingat keterbatasan sumber daya yang ada. Oleh karena itu pendekatan melalui penginderaan jauh sangat tepat diterapkan untuk kajian kehutanan. Ilmu penginderaan jauh dalam analisis keruangan mutlak diperlukan, termasuk dalam hal pengelolaan hutan. Berbagai metode interpretasi hingga saat inipun berkembang kian pesat seiring dengan perkembangan teknologi yang mengikutinya. Salah satu metode interpretasi yang kian berkembang saat ini adalah metode interpretasi hibrida. Prinsip dari interpretasi hibrida
5
adalah dengan menggabungkan dua metode interpretasi untuk mendapatkan hasil yang lebih baik. Purwadi (2001) mengatakan bahwa metode yang sering digunakan untuk interpretasi hibrida adalah dengan menggabungan antara klasifikasi terselia (klasifikasi terkontrol) dan tak terselia (klasifikasi tak terkontrol). Klasifikasi terselia, operator, analisis, atau pengguna bertindak sebagai pengontrol kriteria klasifikasi seperti halnya pada klasifikasi manual. Sebaliknya, klasifikasi tak terselia merupakan metode klasifikasi yang sepenuhnya diputuskan secara otomatis oleh komputer tanpa ada campur tangan manusia. Seiring dengan perkembangannya, interpretasi hibrida dapat pula dilakukan dengan menggabungkan antara interpretasi digital dan interpretasi visual seperti yang dilakukan oleh Suharyadi (2010) dengan hasil yang dapat dipercaya. Tingkat kepercayaan dari interpretasi hibrida ini cukup tinggi yakni di atas 80%. Hal inilah yang membuat interpretasi hibida menjadi salah satu metode interpretasi yang mulai banyak digunakan dalam penelitian penginderaan jauh untuk analisis objeknya. Aplikasi penginderaan jauh dalam perkembangannya banyak menggunakan respon spektral untuk identifikasi objek tertentu di permukaan bumi. Salah satu metode yang memanfaatkan respon spektral dalam identifikasi objek yakni transformasi cira. Transformasi citra yang dilakukan adalah dengan membuat selisih dari beberapa saluran. Untuk kajian vegetasi, ada beberapa teknik transformasi yang umum digunakan, antara lain Ratio Vegetation Index (RVI), Normalized Difference Vegetation Index (NDVI), Transformed Vegetation Index (TVI), dan Modified Soil Adjusted Vegetation Index (MSAVI). Teknik transformasi tersebut samasama memanfaatkan respon spektral yang diberikan dengan memanipulasi beberapa saluran guna menonjolkan objek vegetasi. Meskipun transformasi indeks vegetasi yang disebutkan di atas sama-sama memanfaatkan saluran merah dan inframerah dekat, namun antar satu dengan yang lain menghasilkan julat indeks vegetasi yang berbeda karena menggunakan algoritma yang berbeda pula. Untuk itu, perlu adanya suatu penelitian yang
6
mengkaitkan antara indeks vegetasi yang digunakan dengan akurasi yang diharapkan. Berawal dari asumsi bahwa setiap objek di permukaan bumi memiliki pola spektral yang berbeda-beda, maka keberadaan vegetasi di permukaan bumi pun dapat dideteksi dari citra penginderaan jauh. Salah satu aplikasi dari penginderaan jauh untuk analisis vegetasi adalah dengan melihat
tingkat
kerapatan
kanopinya.
Tingkat
kerapatan
konopi
menggambarkan seberapa rapat tutupan tajuk dari vegetasi pada suatu wilayah (bukan jumlah vegetasi). Apabila dilihat melalui citra penginderaan jauh maupun foto udara tingkat kerapatan vegetasi yang tinggi memperkecil kemungkinan terlihatnya objek tanah ataupun objek lain di bawahnya. Dengan demikian, semakin banyak tutupan vegetasi, semakin banyak pula nilai piksel murni vegetasi yang tergambarkan dalam analisis citra. Merujuk pada permasalahan di atas, maka penggunaan metode interpretasi hibrida untuk meningkatkan hasil akurasi penelitian yang berkaitan dengan identifikasi kerapatan vegetasi di permukaan bumi menjadi salah satu solusi dalam mempermudah interpretasi. Interpretasi hibrida dalam penelitian kali ini dilakukan dengan menggabungkan antara interpretasi manual/visual dan interpretasi digital. Interpretasi visual dengan menggunakan citra satelit resolusi tinggi, sedangkan interpretasi digital dengan menggunakan beberapa indeks vegetasi. Hasil dari teknik interpretasi visual digunakan sebagai masukan dalam analisis piksel dari setiap indeks vegetasi yang digunakan, harapannya agar hasil yang didapat lebih akurat untuk kajian kerapatan kanopi vegetasi. Berdasarkan uraian di atas,
maka
muncul
pertanyaan
penelitian
yang
melatarbelakangi
pelaksanaan penelitian ini, yaitu : 1. Apakah tehnik interpretasi hibrida antara data berbasis visual dan digital mampu
memberikan akurasi yang baik untuk pemetaan
kerapatan kanopi vegetasi? 2. Bagaimana kondisi kerapatan kanopi tegakan hutan di sebagian Kabupaten Gunungkidul?
7
3. Transformasi indeks vegetasi apa yang paling baik digunakan untuk kajian kerapatan kanopi vegetasi dengan metode hibrida? Mengacu pada permasalahan penelitian di atas, maka peneliti melakukan penelitian dengan judul: Kajian Akurasi Interpretasi Hibrida Menggunakan Empat Indeks Vegetasi untuk Pemetaan Kerapatan Kanopi di Kawasan Hutan Kabupaten Gunungkidul Yogyakarta.
1.3 Tujuan Penelitian 1. Interpretasi
hibrida
untuk
mengoptimalkan
kelebihan
dan
meminimalisasi kekurangan yang ada pada metode interpretasi visual maupun digital. 2. Memetakan kerapatan kanopi di kawaan hutan sebagian Kabupaten Gunungkidul. 3. Mengkaji korelasi empat transformasi indeks vegetasi dengan data kerapatan kanopi vegetasi untuk mendapatkan formula hibrida terbaik.
1.4 Manfaat Penelitian 1. Pengaplikasian dan pengembangan ilmu dan teknologi penginderaan jauh untuk pemetaan kerapatan vegetasi menggunakan citra satelit resolusi menengah. 2. Sebagai bahan masukan bagi pemegang kebijakan daerah setempat terkait pembuatan Rencana Kerja Pemerintah Daerah (RKPD) Kabupaten Gunungkidul khususnya yang berkaitan dengan kehutanan.
8
BAB II TELAAH PUSTAKA
2.1 Batasan dan Pengertian Penginderaan Jauh Penginderaan jauh dewasa ini mengalami perkembangan yang sangat pesat, mulai dari sistem perekaman hingga data yang dihasilkan. Kemampuannya dalam merepresentasikan permukaan bumi mulai dari skala kecil hingga skala besar menjadikan ilmu penginderaan jauh sebagai salah satu alat analisis dalam berbagai disiplin ilmu lainnya. Lillesand dan Kiefer (1999) mendefenisikan penginderaan jauh sebagai ilmu dan seni untuk memperoleh informasi tentang objek, daerah, atau gejala dengan jalan menganalisis menggunakan alat tanpa kontak langsung terhadap objek, daerah, atau gejala yang dikaji. Untuk itu penginderaan jauh sederhananya dapat diartikan sebagai pengambilan atau pengukuran data / informasi mengenai sifat dari sebuah fenomena, obyek atau benda dengan menggunakan sebuah alat perekam tanpa berhubungan langsung dengan objek kajian. Penginderaan jauh mampu menghasilkan data spasial (keruangan) yang susunan geometrinya mendekati keadaan sebenarnya dari permukaan bumi dalam jumlah banyak dan waktu yang cepat. Keadaan ini membutuhkan suatu sisitem pengolahan dan penanganan data yang tepat agar dapat dimanfaatkan secara maksimal. Terkait dengan hal tersebut, beberapa komponen utama yang mendasari penginderaan jauh antara lain sumber tenaga, atmosfer, interaksi tenaga elektromagnetik dengan objek, sensor dan wahana, pengolahan data, dan pengguna. Komponen-komponen tersebut dapat digambarkan sebagai berikut (Gambar 2.1).
9
Gambar 2.1 Komponen Penginderaan Jauh (Sutanto, 1994)
Pemanfaatan penginderaan jauh baik dilihat dari jumlah penggunaan maupun frekuensinya selama enam dasawarsa terakhir ini meningkat tajam (Sutanto, 1986). Hal ini dilandasi oleh beberapa faktor, antar lain : 1. Citra dapat menggambarkan obyek, daerah, dan gejala di permukaan bumi dengan ujud dan letak obyek yang mirip di permukaan bumi, lengkap dalam menggambarkan kenampakan permukaan bumi, meliputi daerah yang luas dan permanen; 2. Dari jenis citra tertentu dapat ditimbulkan gambaran tiga dimensional apabila pengamatannya dilakukan dengan alat yang disebut stereoskop; 3. Karakteristik objek yang tampak dapat diwujidkan dalam bentuk citra sehingga dapat dimungkinkan pengenalan objeknya; 4. Citra dapat dibuat secara cepat meskipun untuk daerah yang sulit dijelajahi secara terrestrial; 5. Merupakan satu-satunya cara untuk pemetaan daerah bencana; 6. Citra merupakan alat yang baik untuk memantau (monitoring) perubahan penggunaan lahan. Kemampuan penginderaan jauh dalam mengumpulkan informasi di permukaan bumi tidak diragukan lagi. Seperti yang diungkapkan pula oleh Purbowaseso (1996), penginderaan jauh diaplikasikan guna mengumpulkan informasi yang diperlukan untuk mengartikan berbagai macam komponen lingkungan kita yang lebih baik. 10
2.2 Karakteristik Pantulan Spektral Vegetasi dan Hubungannya dengan Penginderaan Jauh Respon spektral objek yang terbaca oleh sensor penginderaan jauh berkaitan dengan sifat energi elektromagnetik objek. Besarnya energi elektromagnetik yang yang terpancar dari setiap objek di permukaan bumi yang kemudian ditangkap oleh sensor penginderaan jauh tergantung dari sifat fisik maupun otik objek itu sendiri. Menurut Myers (1983), parameter yang mempengaruhi pantulan kanopi vegetasi antara lain. 1. Sifat transmisi dedaunan. 2. Jumlah dan susunan keruangan daun. 3. Karakteristik aspek vegetasi yang meliputi aspek batang, tangkai, dan dahan. 4. Karakteristik latar belakang vegetasi tumbuh. 5. Sudut azimuth, sudut pandang dan sudut zenith matahari. Tiga objek utama yang dapat di kenali secara langsung melalui citra penginderaan jauh adalah vegetasi, tanah, dan air. Ke tiga objek ini jika dilihat dari kurva pantulan spektralnya memiliki perbedaan kurva yang cukup signufikan sehingga mudah dalam identifikasinya. Dari ketiga objek tersebut, vegetasi paling banyak memiliki variasi pantulan spektralnya yakni tinggi pada saluran hijau, rendah pada saluran biru dan merah, dan sangat tinggi pada saluran inframerah dekat. Berikut grafik kurva pantulan spektral khusus untuk vegetasi (Gambar 2.2)
11
Gambar 2.2 Karakteristik respon spektal vegetasi hijau (Hoffer dalam Swain Davis 1978) Secara umum informasi vegetasi dapat diperoleh pada wilayah spektral antara 0,4 µm – 2,6 µm dengan karakteristik sebagai berikut (Swain Davis, 1978): 1. Gelombang tampak (0,4 µm – 0,7 µm) ; pigmentasi mendominasi respon spektral pada wilayah ini. 2. Inframerah dekat (0,8 µm – 1,2 µm) ; pantulan gelombang pada panjang gelombang ini tampak meningkat secara jelas karena daun hijau menyerap sangat sedikit energi pada wilayah ini. 3. Inframerah tengah (1,3 µm – 2,6 µm) ; air menyerap energi dengan kuat khususnya pada panjang gelombang ini. Semakin berkurang tingkat kelembaban pada daun, pantulan yang terjadi justru semakin tnggi.
Ketiga aspek tersebut di atas menjadi ciri khas pengenalan objek vegetasi di permukaan bumi melalui pendekatan panjang gelombang. Sedangkan tinggi rendahnya pantulan vegetasi pada berbagai panjang gelombang dipengaruhi oleh struktur internal daun, pigmen warna (klorofil),
12
dan kandungan air. Serapan yang tinggi pada saluran merah dan biru inilah yang membuat mata manusia menagkap warna hijau pada daun sehat karena saluran hujau memiliki daya serap rendah. Lain halnya dengan daun yang layu atau tidak sehat. Kandungan klorofil yang sedikit, otomatis mengakibatkan serapan tenaga pun berkurang sehingga dengan sendirinya pantulan saluran merah justru akan bertambah. Kondisi inilah yang mengakibatkan daun yang tidak sehat berwarna pucat kekuningan. Untuk saluran inframerah dekat kurva pantulan akan sangat tinggi untuk daun sehat. Hal ini sebagai akibat dari berkurangnya serapan energy dan bertambahnya pantulan yang justru didominasi oleh kandungan air. Karena daun hijau memiliki kandungan air yang tinggi maka pantulan pada saluran inframerah dekat inipun sangat dominan, bahkan lebih tinggi dari saluran hijau. Dengan demikian daun sehat memiliki pantulan tinggi pada saluran hijau dan sangat tinggi pada saluran inframerah dekat. Sebagaimana disebutkan bahwa tiga objek yang dapat secara langsung dikenali melalui penginderaan jauh adalah vegetasi, tanah, dan air. Ketiga objek ini memberikan variasi kurva pantulan yang berbeda namun samasama kuat pada kisaran panjang gelombang 0,7µm – 1,3µm. Seiring dengan perkembangan ilmu penginderaan jauh, maka saat ini telah dikembangan berbagai teknik untuk mempermudah pengenalan objek di permukaan bumi termasuk vegetasi. Terdapat beberapa macam cara untuk menonjolkan aspek vegatasi yakni dengan transformasi digital, diantaranya penisbahan saluran, pengurangan saluran, dan indeks vegetasi. Transformasi ini dapat dikelompokkan
menjadi
dua,
yaitu
(a)
transformasi
yang
dapat
mempertajam informasi tertentu, namun sekaligus menghilangkan atau menekan informasi yang lain; (b) transformasi yang meringkas informasi dengan cara mengurangi dimensionalitas data (Danoedoro, 2012). Dari ketiga transformasi digital untuk vegetasi tersebut, indeks vegetasilah yang sering digunakan dalam berbagai penelitian. Danoedoro, 2012 menyebutkan bahwa indeks vegetasi mampu menonjolkan aspek kerapatan vegetasi ataupun aspek lain yang berkaitan dengan kerapatan, misalnya biomasaa, Leaf Area Index (LAI), konsentrasi klorofil dan sebagainya.
13
2.3 Sistem Satelit ALOS ALOS (Advanced Land Observing Satellite) merupakan satelit buatan Jepang yang berhasil diluncurkan pada 24 Januari 2006 dengan pesawat peluncur roket H-IIA dari lokasi peluncuran Tanegashima Space Jepang bagian selatan (JAXA, 2006). Misi utama satelit ini selain untuk pengamatan daratan adalah untuk memberikan kontribusi terhadap aplikasi kartografi. Pergerakan satelit ALOS yang sinkron matahari ini berada pada ketinggian 691,65 km di atas ekuator, dengan inklinasi 98,16 º dan resolusi temporal 46 hari. Dengan massa kurang lebih 4000 kg, satelit ALOS hanya dirancang untuk dapat beroperasi selama 3-5 tahun pada orbitnya. Satelit ALOS dilengkapi dengan 4 kelebihan untuk misi pemetaan, yakni 1) menghasilkan DEM (Digital Elevation Model) dengan akurasi ketinggian 3-5 m dalam resolusi 2,5 m; 2) menghasilkan pemetaan tanpa titik control tanah, atau yang biasa disebut GCP (Ground Control Point); 3) mampu menghasilkan daerah pemetaan yang luas, dengan lebar liputan hingga 70 m; 4) dan memiliki kapasaitas penanganan data yang besar. Kelebihan-kelebihan di atas tersebut didukung dengan kemampuan satelit ALOS sendiri yang dilengkapi dengan 3 sensor sekaligus, terdiri dari 2 sensor optik yakni PRISM (Panchromatic Remote Sensing Instrument for Stereo Mapping) dan sensor AVNIR-2 (Advence Visible and Near Infrared Radimeter type-2), dan sebuah sensor gelombang mikro yakni PALSAR (Phased Array type L-Band Syntetic Aperture Radar). Sensor PRISM membawa kamera pankromatik dengan resolusi spasial 2,5m pada nadir. Sensor ini terdiri dari 3 buah sistem optik, forward; nadir dan backward yang masing-masing sistem optik membawa 3 cermin dan beberapa detector CCD. Sensor yang bergerak dengan metode pushbroom ini memiliki kemampuan pengarah sensor melintang jejak satelit kurang leih 1,5º sehingga mampu mencakup area dengan lebar 70 km untuk nadir dan 35 km untuk forward dan backward. AVNIR-2 merupakan bentuk sempurna dari generasi sebelumnya, yakni AVNIR yang semula menghasilkan resolusi spasial 16 meter menjadi
14
10 meter. Citra yang dihasilkan dari perekaman oleh sensor AVNIR-2 terdiri dari 4 band, 3 band pada saluran tampak antara lain saluran biru (0,45 µm – 0,52 µm), saluran hijau (0,52 µm – 0,60 µm), merah (0,63 µm – 0,69 µm) dan 1 band
inframerah dekat (0,76 µm – 0,89 µm). Karena
keunggulannya inilah maka citra hasil perekaman AVNIR-2 diibaratkan sebagai QuickBird atau WorldView-2-nya DigitalGlobe. Kemudian sensor ALOS yang terakhir adalah PALSAR. Sensor ini merupakan sensor radar yang memiliki resosusi spasial 10 meter hingga 100 meter. Bergerak pada kisaran frekuensi 1,27 GHz dan merupakan misi lanjutan dari Synthetic Aperture Radar (SAR) dalam bentuk yang lebih sempurna dari apa yang sudah dipasanga pada satelit JERS-1 (Japanase Earth Resources Satellite-1). Kelebihan dari sensor ini adalah dapat menembus awan dan hujan, dengan kata lain terbebas dari gangguan cuaca. Penelitian kali ini memanfaatkan citra satelit ALOS dengan sensor AVNIR-2 yang sangat mendikung untuk kajian vegetasi di permukaan bumi. Berikut produk data standar AVNIR-2 yang disajikan dalam tabel 2.1. Tabel 2.1 Produk Data Standar ANVIR-2 Level
Defenisi Susunan data digital yang belum dipadatkan yang dilengkapi dengan koefisienkalibrasi radiometrik dan koefisien koreksi geometrik. Data dengan pengambilan miring-maju, tegak dan miring-mundur
IA
disimpan dalam masing-masing file tersendiri
IB1
Data yang sudah dikalibrasi secara radiometrik pada masukan sensor
1B2
Data yang sudah dikoreksi geometrik secara sistematis
2.4 Citra Satelit ALOS AVNIR-2 Hubungannya dengan Interpretasi Vegetasi di Indonesia Citra satelit ALOS merupakan salah satu satelit sumberdaya alam yang banyak dimanfaatkan untuk kajian di darat, perairan, maupun atmosfer. Dengan sensor AVNIR-2nya yang memiliki resolusi spasial mencapai 10 meter, citra ini mampu menyajikan kenampakan di permukaan bumi secara jelas dengan saluran multispektralnya yang terdiri dari 4 band
15
(visible dan Inframerah). Seiring dengan perkembangan ilmu dan teknologi penginderaan jauh saat ini, pemanfaatan citra satelit ALOS AVNIR-2 sudah mulai berkembang sebagai alat analisis dalam bidang kehutanan kerana kemampuan resolusinya spasialnya yang tinggi tersebut. Indonesia sebagai salah satu negara yang memiliki kawasan hutan tropis terbaik dunia tentunya membutuhkan suatu kebijakan tersendiri dalam hal pengelolaan dan pemanfaatan hutan. Seperti yang tertulis dalam PP No.24 tentang perlindungan hutan dalam pasal 1 menyebutkan bahwa „Perlindungan hutan adalah usaha untuk mencegah dan membatasi kerusakan hutan, kawasan hutan dan hasil hutan, yang disebabkan oleh perbuatan manusia, ternak, kebakaran, daya-daya alam, hama dan penyakit, serta mempertahankan dan menjaga hakhak negara, masyarakat dan perorangan atas hutan, kawasan hutan, hasil hutan, investasi serta perangkat yang berhubungan dengan pengelolaan hutan‟. Dengan keunggulannya tersebut citra satelit ALOS AVNIR-2 dapat menjadi salah satu sarana untuk managemen hutan di Indonesia. Sebaimana kita ketahui bahwa setiap objek di permukaan bumi memiliki karakteristik pantulan spektral yang berbeda-beda, begitupun vegetasi. Secara umum pantulan spektral vegetasi akan tinggi pada panjang gelombang 0,7µm – 1,3µm. Karena ALOS AVNIR-2 memiliki julat panjang gelombang yang diperlukan untuk identifikasi vegetasi maka banyak penelitian memanfaatkan citra ini untuk kajian vegetasi. Seperti yang dilakukan oleh Anisa Pambudi dkk yang menggunakan citra ALOS AVNIR-2 untuk meneliti keberadaan stok karbon hutan
di sebagian
Kabupaten Kutai Barat. Variasi panjang gelombang yang dimiliki citra ALOS AVNIR-2 inilah yang memungkinkan dapat dilakukan berbagai macam penelitian dengan menurunkan informasi
baik secara langsung
maupun tidak langsung. Proses pengenalan dan pemetaan objek dipermukaan bumi khususnya yang berkaitan dengan kerapatan vegetasi hutan pada penelitian kali ini tentunya membutuhkan citra dengan resolusi spasial yang baik. Citra ALOS AVNIR-2 menjadi salah satu pilihan dalam melakukan hal tersebut.
16
Berdasarkan citra satelit ALOS AVNIR-2 saluran hujau (0,52-0.60 µm) dan inframerah dekat (0,76-0.89 µm) dapat diturunkan informasi kerapatan vegetasi. Baik secara visual maupun dengan memanfaatkan keunggulan tiap saluran ALOS ANVIR-2 tersebut. Tiap-tiap saluran citra satelit peka terhadap respons spektral objek pada julat panjang gelombang tertentu. Hal inilah yang menyebabkan nilai piksel pada berbagai saluran spektral sebagai cerminan tanggapan spektral dari objek pun bervariasi. Adanya variasi tanggapan spektral yang terdapat pada citra multispektral ALOS AVNIR-2 inilah yang menjadi salah satu kelebihannya.
2.5 Interpretasi Citra 2.5.1 Interpretasi Visual Data penginderaan jauh yang disebut dengan citra penginderaan jauh adalah hasil dari interaksi antara tenaga elektromagnetik dengan objek di permukaan bumi. Untuk dapat menyadap informasi tertentu dari citra ada tiga tahap, yakni deteksi, identifikasi dan menilai arti pentingnya obyek. Ke tiga tahap tesebut termasuk dalam proses interpretasi (Sutanto, 1986). Menurut Sutanto, 1986 interpretasi citra merupakan perbuatan mengkaji foto udara dan atau citra dengan maksud untuk mengidentifikasi obyek dan menilai arti pentingnya obyek tersebut. Ada sembilan unsur interpretsi seperti yang dikemukakan oleh Sutanto (1986), meliputi rona/warna, bentuk, ukuran, tekstur, pola, bayangan, situs, dan asosiasi. Berikut penjelasannya. 1. Rona dan warna Adalah tingkat kegelapan/kecerahan objek pada citra, dengan demikian rona merupakan tingkatan dari hitam ke putih atau sebaliknya. Sedangkan warna adalah wujud yang tampak pada mata, menunjukkan tingkat kegelapan yang beragam. Mata kita menangkap warna hijau merah ataupun biru karena pantulan dari objek yang diamati. Pada citra penginderaan jauh khususnya untuk identifikasi kerapatan vegetasi rona dan warna ini sangat penting
17
karena dapat menunjukkan tingkat kerapatan kanopinya. Semakin gelap warna akan semakin rapat vegetasi.
2. Bentuk Merupakan variabel kualitatif yang memberikan kerangka suatu objek. Dalam konteks ini bentuk dapat berupa bentuk yang tampak dari luar (umum). Misalnya dalam hal ini bentuk sungai akan berbeda dengan bentuk jalan. Bentuk gunung akan berbeda dengan bentuk lembah, dan sebagainya. 3. Ukuran Merupakan atribut objek yang berupa jarak, luas, tinggi, lereng, dan volume. Ukuran objek di permukaan bumi berbeda-beda dan hal ini dapat diamati melalui citra penginderaan jauh. Ukuran juga berkaitan dengan skala, semakin detil skala semakin besar dan jelas objek yang diamati. Ukuran gedung bertingkat otomatis akan berbeda dengan pabrik. Ukuran vegetasi tegakan akan berbeda denfan vegetasi berupa semak belukar. 4. Tekstur Biasa dinyatakan dalam wujud kasar, halus, ataupun bercak-bercak. Tekstur ini merupakan gabungan dari bentuk, ukuran, pola, bayangan, dan rona. Tekstur dari sawah berbeda dengan tekstur dari tegalan pada citra penginderaan jauh. 5. Pola Merupakan ciri yang menandai bagi banyak objek buatan manusia dan beberapa objek alamiah yang membentuk susunan keruangan. Mengerucut pada suatu susunan, misalnya pola teratur pada pemukiman mewah dan pola tidak teratur pada pemukiman liar. 6. Bayangan Objek atau gejala yang terletak di daerah bayangan umumnya tidak tampak sama sekali ayau tampak samar-samar. Namun demikian, bayangan merupakan faktor penting untuk mengamati objek-objek yang tersembunyi. Biasanya unsur interpretasi bayangan digunakan untuk mengamati objek yang tinggi. Vegetasi yang tinggi cenderung akan membentuk bayangan ketimbang vegetasi yang lebih rendah.
18
7. Situs Merupakan hasil pengamatan dari hubungan antar objekdi lingkungan sekitarnya atau letak suatu objek terhadap objek lain. Penting dalam identifikasi objek vegetasi, karena jenis vegetasi tertentu berada pada lokasi tertentu. 8. Asosiasi Keterkaitan antara objek satu dengan yang lain, berdasarkan asosiasi ini apabila telah dikenali suatu objek tertentu maka dapat dijadikan petunjuk bagi pengenalan objek yang lain. Sebagai contoh sawah irigasi pasti berasosiasi dengan sungai atau dekat dengan sumber mata air karena digunakan sebagai pengairan sawah tersebut. Namun demikian tidak serta merta ke sembilan unsur interpretasi tersebut digunakan secara serentak dalam identifikasi objek di permukaan bumi. Ada unsur-unsur interpretasi yang kadang tidak perlu digunakan ketika sudah teridentifikasi. Semakin banyak unsur interpretasi yang dikenali maka semakin mengerucut pada satu informasi objek tertentu. Selain ke sembilan unsur interpretasi tersebut di atas, sebenarnya tingkat keberhasilan interpretasi bersifat subjektif, artinya tergantung pada si penafsir. Menurut Lillesand et al (2007) keberhasilan interpretasi tergantung pada pengetahuan dan pengalaman penafsir, sifat objek yang dikaji, dan kulitas citra yang digunakan.
2.5.2 Pre-prosesing Citra Citra hasil rekaman dari sensor penginderaan jauh tidak ada yang sempurna. Kondisi atmosfer saat perekaman, efek gerakan sensor, dan konfigurasai permukaan bumi mengakibatkan citra hasil rekaman sensor tersebut banyak mengalami kesalahan. Kesalahan inilah yang selanjutnya perlu dikoreksi agar dapat mendukung kegiatan pemetaan dan kajian kewilayahan lainnya. Beberapa parameter kualitas citra yang sring digunakan oleh para praktisi antara lain (Danoedoro, 2012); (a) tutupan
19
awan dan gangguan kabut, (b) korelasi antar saluran, (c) kesalahan geometri, dan (d) kesalahan radiometri. Proses perbaikan kualitas citra agar menghasilkan citra yang siap pakai untuk aplikasi tertentu disebut restorasi citra yang dalam penerapannya proses ini sering disebut dengan tahap pre-prosesing citra karena dilakukan sebelum melakukan pengolahan citra lebih lanjut. Pada penelirtian kali ini dilakukan dua tahap pre-prosesing citra antara lain koreksi radiometri dan geometri citra. 2.5.2.1
Koreksi Geometri Koreksi geometri adalah perbaikan kemencengan, rotasi, dan
perspektif citra akibat bentuk permukaan bumi yang melengkung, ketidakstabilan satelit, maupun karena arah pengamatan yang tidak tegak lurus permukaan bumi (sudut sensor tidak nol atau tidak ke arah nadir) hingga citra memiliki orientasi, proyeksi, dan anotasi sesuai dengan yang ada pada peta. Menurut Danoedoro, 1996 koreksi geometri adalah penempatan kembali posisi piksel sedemikian rupa sehingga pada citra digital yang tertransformasi dapat dilihat gambaran obyek di permukaan bumi yang terekam sensor. Koreksi geometri ini dapat dilakukan dengan dua cara pertama dengan menggunakan data dari wahana (model geometri orbital) dan pengetahuan mengenai distorsi internal, kedua dengan transformasi berdasarkan GCP (Ground Control Points) (Mather 2004, dalam Danoedoro 2012). Pada dasarnya setiap metode koreksi geometri citra baik bersumber dari wahana maupun transformasi GCP sama-sama membutuhkan titik kontrol lapangan atau GCP. GCP adalah suatu lokasi pada permukaan bumi yang dapat diidentifikasi pada citra dan sekaligus dikenali posisinya pada peta (Jansen, 2005). Untuk itu hal pertama yang harus dilakukan dalam koreksi geometri adalah menentukan titik kontrol (GCPs = Ground Control Points). Titik kontrol ini berupa obyek yang terlihat pada citra sekaligus terlihat pada peta rujukan yang digunakan dalam koreksi geometri. Titik kontrol tersebut dapat berupa persimpangan antara sungai dengan jalan
20
ataupun persimpangan jalan, dan beberapa obyek lain yang tampak dengan jelas pada citra maupun pada peta rujukan. Sebaran titik GCP yang digunakan dalam koreksi geometri bersifat subjektif, dapat berbeda-beda setiap orang. Namun pada dasarnya nilai GCP ini tetap terkontrol dengan adanya RMSE (Root Mean Square Error). RMSE digunakan untuk mengukur distorsi. Menurut Jansen (2005) RMSE yang diperbolehkan adalah <0,5. Semakin kecil RMSE semakin tinggi tingkat kedetilan peta. 2.5.2.2
Koreksi Radiometri Koreksi radiometri ditujukan untuk memperbaiki nilai piksel agar
sesuai dengan yang seharusnya dengan mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama. Efek atmosfer menyebabkan nilai pantulan obyek di permukaan bumi yang terekam oleh sensor menjadi bukan merupakan nilai aslinya. Nilai pantulan menjadi lebih besar oleh karena adanya hamburan atau lebih kecil karena proses serapan. Metodemetode sederhana yang sering digunakan untuk menghilangkan efek atmosfer antara lain metode pergeseran histogram (histogram adjustment), metode regresi, dan metode kalibrasi bayangan. Mather (2004) dalam Danoedoro (2012), menyatakan bahwa ada lima faktor yang berpengaruh terhada sinyal yang diterima oleh objek (dan dicatat) oleh detektor pada sensor, yaitu : 1. Pantulan atau reflektansi objek, 2. Bentuk dan besaran interaksi atmosfer, 3. Kemiringan arah hadap lereng (aspect) tempat objek berada, relatif terhadap azimuth matahari, 4. Sudut pandang sensor, 5. Sudut kemiringan matahari. Koreksi radiometri pada penelitian kali ini dilakukan sampai tahap kalibrasi sensor (at sensor radiance). Setiap sensor dan detektor memiliki kemampuan untuk mendeteksi nilai radiansi minimum dan maksimum
21
objek. Nilai tersebut dinyatakan dalam gain dan offset. Berikut hubungan antara nilai piksel, gain, dan offset. Lλ = Offset λ + Gain λ *(BV)λ.......................................... (1) Dimana Gain λ = Lλ(maks) - Lλ(min) / BVλ(maks).................... (2) 2.5.3 Pengolahan Citra Digital Data penginderaan jauh yang disebut citra, tidak begitu saja dapat digunakan tanpa adanya proses pengolahan terlebih dahulu. Untuk menurunkan
informasi
dari
citra
penginderaan
jauh
agar
dapat
dimanfaaatkan untuk berbagai keperluan saat ini telah banyak perangkat lunak yang memberikan fasilitas pengolah citra baik untuk analisi citra, analisis tambahan ataupun analisis berbasis SIG. Salah satu cara untuk menurunkan informasi tertentu pada citra satelit yakni dengan teknik klasifikasi. Ada dua macam teknik klasifikasi dalam penginderaan jauh, klasifikasi digital atau klasifikasi multispektral dan klasifikasi manual atau visual. Klasifikasi multispektral atau digital merupakan suatu algoritma yang dirancang untuk menurunkan informasi tematik dengan cara mengelompokkan fenomena berdasarkan kriteria tertentu, dan biasanya kriteria yang digunakan yakni nilai spektral atau nilai kecerahan pada beberapa saluran sekaligus. Sedang klasifikasi manual mengandalkan pada unsur-unsur interpretasi. Pada penelitian kali ini, teknik klasifikasi yang digunakan untuk menurunkan informasi berupa kerapatan vegetasi selain menggunkan teknik interpretasi manual adalah klasifiaksi digital yakni dengan transformasi indeks vegetasi. Pada dasarnya ada beberapa macam cara untuk menentukan nilai indeks vegetasi yakni dengan membandingkan beberapa saluran (citra rasio, normaslisasi, dan transformasi), dengan membuat selisihnya (diferent vegetation index), dan tasseled cap. Namun yang digunakan dalam penelitian kali ini metode yang digunakan adalah dengan membandingakan beberapa saluran pada citra satelit ALOS AVNIR-2 menggunakan beberapa tranformasi indeks vegetasi. Beberapa metode trasnsformasi indeks vegetasi yang umum digunakan antara lain transformasi NDVI (Normalized
22
Different Vegetation
Index), RVI (Ratio
Vegetation Index), TVI
(Transformation Vegetation Index), dan MSAVI (Modified Soil Adjusted Vegetation Index). 2.5.3.1 Indeks Vegetasi Indeks vegetasi merupakan hasil informasi nilai spektral dari beberapa saluran untuk menonjolkan nilai spektral vegetasi. Dengan demikian indeks vegetasi mampu dijadikan sebagai dasar dalam analisis tingkat kerapatan vegetasi masupun analisis lain yang berhubungan dengan aspek
vegetasi.
Donoedoro
(1996)
menuliskan
beberapa
bentuk
trasnsformasi indeks vegetasi, antara lain sebagai berikut. Ratio Vegetation Indeks (RVI), merupakan salah satu indeks vegetasi yang paling sederhana. Memiliki formula sebagai berikut. RVI =NIR/red ………………….
(3)
Normalized Difference vegetation Index (NDVI), merupakan kombinasi antara teknik penisbahan dengan teknik pengurangan citra. Saluran yang digunakan dalam transformasi NDVI ini adalah saluran merah dan inframerah dekat. Saluran merah dengan julat panjang gelombang antara 0,4-0,7µm akan memberikan serapan maksimal pada cahaya yang datang akibat dari adanya klorofil pada proses fotosintesis. Sedangkan saluran inframerah dekat (0,7-1,2 µm) justru memberkan pantulan yang tinggi sebagai akibat adanya jaringan mesophyll daun. Formula NDVI yang dikembangkan oleh Meijerink et al. (1994) sebagai berikut: NDVI = (NIR-red) / (NIR+red)……………........... (4) Transformed Vegetation Index (TVI), adalah transformasi yang dikembangkan untuk menghindari hasil negative pada NDVI. Formulanya adalah sebagai berikut. TVI =√{(NIR-Red) / (NIR+Red)} + 0,5…………….. (5) Modified Soil Adjusted Vegetation Index (MSAVI), merupakan suatu transformasi indeks vegetasi yang dikembangkan dari trasnsformasi NDVI untuk meminimalkan pengaruh pantulan nilai tanah pada NDVI, dengan formula sebagai berikut. 23
MSAVI = (2 (NIR) + 1 - √(2(NIR)²+8(NIR-Red))/2.... (6)
2.6
Interpretasi Hibrida Klasifikasi objek di permukaan bumi selain dengan interpretasi
visual dan digital, dapat pula dilakukan dengan menggabungkan dua metode tersebut sekaligus yang dinamakan dengan interpretasi hibrida. Metode interpretasi hibrida yang dilakukan oleh Lo and Choi (2004) adalah dengan menggabungakan klasifikasi terselia dan tak terselia. Menurutnya, metode tersebut dapat meningkatkan hasil akurasi. Berbeda dengan Lo dan Choi, Suharyadi (2010) melakukan penelitian menggunakan interpretasi hibrida untuk densifikasi bangunan di kota Yogyakarta dengan mengkombinasikan antara interpretasi visual dan interpretasi digital. Hasilnya ternyata memberikan tingkat ketelitian hingga 84,31 %. Serupa dengan penelitian yang dilakukan oleh Suharyadi (2010), penelitian
yang
dilakukan
di
Kabupaten
Gunungkidul
ini
mengkombinasikan antara interpretasi visual dan digital namun untuk identifikasi kerapatan vegetasi. Mengingat interpretasi visual dan digital sama-sama memiliki kelebihan dan kekurangan masing-masing, diharapkan dengan
menggabungkan
kedua
metode
interpretasi
tersebut
dapat
meningkatkan tingkat akurasi hasil baik dilihat dari sisi kualitas maupun kuantitas citra tersebut. Berikut ini perbandingan antara metode interpretasi visual dan digital (tabel 2.2).
24
Tabel 2.2 Kelebihan dan kekurangan metode interpretasi visual dan digital Metode Interpretasi
interpretasi visual
Kelebihan
Kekurangan
1. Lebih optimal, karena selain rona atau warna juga mempertimbangkan unsur interpretasi lainnya, seperti tekstur, bentuk, ukuran, asosiasi dsb. 2. Hasil interpretasi lebih mudah digunakan untuk analisis lebih lanjut, seperti pemodelan spasial. 3. Tidak terlalu terpengaruh gangguan/kerusakan pada citra sepanjang tidak terlalu parah, seperti kabut awan atau stripping (kerusakan berupa garis-garis pada citra).
1. konsistensi rendah, jangankan orang yang berbeda, satu orang yang sama ketika melakukan interpretasi dua kali pada citra yang sama hasilnya bisa berbeda. 2. Kurang efisien jika dihadapakan pada wilayah yang luas. 3. Kualitatif dan subyektif, sangat tergantung kemampuan dan pengalaman interpreter.
1. Kuntitatif dan lebih objektif, karena didasarkan pada analisis data numerik (nilai piksel) menggunakan algoritma statistik. 2. Efisien dihadapkan pada daerah yang luas. Hanya perlu menunjuk wilayah-wilayah tertentu sebagai sampel, bahkan pada metode klasifikasi tak terselia tidak perlu menunjuk sampel sama sekali.
1. Kurang optimal karena hanya mempertimbangkan rona dan warna, sehingga apabila ada objek yang berbeda tetapi mempunyai rona atau warna akan terklasifikasikan menjadi satu kelas. 2. Hasil klasifikasi umumnya sulit digunakan untuk analisis lebih lanjut seperti pemodelan spasial, hal ini dikarenakan jumlah poligon yang terlalu banyak. 3. Memerlukan kondisi citra yang benarbenar bebas dari gangguan kabut, awan, dsb.
interpretasi digital
Sumber : Samruni, 2009 dalam Gunawan, 2010 Tanpa mengurangi tingkat kepercayaan dari interpretasi hibrida seperti yang telah disebut di atas, penelitian kali ini mencoba menerapkan
25
teknik interpretasi hibrida dengan menggabungkan antara interpretasi visual dan digital. Interpretasi visual dengan citra resolusi tinggi sedangkan interpretasi digital mengggunakan beberapa transformasi indeks vegetasi pada citra satelit ALOS AVNIR-2. Selama ini metode interpretasi hibrida yang dilakukan oleh beberapa peneliti telah banyak diterapkan untuk kajian daerah perkotaan. Penelitian kali ini mencoba menerapkan metode interpretasi hibrida dengan menggabungkan antara interpretasi citra penginderaan jauh resolusi tinggi secara visual dengan interpretasi digital menggunakan beberapa indeks vegetasi untuk kajian kerapatan hutan di Kabupaten Gunungkidul yang notabene Kabupaten tersebut masih didominasi oleh tutupan lahan berupa hutan. Salah satu penelitian yang juga menggunakan metode interpretasi hibrida untuk kajian kanopi vegetasi pernah dilakukan oleh Gunawan (2009) di Kabupaten Kulonprogo dengan hasil yang memuaskan. Untuk itu penelitian kali ini mencoba melakukan apa yang sudah dilakukan oleh peneliti sebelumnya dengan memasukkan unsur interpretasi citra resolusi tinggi kemudian menganalisis hasilnya.
2.7
Akurasi Interpretasi Berbicara akurasi berarti berbicara tentang kualitas data spasial.
Seberapa layak data spasial yang dihasilkan dapat dijadikan sebagai bahan masukan dalam analisis keruangan. Akurasi menjadi sangat penting karena menggambarkan tingkat kebenaran dari peta yang dihasilkan selain aspek kualitas data spasial lainnya, yakni presisi, metadata, skala dan standar. Aspek kulaitas data spasial baik akurasi, persisi, metadata, skala dan standar menjadi sangat penting dalam analisis data penginderaan jauh. Namun pada penelitian kali ini kualitas data spasial yang menjadi sorotan adalah tentang akurasi semantik, yakni akurasi pada isi informasi tematik yang dihasilkan pada peta. Akurasi semantik dari peta yang dihasilkan dapat diterima oleh pengguna jika mencaai ambang batas nilai akurasi keseluruhan, yakni 85%.
26
Hal ini senada dengan pernyataan Campbell (2002) dalam Suharyadi (2010), bahwa standar minimum bagi penutup/penggunaan lahan berbasis penginderaan jauh mempunyai ambang batas nilai akurasi keseluruhan sebesar 85%. Harapannya dalam penelitian kali ini, tingkat akurasi yang dihasilkan bisa lebih baik dari standar tersebut mengingat metode interpretasi yang digunakanpun merupakan kombinasi dari metode interpretasi visual dan digital.
2.8
Kajian Vegetasi Vegetasi erat kaitannya dengan lingkungan. Hal ini tidak terlepas
dari bagaimana vegetasi tersebut sangat mempengruhi berbagai aspek di permukaan bumi. Kehutanan berhubungan dengan vegetasi, ruang terbuka hijau berbicara tentang vegetasi, hingga pertanian pun sangat dekat dengan apa yang namanya vegetasi. Vegetasi dalam bahasan kali ini tidak hanya dipandang sebagai individu, namun merupakan kumpulan tanaman yang homogen yang meliputi wilayah tertentu di permukaan bumi. Penelitian kali ini tidak memfokuskan pada tipe vegetasi, melainkan liputan vegetasi khususnya kerapatan hutan. Bagaimana kondisi kerapatan liputan vegetasi hutan
di daerah kajian. Hal ini penting dilakukan
mengingat kondisi hutan di Indonesia terus mengalami penurunan dari tahun ke tahun. Bahkan menurut data dari FWI & GFW (2001) dalam Sahid (2005) laju kerusakan hutan pada tahun 1990-an tidak kurang dari dua juta hektar per tahun atau dua kali lebih cepat dibandingkan laju kerusakan hutan pada tahun 1980-an. Jika kondisi ini tetap dibiarkan maka tidak heran bila Indonesia yang dikenal karena hutan tropisnya yang kaya sekarang bisa jadi dikemudian hari hanya tinggal sejarah. Salah satu jalan untuk meminimalisasi kerusakan hutan yang terus meluas dari tahun ke tahun ini adalah dengan melakukan survei, pengukuran, dan pemetaan hutan. Dengan begitu bisa dilihat bagaimana status kawasan hutan, potensi, serta sebaran sumberdaya hutan sehingga pengelolaan hutan akan semakin optimal.
27
2.9
Penelitian Sebelumnya Y. Hirose dkk melakukan penelitian yang berkaitan dengan
pemetaan vegetasi dengan menggunakan metode hybrid pada tahun 2003 . Metode hybrid yang dimaksud disini adalah metode interpretasi citra dengan mengggabungan antara hasil analisa klasifikasi secara segmen based dan image based melalui pendekatan nilai piksel dengan metode maksimum likelihood. Adanya gangguan yang muncul ketika menggunakan metode klasifikasi maksimum likelihood seperti kenampakan objek yang sangat kecil justru menjadi kunci penting dalam penggunaan metode ini. Gangguan tersebut dijadikan dasar dalam penggabungan antara klasifikasi berbasis objek dengan klasifikasi berbasis piksel (maksimum likelihood). Penelitan lain yang dilakukan oleh A. Rahman As-Syukur dan I.W. Sandi Adnyana tahun 2009 juga mengkaji tentang vegetasi, bagaimana kaitan antara indeks vegetasi yakni NDVI, SAVI dan MSAVI dengan persentasi vegetasi. Hasilnya transformasi NDVI dan MSAVI memiliki akurasi yang lebih baik dibandingkan dengan SAVI. Lo dan Choi dalam penelitiannya yang berjudul “Pemanfaatan Citra Satelit landsat ETM+ untuk Pemetaan Penutup/Penggunaan Lahan di Kota Metropolitan
Atlanta
Negara
Bagian
Georgia
Amerika
Serikat”
menggunakan pendekatan hibrida dalam interpretasi objek kajian. Metode interpretasi hibrida yang digunakan yakni dengan menggabungkan antara pendekatan supervised dan unsupervised dari data citra satelit Landsat ETM+. Hasil yang didapat menyebutkan bahwa pendekatan hibrida mempunyai akurasi keseluruhan 91,50 persen. Penelitian lain yang menggunakan metode hibrida dilakukan pula oleh Suharyadi tahun 2010. Berbeda dengan penelitian sebelumnya, kali ini Suharyadi menggabungkan antara interpretasi visual citra satelit resolusi tinggi dengan interpretasi digital citra satelit resolusi menengah untuk kajian densifikasi bangunan di daerah perkotaan Yogyakarta. Prinsip dari metode hibrida
yang
dilakukan
mengkombinasikan
antara
oleh
Suharyadi
kelebihan-kelebihan
ini yang
adalah
dengan
dimiliki
oleh
interpretasi visual dan interpretasi digital. Interpretasi visual unggul dalam
28
hal kedetilan objek namun tingkat konsistensi interpretasi rendah sedangkan interpretasi digital mampu mengenali objek secara homogen namun kurang untuk objek yang heterogen dengan tingkat konsisitensi tinggi. Hasil dari penelitian yang dilakukan oleh beliau menyebutkan bahwa metode hybrid ini memiliki tingkat akurasi ketelitian pemetaan sebesar 84,31 persen. Penggunaan metode hibrida untuk kajian kerapatan kanopi vegetasi pernah dilakukan oleh Endra Gunawan tahun 2010 yakni dengan interpretasi secara visual untuk membedakan variable fotomorfik dan interpretasi digital menggunakan beberapa transformasi indeks vegetasi, antara lain NDVI, SAVI dan MSAVI. Dalam penelitian ini Endra lebih menekankan pada analisis nilai spektral dari citra yang digunakan (ASTER) dengan tingkat kerapatan vegetasi. Penelitian lain yang menggunakan trasnformasi indeks vegetasi juga dilakukan oleh Candra Djati Kartika pada tahun 2010 di Kabupaten Malang Selatan. Penelitian yang mengkaji tentang lahan kritis ini memanfaatkan transformasi indeks vegetasi yakni FCD, NDVI, RVI, DVI dan MSAVI sebagai salah satu masukan dalam pembuatan peta liputan lahan yang juga menjadi salah satu parameter dalam penentuan lahan kritis. Dari hasil klasifikasi liputan lahan hasil ekstraksi citra Landsat ETM+ dengan beberapa metode trasnformasi indeks vegetasi tersebut di atas selanjutnya di uji tingkat akurasinya berdasarkan hasil uji lapangan. Mengacu pada penelitian-penelitian tersebut di atas terutama yang berkaitan dengan metode hibrida dan trasnsformasi indeks vegetasi, maka penelitian yang akan dilakukan oleh Monica Mayda Pratiwi (2012) mencoba menerapkan metode hibrida yang dilakukan oleh Suharyadi (2010) untuk pemetaan kerapatan tegakan hutan di Kabupaten Gunungkidul. Penelitian ini menggunakan citra satelit resolusi tinggi untuk menentukan kelas kerapatan vegetasi dan citra satelit resolusi menengah untuk ekstraksi data mengenai indeks vegetasinya. Kunci interpretasi hibrida untuk menentukan tingkat kerapatan vegetasi diperoleh setelah dilakukan analisi korelasi antara hasil transformasi indeks vegetasi dengan nilai kerapatan hasil lapangan.
29
Perbedaan maupun persamaan penelitian kali ini dengan penelitian sebelumnya dapat dilihat pada tabel 1.2.
2.10
Kerangka Pemikiran Citra satelit penginderaan jauh untuk dapat dimanfaatkan oleh
banyak kalangan harus diinterpretasi terlebih dahulu. Ada banyak metode yang digunakan untuk menurunkan informasi dari citra penginderaan jauh yang pada dasarnya sama-sama digunakan untuk mempermudah identifikasi dan analisis objek tertentu di permukaan bumi. Tingkat kepercayaan dari setiap metode interpretasi sangat penting, untuk itu diperlukan suatu informasi yang dapat dijadikan dasar pembuatan peta agar siap pakai. Informasi bantu ini berupa data lapangan. Sensor penginderaan jauh merekam informasi objek di permukaan bumi dengan menerjemahkannya dalam bentuk piksel. Karena setiap objek memiliki karakteristik spektral yang berbeda, maka nilai piksel yang terbaca pun berbeda. Dasar inilah yang dijadikan sebagai patokan dalam melakukan pembedaan antar objek di permukaan bumi terutama untuk analisis penginderaan jauh digital. Salah satu objek di permukaan bumi yang dapat secara langsung disadap melalui citra penginderaan jauh adalah vegetasi. Kajian mengenai vegetasi belakangan ini menjadi lebih sering dilakukan mengingat perkembangan fisik wilayah yang begitu cepat memberikan dampak buruk bagi keberadaan vegetasi. Biar bagaimanapun vegetasi memberikan pengaruh besar bagi kemakmuran masyarakat, jika ternyata keberadaan vegetasi dari tahun ke tahun cenderung berkurang maka akan berdampak negatif bagi masyrakat itu sendiri. Perkembangan ilmu dan teknologi penginderaan jauh menjadi alat yang sangat efektif dalam menyajikan fenomena vegetasi di permukaan bumi. Kemampuannya dalam memberikan informasi secara cepat sangat sesuai digunakan untuk analisis sebaran vegetasi ataupun yang berkaitan dengan informasi vegetasi lainnya seperti informasi kerapatan tegakan hutan.
30
Citra satelit ALOS AVNIR-2 merupakan salah produk dari satelit penginderaan jauh ALOS yang menggunakan saluran biru (0,42-0.5 µm), saluran hijau (0,52-0,6 µm), merah (0,61-0,64 µm) dan inframerah dekat (0,76-0,89 µm). Sehingga citra satelit dengan sensor ANIR-2 ini tergolong ke dalam citra multispektral. Melihat pada julat panjang gelombang yang disajikan oleh citra ALOS AVNIR-2 ini maka sangat dimungkinkan untuk melakukan kajian mengenai vegetasi, karena vegetasi itu sendiri sangat peka terhadap saluran inframerah dekat. Terlebih dengan keunggulan ALOS AVNIR-2 yang memiliki resolusi spasial 10 meter, maka untuk kajian vegetasi tentu saja hasilnya akan lebih baik. Transformasi indeks vegetasi adalah salah satu metode yang dapat diterapkan pada citra satelit ALOS AVNIR-2 untuk menonjolkan objek vegetasi serta mengetahui persebarannya. Ini merupakan teknik manipulasi citra yang menggunakan beberapa saluran sekaligus dalam teknik analisisnya. Transformasi indeks vegetasi menghasilkan nilai kecerahan yang mempresentasikan objek vegetasi, semakin tinggi nilai kecerahannya maka semakin banyak pula tutupan kanopi vegetasinya. Untuk mendapatkan nilai kecerahan ini ada beberapa transformasi indeks vegetasi yang digunakan antara lain Ratio Vegetation Index (RVI), Normalized Difference Vegetation Index (NDVI), Transformed Vegetation Index (TVI), dan Modified Soil Adjusted Vegetation Index (MSAVI). Lain halnya dengan citra satelit Google Earth. Citra ini tergolong ke dalam citra satelit resolusi tinggi setara dengan citra satelit QuickBird. Kualitas spasial dari gambar yang dihasilkan inilah yang menyebabkan citra resolusi tinggi banyak dimanfaatkan dalam kajian keruangan termasuk vegetasi. Melalui citra satelit ini, objek vegetasi dapat terlihat dengan jelas baik sebaran maupun kerapatannya. Keunggulan-keunggulan yang dimiliki oleh citra satetit seperti yang tersebut di atas, melalui analisis citra penginderaan jauh dapat dikombinasikan untuk mendapatkan hasil akhir yang maksimal, khususnya kajian tentang vegetasi. Analisis piksel vegetasi dilakukan menggunakan metode transformasi citra pada citra ALOS AVNIR-2 sedangkan untuk
31
mengetahui kerapatan vegetasi menggunakan analisis visual citra yang bersumber dari
Google Earth. Metode
tersebut
dirancang untuk
mendapatkan hasil akurasi yang baik, sama halnya dengan metode interpretasi hibrida. Interpretasi hibrida yang dilakukan pada penelitian kali ini yakni dengan mengkombinasikan antara interpretasi visual dan digital dengan maksud mendapatkan hasil akurasi pemetaan yang lebih baik. Teknik interpretasi dengan menggunakan metode transformasi citra menghasilkan
nilai
kecerahan
indeks
vegetasi,
sedangkan
untuk
memaksimalkan hasil analisis kerapatan vegetasi digunakanlah teknik interpretasi citra resolusi tinggi. Hasil dari interpretasi visual citra resolusi tinggi adalah tingkat kerapatan vegetasi. Dari sini kemudian diambil contoh sampel guna dicocokkan dengan hasil transformasi indeks vegetasi sebagai dasar penyusunan algoritma untuk mempermudah klasifikasi kerapatan vegetasi. Algoritma untuk kerapatan vegetasi yang didapat dari proses interpretasi hibrida tersebut kemudian dijadikan sebagai dasar dalam pembuatan peta kerapatan vegetasi.
32
Managemen Pengelolaan Hutan yang Buruk Perkembangan Ilmu dan Teknologi Penginderaan Jauh
Pemetaan Kerapatan vegetasi
Citra Satelit Penginderaan Jauh ALOS AVNIR-2
Interpretasi Citra
Interpretasi Digital
NDVI
RVI
Interpretasi Manual
TVI
MSAVI
Citra Satelit Resolusi Tinggi
Interpretasi Hibrida
Analisis Korelasi
Klasifikasi Kerapatan Kanopi Vegetasi dengan Korelasi Terbaik
Peta Kerapataan Kanopi Vegetasi
Gambar 2.3 Karangka pemikiran 33
Sejalan dengan perkembangan IPTEK (Ilmu Pengetahuan dan Teknologi) maka berdampak pula pada perkembangan model dan metode penelitian. Guna menghindari adanya overlap antar satu peneliti dengan peneliti yang lain, di bawah ini disajikan tabel 2.3 yang menggambarkan perbandingan penelitian yang sudah dilaksanakan dan penelitian yang adan dilaksanakan.
34
Tabel 2.3 Perbandingan dengan penelitian sebelumnya dan penelitian yang akan dilakukan
No. 1.
Nama Peneliti Lo dan Choi, 2004
Judul Penelitian Pemanfaatan Citra Satelit Landsat ETM+ untuk Pemetaan Penutup Lahan/Penggunaan Lahan Interpretasi Hibrida Citra Satelit Resolusi Spasial Menegah untuk Kajian Densifikasi Bangunan Daerah Perkotaan di Daerah Perkotaan Yogyakarta
Lokasi Penelitian Kota Metropolitan Atlanta, Negara Bagian Georgia, Amerika Serikat
Sumber Data Citra Satelit Lansat ETM+ Data Lapangan
Tujuan Memetakan penutup/penggunaan lahan dengan menggunakan pendekatan hybrid
Metode Metode hibrida dengan pendekatan supervised dan unsupervised
Hasil Peta penutup lahan dan penggunaan lahan
2.
Suharyadi, 2010
Kota Yogyakarta
Citra Landsat TM tahun 1994, 1996, 1998, citra Landsat ETM+ tahun 2001, 2003, dan citra Aster tahun 2006
Pendekatan hibrida yakni, menggunakan kombinasi interpretasi visual untuk deliniasi bloks bangunan, dan analisis digital untuk identifikasi kepadatan bangunan
Serial peta kepadatan bangunan menggunakan pendekatan hibrida sesuai dengan tahun perekaman
Endra Gunawan, 2010
Penggunaan Metode Hybrid untuk Identifikasi dan Klasifikasi Kerapatan Kanopi di Kabupaten Kulonprogo
Sebagian Kabupaten Kulonprogo Yogyakarta
Citra Satelit ASTER tahun perekaman 2006 Peta RBI Data Lapangan
1.Transformasi indeks vegetasi 2. Analisis korelasi
1. Peta kerapatan kanopi di sebagian daerah Kulonprogo 2. Tabel hubungan antara nilai spektral dengan kerapatan kanopi
A. Rahman As‟Syukur dan
Analisis Indeks Vegetasi
Denpasar Bali
Citra ALOS AVNIR-2 tahun
1. Mengembangkan teknik interpretasi hibrida untuk menyadap informasi kepadatan bangunan dari citra satelit resolusi spasial menengah di daerah perkotaan Yogyakarta. 2. Pemetaan kepadatan bangunan daerah perkotaan Yogyakarta secara temporal 3. Mengkaji karakteristik densifikasi bangunan di daerah perkotaan Yogyakarta 1. Menggabungakan kelebihan-kelebiahn yang ada pada metode interpretasi manual dan digital 2. Mengetahui hubungan antara jumlah nilai piksel murni dari vegetasi dengan tingkat kerapatan kanopi daun 3. Menyusun suatu rumusan statistik berdasarkan nilai piksel untuk memudahkan identifikasi dan klasifikasi tingkat kerapatan kanopi daun Evaluasi tata ruang kota Denpasar berdasarkan peta
3.
4.
Transformasi NDVI, SAVI, dan
Hubungan indeks vegetasi dengan
35
I.W. Sandy, 2009
Menggunakan Citra ALOS AVNIR-2 dan Sistem Informasi Geografis untuk Evaluasi Tata Ruang Kota Denpasar
perekaman 2006 Peta tata ruang kota Denpasar
persebaran vegetasi
MSAVI serta overlay
5.
Candra Sari Djati Kartika, 2010
Perbandingan Forest Canopy Density Model dengan Beberapa Indeks Vegetasi Sebagai Masukan dalam Penentuan Lahan Kritis di Kabupaten Malang Selatan
6.
Y.Hirose, M.Mori, Y. A. Kamatsu, dan Y.Li
7.
Monica Mayda Pratiwi, 2012
Kabupaten Malang Selatan
Citra Landsat ETM+ tahun 2001 Peta RBI Peta Tematik klas erosi
Membandingan metode FCD dengan beberapa indeks vegetasi untuk mengetahui liputan lahan sebagai bahan masukan penentuan lahan kritis Pemetaan lahan kritis di Kabupaten Malang Selatan
Vegetation Cover Mapping Using Hybrid Analysis of IKONOS Data
Sebagian daerah Altran Sungai Niyodo Jepang
Citra IKONOS
Pengembangan metode pemetaan vegetasi untuk menghasilkan metode survey yang hemat biaya dan waktu
Kajian Akurasi Interpretasi Hibrida Menggunakan Empat Indeks Vegetasi untuk Pemetaan Kerapatan Kanopi di Kawasan Hutan Kabupaten Gunungkidul
Sebagian Kabupaten Gunungkidul, Yogyakarta
-Citra ALOS AVNIR-2 tahun 2009 -Citra resolusi tinggi (Google earth) -Peta RBI
1. Mengetahui tingkat akurasi interpretasi hibrida yang ditunjukkan oleh citra satelit ALOS AVNIR-2 menggunakan beberapa transformasi indeks vegetasi untuk identifikasi kerapatan vegetasi 2. Mengetahui transformasi
FCD, NVDI, RVI, DVI, MSAVI untuk liputan lahan dan overlay parameter (liputan lahan, tingkat erosi, lereng, dan manajemen lahan) untuk klasifikasi lahan kritis Segmen Based Peta klasifikasi Classification vegetasi dengan Pixel Based metode segmen Classification based, pixel based Hybrid (antara dan hybrid segmen based dan objek based classification) melalui pixel based Metode hibrida 1. Informasi (menggabungkan statistik citra antara interpretasi hasil korelasi visual dengan antar saluran interpretasi digital dalam bentuk beberapa tabel, diagram, transformasi dan peta. vegetasi citra 2. Tabel uji akurasi ALOS AVNIR-2) hasil interpretasi
36
tutupan vegetasi untuk NDVI, SAVI, dan MSAVI Peta sebaran vegetasi berdasarkan atas tutupannya di kota Denpasar Peta liputan lahan kritis di Kabupaten Malang Selatan
indeks vegetasi yang paling sesuai diterapkan untuk pemetaan kerapatan vegetasi menggunakan teknik interpretasi hibrida 3. Pemetaan kerapatan vegetasi di Kabupaten Gunungkidul
37
hibrida citra satelit ALOS ANVIR-2 3. Peta kerapatan vegetasi hasil interpretasi hibrida dengan akurasi terbaik skala 1:50.000
2.11 Batasan Operasional Akurasi : menunjukan kedekatan antara nilai prediksi/model dengan nilai aktual (real). Citra : gambaran suatu obyek atau suatu perujudan; suatu „image‟ pada umumnya berupa sebuah peta, gambar, atau foto (Ford, 1979 dalam Sutanto 1986). Hutan : suatu kesatuan ekosistem berupa hamparan lahan berisi sumber daya alam hayati yang didominasi pepohonan dalam persekutuan alam lingkungannya yang satu dengan lainnya tidak dapat dipisahkan (Undang-undang Kehutanan No.41, 1999). Indeks Vegetasi : suatu bentuk trasnformasi spektral yang diterapkan terhadap citra multisaluran untuk menonjolkan aspel kerapatan vegetasi ataupun aspek lain yang berkaitan dengan kerapatan misalnya biomassa, Leaf Area Index (LAI), konsentrasi klorofil, dan sebagainya (Danoedoro, 2012). Interpretasi : perbuatan mengkaji foto udara dan atau citra dengan maksud untuk mengidentifikasi objek dan menilai arti pentingnya objek tersebut (Sutanto, 1986). Interpretasi hibrida : metode interpretasi citra penginderaan jauh dengan menggabungan antara interpretasi visual untuk delineasi objek dan interpretasi digital dengan menggunakan prinsip-prinsip pola pengenalan spektral secara digital untuk identifikasi objeknya (Suharyadi, 2010). Kanopi : kenampakan luar suatu vegetasi yang terdiri dari satu atau beberapa layer pada suatu area tertentu. Piksel : data yang mempunyai aspek (ukuran luas yang terwakili) dan aspek spektral (besarnya nilai pantulan yang tercatat) (Danoedoro, 2012)
38
Resolusi : (disebut juga resolving power = daya pisah) adalah kemampuan suatu sistem optik-elektronik untuk membedakan informasi yang secara spasial berdekatan atau secara spektral mempunyai kesamaan (Swain dan Davis, 1978 dalam Danoedoro, 2012) Transformasi : perubahan atau perpindahan bentuk yang jelas. Vegetasi : semua spesies tumbuhan yang terdapat dalam suatu wilayah yang luas yang memperlihatkan pola distribusi ruang dan waktu (widoretno)
39
BAB III METODE PENELITIAN Metode merupakan suatu unsur mutlak yang harus ada di dalam penelitian dan pengembangan ilmu pengetahuan. Metode yang digunakan dalam penelitian kali ini meliputi interpretasi citra penginderaan jauh secara manual dan digital, kerja lapangan untuk mengecek hasil akurasi interpretasi, dan interpretasi hibrida. Berikut adalah penjabaran masing-masing metode tersebut. 3.1 Bahan dan Alat Penelitian Bahan dan alat yang digunakan dalam penelitian kali ini meliputi : 3.1.1 Bahan Penelitian 1. Citra Sateliti ALOS AVNIR-2 Kabupaten Gunungkidul, 4 saluran spektral (biru, hijau, merah, inframerah dekat) dengan resolusi spasial 10 m dan tanggal perekaman 20 Juli 2009. 2. Peta Rupa Bumi Indonesia (RBI) yang mencakup Kecamatan Playen, Kecamatan Patuk, Kecamatan Panggang, Kecamatan Paliyan, dan Kecamatan Wonosari Kabupaten Gunungkidul skala 1:25.000 tahun 1998. 3. Citra resolusi tinggi untuk interpretasi visual kerapatan vegetasi. 3.1.2 Alat Penelitian 1. Seperangkat komputer yang kompatibel dengan perangkat lunak yang digunakan. 2. Perangkat lunak yang mendukung penelitian (ENVI 4.5, Arc GIS 9.3). 3. Printer Hp Disket D2466 (untuk mencetak naskah dan peta). 4. GPS (Global Positioning Sistem). 5. Meteran. 6. Kamera digital.
40
7. Software pengolah kata dan data (Ms.Word, Ms.Powerpoint, Ms.Exel) 8. Tabel lapangan. 3.2 Pemilihan Daerah Penelitian Penelitian untuk mengetahui kerapatan tegakan hutan ini dilakukan di Kabupaten Gunungkidul berdasarkan Kesatuan Pengelolaan Hutan (KPH) yang dikeluarkan oleh Departemen Kehutanan Daerah Istimewa Yogyakarta tahun 2007. Kurang lebih ada 12 Kecamatan di Kabupaten Gunungkidul yang termasuk dalam wilayah KPH, namun penelitian kali ini hanya mengambil 5 Kecamatan, Kecamatan Playen, Kecamatan Patuk, Kecamatan Panggang, Kecamatan Paliyan, dan Kecamatan Wonosari. Kecamatan-kecamatan tersebut merupakan kecamatan dengan kondisi hutan yang masih baik. Selain itu ada beberapa kecamatan yang khusus dijadikan sebagai kawasan hutan wisata maupun hutan pendidikan. Kedua kawasan hutan ini memiliki fungsi penting bagi masyarakat setempat maupun wisatawan. Selain merupakan ekosistem karst dengan singkapan batuan kapur yang spesifik, kawasan hutan di beberapa Kecamatan tersebut di atas letaknya juga strategis karena memiliki potensi ekowisata untuk tujuan penelitian dan pendidikan (arboretum, penangkaran rusa, pabrik penyulingan minyak kayu putih) serta menjadi obyek wisata yang prospektif seperti rest area dan camping ground. Terlebih sejak tahun 2004 pemerintah
melalui
Kementrian
Kehutanan
Republik
Indonesia
telah
menetapkan kawasan hutan bunder di Kecamatan Playen sebagai taman hutan raya. Kondisi ini mendorong peneliti untuk melakukan penelitian di daerah tersebut untuk melihat bagaimana sebaran vegetasi serta tingkat kerapatan tegakannya.
41
3.3 Pengumpulan dan Perolehan Data 3.3.1 Pengumpulan Data Informasi kerapatan vegetasi hasil interpretasi visual citra satelit resolusi tinggi serta beberapa indeks vegetasi hasil transformasi digital dari citra satelit ALOS-AVNIR-2. 3.3.2
Perolehan Data
Data diperoleh dari interprteasi visual dan digital serta hasil cek lapangan untuk melihat tingkat ketelitian dari interpretasi. 3.4 Pengolahan Data Data penginderaan jauh untuk dapat dimanfaatkan oleh banyak kalangan harus diolah terlebih dahulu. Ada beberapa tahap pengolahan citra yang dilakukan pada penelitian kali ini antara lain koreksi citra (geometri dan radiometri), transformasi citra (NDVI, RVI, TVI, MSAVI), interpretasi visual citra resolusi tinggi dan tahap interpretasi hibrida. Berikut penejelasannya. 3.4.1 Koreksi Citra 3.4.1.1 Koreksi Geometri Citra Satelit Resolusi Tinggi Koreksi citra pada citra resolusi tinggi ini diperlukan untuk mendapatkan posisi sesuai dengan keadaan sesungguhnya di lapangan. Citra perlu dikoreksi karena akan digunakan sebagai bahan pertimbangan dan pengambilan sampel pada tahapan interpretasi hibrida. Metode yang dilakukan dalam koreksi geometri citra ini yakni dengan rektifikasi citra ke peta RBI yang sudah terkoreksi geometri. 3.4.1.2 Koreksi Geometri Citra Satelit ALOS AVNIR-2 Selain koreksi geometri yang dilakukan pada citrasatelit resolusi tinggi yang diperoleh dengan bantuan Google Earth, koreksi geometri juga dilakukan pada citra ALOS AVNIR-2. Koreksi ini penting dilakukan karena citra ALOS AVNIR-2 merupakan data utama yang digunakan dalam proses interpretasi 42
citra khususnya dalam menentukan indeks vegetasi. Untuk itu diperlukan referensi data yang sama sehingga menghasilkan keluaran data yang berkualitas. Proses koreksi geometri ini mengacu pada Peta Rupa Bumi Indonesia (RBI), sama halnya seperti apa yang dilakukan pada koreksi radiometri citra satelit QuickBird. 3.4.1.3 Koreksi Radiometri Citra Satelit ALOS AVNIR-2 Koreksi radiometri diperlukan untuk meminimalkan kesalahan yang disebabkan oleh gangguan atmosfer. Citra ALOS AVNIR-2 dengan level koreksi 1B2 menandakan bahwa citra ini sudah terkoreksi baik geometri maupun radiometrinya secara sistematis, namun untuk memastikan citra tersebut telah benar-benar terkoreksi radiometri maka dilakukan pengecekan. Objek yang tidak memberikan respon spektran sama sekali seharusnya bernilai nol, jika tidak bernilai 0 maka dilakukan koreksi radiometri dengan penyesuaian histogram. Prinsip dari penyesuaian histogram adalah mengembalikan nilai piksel terendah pada satu liputan citra sehingga bernilai 0. Jika nilai terendah piksel tidak sama dengan 0, maka nilai tersebut dihitung sebagai bias. Koreksi radiometri penyesuaian histogram dilakukan dengan mengurangkan seluruh nilai piksel tersebut dengan nilai bias, sehingga nilai piksel yang memiliki pantulan terendah kembali ke nilai pantulan aslinya, yakni 0. Koreksi radiometri pada penelitian kali ini dilakukan sampai tahap kalibrasi sensor (at sensor radiance). Setiap sensor dan detektor memiliki kemampuan untuk mendeteksi nilai radiansi minimum dan maksimum objek. Nilai tersebut dinyatakan dalam gain dan offset. Berikut hubungan antara nilai piksel, gain, dan offset. Lλ = Offset λ + Gain λ *(BV)λ ......................................(7) Dimana Gain λ = Lλ(maks) - Lλ(min) / BVλ(maks) ...............(8)
43
3.4.2 Transformasi Indeks Vegetasi Transformasi indeks vegetasi yang diterapakan pada citra satelit ALOS AVNIR-2 ini digunakan untuk mengubah nilai piksel agar menghasilkan suatu nilai yang merepresentasikan dalam menyajikan fenomena yang berkaitan dengan vegetasi. Teknik trasnformasi indeks vegetasi yang digunakan untuk menurunkan informasi mengenai kerapatan vegetasi dalam penelitian kali ini, diantaranya Ratio Vegetation Index (RVI), Normalized Difference Vegetation Index (NDVI), Transformed Vegetation Index (TVI), dan Modified Soil Adjusted Vegetation Index (MSAVI). Berikut penjelasnnya. 3.4.2.1 Transformasi RVI (Ratio Vegetation Index) Transformasi indeks yang pertama adalah RVI (Ratio Vegetation Index). Transformasi ini juga menghasilkan efek yang sama terhadap keberadaaan vegetasi. Menggunakan formula sebagi berikut. RVI = NIR/red….........................................………...…. (9) Penggunaan transformasi RVI dalam peneltian kali ini dikarenakan daerah kajian memiliki topografi beragam, mulai datar hingga
bergunung.
Transformasi
RVI
mampu
meminimalisasi
gangguan akibat perbedaan topografi tersebut dengan menggunakan ratio saluran inframerah dekat dan saluran merah. 3.4.2.2 Transformasi NDVI (Normalized Different Vegetation Index) Model trasnsformasi ini mengkombinasikan antara teknik penisbahan dengan teknik pengurangan citra. Hasil transformasi ini nantinya menghasilkan nilai indeks vegetasi dengan kisaran -1 samapai +1 yang mana nilai +1 mempresentasikan objek vegetasi sedangkan -1 bukan vegetasi. Semakin mendekati nilai +1 berarti semakin banyak objek vegetasi yang terdeteksi dan semakin menjauhi +1 objek vegetasi semakin berkurang. Formulanaya adalah sebagai berikut. NDVI = (NIR-red) / (NIR+red)……………..................… (10)
44
Berbagai penelitian yang menggunakan model transformasi ini menunjukkan hasil yang paling baik ketimbang model transformaasi lainnya. Misalnya pada penelitian yang dilakukan oleh Gunawan tahun 2010 untuk objek kajian yang sama, yakni kerapatan vegetasi. Kombinasi antara teknik penisbahan dan teknik pengurangan citra mamu menonjolkan objek vegetasi khususnya pada daerah dengan vegetasi yang hampir seragam. 3.4.2.3 Transformasi TVI (Transformed Vegetation Index) Transformasi ini dikembangkan untuk menghilangkan nilai negatif pada transformasi NDVI. Salah satu dampak penghilangan angka negatif ini adalah dapat menstabilkan variasi data NDVI sehingga dapat memperbaiki data saat dilakukan analisis statistikFormulanya adalah sebagai berikut. TVI =√{(NIR-Red) / (NIR+Red)} + 0,5…………............…(11) 3.4.2.4 Transformasi MSAVI (Modified Soil Adjusted Vegetation Index) Berbeda dengan transformasi sebelumnya, model transformasi ini dikembangkan untuk menekan gangguan latar belakang tanah. Vegetasi pada daerah kajian memiliki karakteristik yang berbeda sehingga kemungkinan perbedaan jenis tanah pun sangat besar. Adanya gangguan yang berupa vaariasi respon spektral tanah saat proses identifikasi vegetasi inilah yang menjadi latar belakang penggunaan transformasi ini. Berikut adalah formula yang digunakan. MSAVI = (2 (NIR) + 1 - √(2(NIR)²+8(NIR-Red))/2….......(12) 3.4.3 Interpretasi Kerapatan Vegetasi Secara Visual Interpretasi kerapatan vegetasi dilakukan secara visual menggunakan citra satelit resolusi tinggi. Karena citra yang yang digunakan memiliki format digital maka interpretasi ini dilakukan dengan digitasi on screen. Tiap-tiap tipe kerapatan vegetasi yang berbeda di citra didelineasi, hal ini untuk
45
mempemudah dalam pengambilan sampel di lapangan. Dari kelas satuan pemetaan kerapatan vegetasi tersebut kemudian diambil blok-blok kecil untuk selanjutnya dilakukan cek lapangan.
3.5 Penentuan Titik Sampel dan Cek Lapangan Uji lapangan diperlukan untuk mengontrol hasil interpretasi serta untuk penyusunan algoritma kerapatan vegetasi. Uji lapangan dilakukan pada setiap satuan pemetaan kerapatan vegetasi yang dihasilkan dari metode interpretasi visual. Setiap satuan pemetaan berupa kelas kerapatan vegetasi yang berbeda di citra dibedakan , kemudian selanjutnya dilakukan cek lapangan. Penentuan sampel untuk uji lapangan pada penelitian kali ini menggunakan teknik purposif sampling. Teknik ini dipilih berdasarkan tujuan penelitian, yakni untuk memperoleh informaasi mengenai kerapatan vegetasi. Hasil dari cek lapangan satuan pemetaan kerapatan vegetasi hutan tersebut dijadikan sebagai bahan masukan untuk memperoleh kunci interpretasi hibrida. Peta hasil re-interpretasi setelah uji lapangan, dianggap mampu mewakili kondisi sebenarnya di lapangan sehingga dapat menjadi peta referensi dalam uji keakuratan hasil interpretasi hibrida.
3.6 Analisis Korelasi dan Regresi untuk Menyusun Kunci Interpretasi Hibrida Analisis korelasi dan regresi adalah metode yang digunakan untuk mengukur hubungan antar dua variabel. Korelasi bertindak sebagai pengukur bentuk hubungan sedangkan regresi adalah pengukur kuat tidaknya hubungan tersebut. Pada penelitian kali ini variabel yang akan diuji korelasi adalah indeks vegetasi dan satuan kelas kerapatan tegakan hutan. Analisis korelasi yang digunakan untuk melihat hubungan antara kedua variabel tersebut adalah analisis korelasi linear sederhana. Apabila kenaikan variabel yang satu berbanding lurus dengan kenaikan variabel yang lain maka kedua variabel
46
dikatakan memiliki korelasi „positif‟ (+), sebaliknya jika kenaikan variabel yang satu justru menyebabkan penurunan terhadap variabel yang lain maka hubungan antara keduanya dinyatakan dengan korelasi „negatif‟ (-). Berikut ini adalah tabel yang digunakan sebagai acuan untuk melihat tingkat hubungan korelasi antar parameter.
Tabel 3.1 Tingkat hubungan koefisien korelasi Interval koefisien
Tingkat hubungan
0,00 – 1,999
Sangat rendah
0,20 – 0,399
Rendah
0,40 – 0,599
Sedang
0,60 – 0,799
Kuat
0,80 – 1,000
Sangat kuat
Sumber : Munir, (2007)
Masing-masing indeks vegetasi yang mencakup RVI, NDVI, TVI dan MSAVI dilakukan analisis uji korelasi dengan kelas kerapatan tegakan hutan hasil lapangan. Saluran yang menghasilkan korelasi paling baik kemudian dijadikan sebagai dasar dalam penyusunan kunci interpretasi. Kunci interpretasi diperoleh melalui bentuk persamaan regrasi yang dihasilkan antara indeks vegetaasi dan satuan kelas kerapatan hutan. Kunci interpretasi ini selanjutnya digunakan untuk mempermudah pemetaan kerapatan tegakan hutan di daerah kajian. Kunci interpretasi ini berupa nilai atau rumusan yang merepresentasikan kerapatan vegetasi pada masing-masing kelas yang telah ditentukan. Berikut ini adalah bentuk fungsi persamaan regresi yang digunakan, dimana Y adalah variabel terikat dan X adalah variabel bebas. Y = a + bX.......................................... (13)
47
3.7 Interpretasi Hibrida Ada beberapa tahap yang dilakukan pada proses interpretasi hibrida antara lain: (a) interpretasi visual untuk menentukan satuan pemetaan kerapatan hutan sekaligus sebagai acuan pengambilan data di lapangan menggunakan citra satelit resolusi tinggi; (b) interpretasi digital dengan menggunakan metode transformasi indeks vegetasi citra satelit ALOS AVNIR-2 tahun 2009; (c) membangun kunci interpretasi hibrida dengan pendekatan analisis parameter statistik dari dua metode interpretasi tersebut di atas. (d) menerapkan hasil kunci interpretasi hibrida yang memiliki hasil korelasi terbaik pada citra satelit ALOS AVNIR-2 tahun 2009 yang sebelumnya telah dilakukan interpretasi terhadap satuan pemetaan tegakan hutan. Interpretasi hibrida sesungguhnya terletak pada tahapan (c) dan (d). Cara menggabungkan dua metode interpretasi yang berbeda ini (visual dan digital) yakni dengan membuat hubungan parameter statistik pada masing-masing transformasi indeks vegetasi dengan tingkat kerapatan yang didapat dari hasil interpretasi visual citra satelit resolusi tinggi yang telah dilakukan cek lapangan. Algoritma yang di dapat dari analisis parameter statistik tersebut kemudian dijadikan sebagai kunci interpretasi hibrida dalam klasifikasi kerapatan kanopi tegakan hutan. Klasifikasi yang digunakan untuk menentukan kelas kerapatan tegakan hutan pada interpretasi hibrida mengacu pada klasifikasi Howard (1991), yakni sebagai berikut (Tabel 3.2).
48
Tabel 3.2 Kelas kerapatan vegetasi Hutan sangat rapat
> 80 %
Agak lebat/lebat
40 – 80 %
Terbuka
10 – 40 %
Hutan jarang
2 – 10 %
Sedikit/tidak ada pohon
<2%
Sumber : Howard, 1991 3.8 Uji Akurasi Interpretasi Tipe data pada penelitian kali ini adalah ordinal, artinya data yang nilainya memiliki tingkatan dan tidak sejajar. Nilai kerapatan yakni sangat rapat, agak rapat, jarang, terbuka, hingga sedikit merupakan bentuk dari data ordinal. Metode uji akurasi yang dilakukan pada tipe data jenis ini dalam ilmu penginderaan jauh lebih dikenal dengan nama tabel confusion matrix. Tabel ini merupakan tabel matrix yang menghubungkan antara piksel hasil klasifikasi dan ground truth data yang informasinya dapat diambil dari data lapangan maupun peta yang sudah diverifikasi. Beberapa informaasi yang dapat diambil dari erhitungan menggunakan tabel confusion matix antara lain overall accuracy, producer accuracy, user accuracy, kappa coefficient, dan tau coefficient. Terdapat dua metode uji akurasi secara statistik, pertama dengan mengandalkan data seampel yang diambil sebagai sumber referensi penilaian akurasi dan uang kedua dengan mengandalkan sumber data yang independen, yang tidak pernah digunakan dalam pengambilan sampel (Danoedoro, 2012). Uji akurasi dalam penelitian kali ini dilakukan dengan merujuk pada tehnik uji akurasi yang kedua, yakni dengan menggunkan data independen sebagai sumber referensi. Data independen yang dimaksud adalah peta kerapatan vegetasi citra resolusi tinggi yang telah diverifikasi, sedangkan data yang diuji
49
adalah peta hasil interpretasi hibrida. Metode uji akurasi ini dilakukan dengan menumangsusunkan setiap poligon referensi dengan poligon hasil interpretasi. Tabel 3.3 dibawah ini adalah contoh perhitungan uji akurasi dengan confusion matrix. Tabel 3.3 Uji akurasi pemetaan habitat bentik kelas pasir terumbu karang makro alga Lamun Laut Total producer accuracy (%) error omission (%)
terumbu karang
pasir
makro alga
lamun
laut
total
14
2
0
0
0
16
1 5 0 0 20
36 5 2 3 48
3 3 0 0 6
4 1 14 0 19
0 0 0 5 5
44 14 16 8 98
70
75
50 73, 68
30
25
50
26,32
user accuracy (%) 87,5
error comission (%) 12,5
81,82 21,42 87,5 62,5
18,18 78,58 12,5 37,5
100 overall accuracy 0 Kappa
Sumber: Wicaksono, 2011 Overall accuracy (%) =
............................ (14)
Producer Accuracy (%) =
.................... (15)
User Accuracy (%) =
........................... (16)
Keterangan: Jb : jumlah piksel yang terklasifikasi secara benar Js
: jumlah sampel uji akurasi
Jssb
: jumlah sampel uji akurasi suatu kelas yang terklasifikasi secara benar
Jss
: jumlah sampel uji akurasi pada suatu kelas
Jskt
: jumlah sampel uji akurasi yang terklasifikasi sebagai kelas tersebut
50
73,46 0,6222
Citra Satelit ALOS AVNIR-2 Daerah Gunungkidul
Citra Satelit Resolusi Tinggi daerah Gunungkidul
Koreksi Citra
Peta RBI (Rupa Bumi Indonesia) skala 1:25.000
Koreksi Geometrik
Koreksi Geometrik
Koreksi Radiometrik (level 1B) Citra Terkoreksi Citra ALOS AVNIR-2 Terkoreksi
Interpretasi Digital (Membandingkan Antar Saluran)
Interpretasi Visual Interpretasi Visual
Transformasi Indeks vegetasi
NDVI
RVI
TVI
Blok Sampel Uji Lapangan
MSAVI
Analisis Piksel Hasil Transformasi dengan Satuan Kerapatan Kanopi Hutan Hasil Lapangan
Analisis Korelasi
Kerapatan Kanopi Vegetasi Hasil Interpretasi Citra Resolusi Tinggi Satuan Pemetaan Kerapatan Vegetasi
Saluran dengan Korelasi Terbaik
Kunci Interpretasi Hibrida
Reklasifikasi
Peta Kerapatan Tegakan Hutan Hasil Interpretasi Hibrida skala 1:50.000
51 Gambar 2.1 Diagram Alir Metode Penelitian
BAB IV DESKRIPSI WILAYAH
4.1 Letak, Batas, Luas Daerah Penelitian Daerah kajian dalam penelitian interpretasi hibrida pemetaan kerapatan kanopi hutan dibatasi berdasarkan Kesatuan Pengelolaan Hutan (KPH) Daerah Istimewa Yogyakarta yang dikeluarkan oleh Kementrian Kehutanan Republik Indonesia tahun 2007. Penelitian dilakukan di Batas Daerah Hutan (BDH) Kabupaten Gunungkidul yang mencakup Resort Pengelolaan Hutan (RPH) Playen, Paliyan, dan Panggang di beberapa kecamatan antara lain Kecamatan Playen, Kecamatan Patuk, Kecamatan Panggang, Kecamatan Paliyan, dan Kecamatan Wonosari dengan luas 5888,04 ha yakni sekitar 4% dari total luas Kabupaten Gunungkidul. Kabupaten Gunungkidul sendiri terletak di antara 07º16‟30” – 07 º 19‟30” LS dan 110 º 19‟30” - 110 º 25‟30” BT. Gunungkidul merupakan salah satu dari lima kabupaten di wilayah administrasi Daerah Istimewa Yogyakarta (DIY) yang wilayahnya paling luas yakni kurang lebih 46% dari luas wilayah DIY atau sekitar 1.485,36 km2. Ibu kota kabupaten adalah Wonosari yang terletak sekitar 39 km di sebelah selatan kota Yogyakarta. Kabupaten Gunungkidul memiliki 18 kecamatan, 144 desa dan 1536 dusun. Berikut ini adalah batas wilayah Kabupaten Gunungkidul.
Batas wilayah Kabupaten Gunungkidul: Sebelah Barat
: Kabupaten Bantul dan Sleman (Propinsi DIY)
Sebelah Utara
: Kabupaten Klaten dan Sukoharjo (Propinsi Jawa
Tengah) Sebelah Timur
: Kabupaten Wonogiri (Propinsi Jawa Tengah)
Sebelah Selatan
: Samudera Hindia
52
Wilayah Kabupaten pada umumnya berbukit dan setengah dari luas wilayahnya memiliki kemiringan lebih dari 15%. Berdasarkan kondisi topografinya, wilayah Kabupaten Gunungkidul dibagi ke dalam tiga zone, yaitu daerah perbukitan di bagian Utara dan sisi Timur yang disebut sebagai Zone Baturagung, wilayah pegunungan karst di bagian Selatan yang disebut dengan Zone Gunung Seribu dan daerah yang relatif datar di bagian tengah yang disebut dengan Zone Ledok Wonosari (Soeharto, 2008). Daerah yang menjadi fokus kajian kali ini berada pada zona Baturagung yang rata-rata memiliki kemiringan lebih dari 15%. Zona ini membentang mulai dari arah Barat Laut Kota Wonosari hingga Utara.
4.2 Hutan di Daerah Istimewa Yogyakarta (DIY) Penataan wilayah hutan di DIY telah dimulai sejak jaman penjajahan Belanda. Kebijakan pemerintah ketika itu mengharuskan adanya pengelolaan hutan untuk kelestarian lingkungan. Sistem pengelolaan hutan yang ketika itu bernama Houtvesterij mulai berkembang dari satu saerah ke daerah lain. Hingga akhirnya satu demi satu hutan di Jawa menganut sistem tersebut termasuk DIY. Setelah masa penjajahan Belanda selesai, kegiatan penataan hutan mengalami kemandekan, baru berjalan kembali setelah diakuinya Kemerdekaan RI sekitar tahun 1950. Dari tahun ketahun sistem pengelolaan hutan terus diperbaharui, berkembang dan akhirnya terbentuklah Kesatuan Pengelolaan Hutan (KPH) di setiap daerah. Menurut P No. 6 tahun 2007 dan P No. 3 Tahun 2008 tentang Tata Hutan, Penyusunan Rencana Pengelolaan, dan Pemanfaatan Hutan Pasal 12 dijabarkan bahwa kegiatan penataan hutan di wilayah KPH meliputi penataan batas, inventarisasi sumber daya hutan, pembagian dalam blok atau zona, pembagian petak dan anak petak, dan pemetaan. Kabupaten Gunugkidul selain memiliki luas wilayah terbesar di DIY, juga merupakan satu-satunya Kabupaten dengan luas wilayah hutan paling
53
besar yakni mencapai 13.105,50 ha. Ini artinya, Gunungkidul menduduki peringkat pertama untuk luas hutan terbesar di DIY. Berdasarkan pengamatan secara visual dari citra satelit ALOS AVNIR-2 tahun 2007 komposit 321 (true colour) hutan di Kabupaten Gunungkidul tersebar merata hampir diseluruh bagian wilayahnya dengan di dominasi oleh tegakan jenis Jati (Tectona grandis), Akasia (Acasia sp.), Mahoni (Swietenia macrophylla), Kayu Putih (Eucalyptus globulus) dan Sengon (Albizia falcatana). Namun demikian, batasan wilayah hutan dalam penelitian kali ini merujuk pada Batas Daerah Hutan (BDH) yang dikeluarkan oleh Kementrian Kehutanan Republik Indonesia tahun 2010. BDH tersebut membawahi Resort Pengelolaan Hutan (RPH). Di DIY terdapat 6 BDH, untuk Kabupaten Gunungkidul sendiri memiliki 4 BDH antara lain BDH Karangmojo, Playen, Paliyan, dan Panggang. Sisanya adalah BDH Yogyakarta dan BDH Kulonprogo.
4.3 Karakteristik Hutan di Daerah Kajian Penelitian ini mengambil beberapa kawasan hutan berdasarkan Batas Daerah Hutan (BDH) yang dikeluarkan oleh Balai Pemantapan Kawasan Hutan (BPKH) Wilayah XI Jawa-Madura tahun 2010, antara lain pada BDH Playen, BDH Panggang, dan BDH Paliyan. Ketiga BDH tersebut mencakup kawasan hutan produksi, hutan lindung, dan tanaman hutan raya. Hutan Produksi mendominasi sebagian BDH Playen dan Paliyan antara lain pada RPH Banaran, Bunder,
Wonolagi,
Gubugrubuh,
Menggaran,
Kedungwalu,
Kepek,
Karangmojo, dan Menggoro. Hutan lindung terdapat di sebagian BDH Panggang dan Paliyan tepatnya pada RPH Kedungwalu dan Bibal. Sementara untuk tanaman hutan raya hanya terdapat pada BDH Playen yang membawahi kawasan hutan buder dan banaran. Jenis tanaman pada BDH kajian antara lain Jati, Kayu Putih, Mahoni, Kleresede (Glirecidea sp.), Sono (Dalbergia latifolia), dan Akasia. Meskipun jenis tanaman yang mendominasi adalah jenis tanaman hutan produksi namun
54
pada dasarnya tetap mempunyai blok yang berfungsi sebagai blok pemanfaatan terbatas yang juga berfungsi sebagai zona penyangga. Seperti yang tersebut dalam aturan penetapan wilayah/blok kesatuan pengelolaan hutan Yogyakarta, salah satu permasalahan yang dihadapi pengelolaan hutan saat ini adalah semakin meningkatnya dinamika permasalahan sosial ekonomi. Pertumbuhan penduduk yang tidak diimbangi dengan tersedianya kebutuhan pangan, sandang, dan lapangan pekerjaan berdampak meningkatnya jumlah keluarga miskin dan lonjakan jumlah pengangguran. Apabila kondisi ini terjadi di desadesa sekitar hutan, akan berdampak pada peningkatan interaksi penduduk dengan sumber daya hutan baik bersifat konstruktif maupun destruktif. Berdasarkan data yang dikeluarkan oleh Balai Pemantapan Kawasan Hutan di Yogyakarta tahun 2009, jumlah desa hutan dan/atau desa sekitar hutan paling banyak terdapat di Kabupaten Gunungkidul yakni 13 Kecamatan. Dengan adanya blok pemanfaatan zona terbatas untuk hutan produksi yang berlokasi di sekitar desa hutan diharapkan mampu menjadi pelindung bagi hutan itu sendiri sehingga kelestariannya tetap terjaga.
4.4 Kondisi Fisik Daerah Penelitian Kabupaten Gunungkidul merupakan salah satu dari 5 Kabupaten di DIY yang wilayahnya didominasi oleh perbukitan. Berdasarkan dari peta Geologi yang dikeluarkan oleh BAPEDDA Kabupaten Gunungkidul tahun 2002 lahan di Kabupaten Gunungkidul mimiliki tingkat kemiringan bervariasi,19% diantaranya merupakan daerah datar dengan tingkat kemiringan 0°-2°, sedangkan daerah dengan tingkat kemiringan antara 15°-40° sebesar 39,54% dan untuk kemiringan lebih dari lebih dari 40° sebesar 15,95%. Sementara jika dilihat dari topografi, jenis batuan, jenis tanah, ketinggian, dan keadaan hidrologi/sumber air, wilayah Kabupaten Gunungkidul terbagi menjadi tiga zona wilayah sebagai berikut:
55
1.
Zona Utara (Zona Baturagung) Berada pada ketinggian 200 – 700 mdpal. Zona ini didominasi oleh
penggunaan lahan berupa hutan dengan kondisi lereng yang berbukit-bukit. Sebagian besar tanahnya adalah latosol dengan dominasi tekstur lempung hingga berpasir. Tanah jenis ini terbentuk dari batuan gunung api tua yang telah mengalami pelapukan lebih lanjut dan terendapkan (sedimentasi). Berwarna merah, coklat sampai kekuning-kuningan. Vegetasi jenis Jati, Akasia, Mahoni, Kayu Putih, maupun Sengon banyak tumbuh di kawasan ini. Tumbuhan tersebut di atas sama-sama mampu bertahan dalam kondisi kering sekalipun, pada tanah lempung berpasir dan dengan iklim yang tegas antara kemarau dan penghujan. Daerah yang menjadi kajian penelitian ini paling banyak berada pada Zona Utara melihat persentase hutan dari data Balai Pemantapan Kawasan Hutan (BPKH) tahun 2007 untuk Kesatuan Pengelolaan Hutan (KPH) Yogyakarta wilayah Gunungkidul paling tinggi berada pada Zona Utara. Tidak heran mengapa pada zona ini idenifikasi keberadaan vegetasi tidak sulit dilakukan. Sebagaimana terlihat pada halaman lampiran, bagaimana rona piksel yang ditunjukkan oleh salah satu transformasi indeks vegetasi pada zona utara ini sebagian besar adalah cerah. Semakin cerah rona nilai piksel artinya semakin banyak tutupan vegetasinya. 2.
Zona Tengah (Ledok/Basin Wonosari) Zona ini berada pada ketinggian 150 – 200 mdpal.Dikelilingi oleh
perbukitan, dimana sebelah selatan dibatasi oleh perbukitan karst sedangkan sebelah utara oleh perbukitan struktural. Tanah pada Ledok Wonosari ini merupakan hasil pelapukan dan sedimentasi material dari daerah disekitarnya, sehingga meskipun jenis tanahnya adalah mediteran atau terra rosa namun lapisan tanahnya tebal dan subur. Penggunaan lahan digunakan untuk tegalan, pertanian sistem tumpang sari dan pertanian semusim. Sehingga Ledok Wonosari ini termasuk dalam kawasan yang paling berkembang, baik dari sisi fisik maupun sosial ekonominya. Wilayah kajian tidak banyak mengambil pada zona ini melihat kondisi vegetasi yang minim. 56
Rona piksel salah satu transformaasi indeks vegetasi pada halaman lampiran pun sebagian besar menunjukkan rona gelap karena didominasi oleh lahan terbangun. 3.
Zona Selatan (Pegunungan Seribu) Terletak pada ketinggian 0 – 300 mdpal dengan batuan penyusunnya
berupa batu kapur. Banyak terdapat bentukan lahan kars, berupa kerucut kars, dome,danau-danau kars hingga sungai bawah tanah. Vegetasi pada kawasan ini terdiri atas tumbuhan yang tumbuh secara alami dan tumbuhan yang dibudidayakan untuk kepentingan ekonomi. Tanahnya terdiri atas endapan batu gamping, berwarna merak kecoklatan hingga coklat kemerahan yang disebut dengan terra rosa. Tipisnya lapisan tanah (20 – 100 m) dengan sifat lempung hingga pasiran, sedikit aliran air permukaan serta melimpahnya kandungan kalsium menyebabkan hanya tanaman lahan kering yang mampu bertahan. Kondisi inilah yang menyebabkan wilayah zona selatan didominasi oleh tanaman jati. Namun penelitian kali ini tidak mengambil zona selatan sebagai wilayah kajian. Batas daerah kajian yang digunakan mengacu pada Batas Daerah Hutan (BDH) yang dikeluarkan oleh Balai Pemantapan Kawasan Hutan (BPKH) Wilayah XI Jawa-Madura tahun 2007. Kaitannya dengan iklim, Kabupaten Gunungkidul termasuk daerah yang beriklim tropis. Curah hujan rata-rata 1.954,43 mm/tahun dengan jumlah hujan rerata harian 103 hari/tahun. Bulan basah 7 bulan dan bulan kering 5 bulan. Wilayah Gunungkidul bagian Utara memiliki curah hujan paling tinggi jika dibandingkan dengan wilayah tengah dan selatan. Hal inilah yang menjadi salah satu faktor mengapa hutan cukup berkembang di wilayah utara. Suhu udara rata-rata harian 27,7º C, suhu minimal 23,2º C, dan suhu masksimum 32,4º C. Kelembapan nisbi berkisar antara 80% - 85%, tidak terlalu dipengruhi oleh tinggi tempat melainkan oleh musim. Gambar 3.1 berikut merupakan peta lokasi penelitian untuk interpretasi hibrida.
57
58
BAB V HASIL PENELITIAN DAN PEMBAHASAN 5.1 Pemrosesan Citra Digital Resolusi Tinggi 5.1.1 Koreksi Geometri Citra Resolusi Tinggi Citra satelit resolusi tinggi yang digunakan dalam penelitian kali ini diperoleh dengan memanfaatkan data dari Google Earth, untuk itu informasi yang didapat hanya terbatas pada informasi visualnya. Dengan menggunakan zoom level 17, kenampakan visual citra yang bersumber dari data Google Earth setara dengan kenampakan visual yang ada pada citra satelit Quickbird sehingga untuk identifkasi kerapatan vegetasi dapat dilakukan dengan baik. Koreksi geometri citra mengacu pada peta Rupa Bumi Indonesia (RBI) skala 1:25.000. Perbedaan resolusi spasial antara keduanya menjadi hambatan dalam koreksi ini. Namun karena output akhirnya nanti mengacu pada satu sumber yang sama yakni peta RBI maka untuk koreksi geometri citra resolusi tinggi ini tetap mengacu pada peta RBI. Metode yang dilakukan dalam koreksi geometri citra resolusi dari data citra satelit Google Earth adalah penyamaan koordinat, yakni dengan rektifikasi citra ke peta. Peta yang digunakan sebagai base map adalah RBI, asumsinya peta ini sudah memiliki koordinat maupun sistem proyeksi yang benar sehingga dapat digunakan sebagai acuan untuk koreksi geometri citra. Dalam koreksi geometri ini, citra hanya dipandang sebagai image sehingga sama sekali tidak mempertimbangkan posisi piksel, hasilnya pun berupa data yang berbasis vektor sehingga dalam mentransformasikan titik-titik koordinat peta ke citra bisa dilakukan tanpa mengalami kesulitan. Yang dibutuhkan dalam koreksi geometri ini adalah tingkat ketelitian yang tinggi, bagaimana memposisikan objek di citra agar sama dengan koordinat peta acuan.
59
5.1.2 Interpretasi Visual Citra Resolusi Tinggi Citra resolusi tinggi pada penelitian kali ini digunakan sebagai data input dalam interpretasi hibrida. Informasi yang diambil dari citra resolusi tinggi ini berupa data kerapatan kanopi vegetasi di area hutan pada daerah kajian. Nilai kerapatan kanopi tersebut diperoleh dari interpretasi visual digitasi on screen dengan mengandalkan unsur-unsur interpretasi. Unsur interpretasi yang digunakan sebagai kunci interpretasi dalam mengambil nilai kerapatan vegetasi antara lain warna/rona, tekstur, bentuk, pola, dan asosiasi. Karena citra yang digunakan merupakan data yang diperoleh dari Google Earth maka format citra sudah bukan format asli sehingga hanya bisa digunakan untuk analisis secara visual. Interpretasi citra dimulai dengan melakukan pengamatan secara menyeluruh pada daerah kajian. Kunci interpretasi digunakan untuk mempermudah dalam penarikan batas antara kerapatan vegetasi satu dengan yang lain. Kunci interpretasi warna/rona merupakan unsur yang paling dominan. Semakin hijau semakin rapat. Selain itu ada tekstur, bentuk, pola, dan asosiasi.
Antara
kunci
interpretasi
satu
dengan
yang
saling
saling
mempengaruhi. Misalnya warna/rona hijau, tekstur kasar, bentuk dan pola menggerombol serta berasosiasi dengan sungai tergolong dalam vegetasi tegakan sangat rapat. Jadi interpretasi visual disini hanya bertujuan membagi darah penelitian menjadi blok-blok kerapatan tertentu tanpa nilai kuantitatif. Blok kerapatan belum memiliki nilai kerapatan sebelum dilakukan cek lapangan. 5.1.3 Penentuan Blok Sampel untuk Cek Lapangan Pengambilan sampel bloks kerapatan vegetasi dilakukan dengan metode purposive sampling, yaitu sampel ditentukan berdasarkan tujuan penelitian. Sampel diambil dengan mempertimbangkan kenampakan kerapatan vegetasi secara visual, cara pengambilan sampel acak namun tetap beraturan. Setiap blok
60
sampel kerapatan diambil beberapa sampel yang selanjutnya dilakukan cek lapangan. Jumlah sampel yang ditentukan untuk cek lapangan adalah 30 sampel. Tersebar merata mulai dari sisi utara hingga selatan pada daerah kajian. Peta di bawah ini adalah sebaran sampel kerapatan vegetasi pada daerah kajian. Gambar 5. berikut adalah citra resolusi tinggi yang digunakan untuk interpretasi visual beserta sebaran titik sampel uji lapangan. Daerah yang dibatasi garis putih merupakan daerah kajian penelitian. Sedangkan hasil kerapatan aktual di lapangan untuk setiap sampel disajikan dalam tabel 5.
61
62
Tebel 5.1Hasil identifikasi kerapatan vegetasi di lapangan No.
Sampel
1
12.102
Kerapatan (%)
Foto lapangan
Koordinat
81
X = 438759,2339 Y = 9118303,624
2
12.105
74
X = 438846,5466 Y = 9118246,077
3
12.103
80
X = 438884,9112 Y = 9118237,478
4
12.106
64
X = 438939,8124 Y = 9118330,744
5
12.104
65
X = 438986,776 Y = 9118222,265
6
6.23
46
X = 441365,8222 Y = 9117952,895
7
11.101
77
X = 442253,8772 Y = 9117172,177
63
8
11.100
48
X = 442931,2119 Y = 9117375,377
9
5.11
64
X = 444768 Y = 9118060
10
5.12
44
X = 445590 Y = 9117943
11
10.85
80
X = 443338 Y = 9118399
12
10.86
86
X = 443618 Y = 9118431
13
10.87
70
X = 443598 Y = 9118763
14
7.39
71
X = 444019 Y = 9119752
64
15
6.25
7
X = 445181 Y = 9120166
16
7.37
10
X = 445069 Y = 9120487
17
6.28
12
X = 444588 Y = 9121289
18
8.85
69
X = 443106 Y = 9120951
19
8.86
71
X = 443236 Y = 9120986
65
20
9.57
74
X = 443103 Y = 9121231
21
9.60
70
X = 444187 Y = 9122024
22
9.58
84
X = 444243,7567 Y = 9122149,73
23
9.59
78
X = 443807,0941 Y = 9121947,886
24
6.18
26
X = 445787 Y = 9125367
25
9.62
41
X = 447434 Y = 9127465
66
26
9.61
61
X = 447437 Y = 9127705
27
10.74
47
X = 448589 Y = 9127590
28
10.73
67
X = 448490 Y = 9127797
29
9.71
72
X = 448241 Y = 9128090
30
10.79
81
X = 449973 Y = 9127501
67
5.2 Pemrosesan Citra Satelit ALOS AVNIR-2 5.2.1 Koreksi Geometri Citra Satelit ALOS AVNIR-2 Citra satelit ALOS AVNIR-2 yang digunakan dalam penelitian kali ini adalah citra dengan level koreksi 1B2, ini artinya citra tersebut sudah terkoreksi geometri secara sistematis. Namun tetap harus dilakukan koreksi geometri kembali, disesuaikan dengan data vektor yang digunakan dalam penelitian ini. Peta yang digunakan sebagai acuan dalam koreksi geometri citra satelit ALOS AVNIR-2 sama dengan peta yang digunakan untuk koreksi pada citra resolusi tinggi, yakni RBI. Penggunaan acuan peta yang sama ini untuk mempermudah dalam melakukan analisis citra. Metode yang diguanakan yakni image to image, meskipun yang digunakan sebagai base adalah peta RBI namun dalam prakteknya peta RBI tersebut tetap terbaca sebagai image bukan sebagai map.Tahap awal dalam koreksi geometri citra satelit ALOS AVNIR-2 yakni melakukan pemotongan citra yang mencakup daerah kajian. Luasnya daerah kajian ditambah pula dengan topografinya yang beragam (bergunung hingga dataran) menjadi alasan penggunaan algoritma polynomial orde 3. Titik kontrol point atau GCP tersebar merata di seluruh bagian citra dengan jumlah 33. Semakin banyak titik GCP asumsinya semakin akurat hasil koreksi geometri. Objek yang dijadikan sebagai titik kontrol merupakan objek yang sifarnya relatif tetap seperti bangunan, jalan, dan jembatan. Algoritma yang digunakan dalam koreksi geometri ini adalah nearest neighbour, dengan tujuan agar nilai piksel asli tidak berubah. Keakuratan hasil koreksi geometri dapat dilihat dari RMS errornya, semakin kecil nilainya akan semakin akurat hasilnya dalam arti semakin mendekati titik sebenarnya di lapangan. Kendalanya, untuk mendapatkan nilai RMS errror kecil dibutuhkan objek yang tetap dan terlihat dengan jelas baik pada citra ALOS AVNIR-2 maupun peta RBI. Sedangkan pada citra maupun peta tersebut objek yang dimaksud sangat minim dengan persebaran yang tidak merata. Tabel 5.2 dibawah ini menyajikan sebaran titik GCP disertai RMS
68
errornya dimana rata-rata RMS error yang diperoleh dari 33 GCP sebesar 0,89. Ini artinya dengan resolusi spasial citra 10 m maka di lapangan citra tersebut mengalami pergeseran sebesar 8,89 m untuk tiap piksel. Nilai RMS error yang cukup tinggi ini menunjukkan bahwa hasil koreksi geometrik untuk dearah kajian tidak sempurna. Padahal nilai yang disarankan oleh Jansen tahun 2005 adalah < 0,5. Hal ini dikarenakan kondisi fisik daerah pemelitian yang sebagian besar didominasi oleh perbukitan dan pegunungan serta sulitnya menemukan objek yang tetap meskipun pengambilan titik GCP telah dilakukan berulangulang.
69
Tabel 5.2 Jumlah GCP (Ground Control Point) pada koreksi geometri
Sumber : Koreksi geometri citra satelit ALOS AVNIR-2, 2013
70
a b Gambar 5.2(a) Persebaran titik kontrol pada citra ALOS AVNIR-2 5.2(b) Persebaran titik kontrol peta Rupa Bumi Indonesia (RBI) Penggunaan
algoritma
polinomial
tidak
hanya
mempengaruhi
perubahan posisi piksel saja, melainkan juga menyebabkan perubahan nilai spektralnya. Proses resampling digunakan untuk tetap mempertahankan nilai spektral pada tiap piksel. Metode resampling yang digunakan dalam koreksi ini adalah nearest neightbour, dengan pertimbangan jenis resampling ini tetap mempertahankan nilai piksel meskipun posisi piksel berubah. Perubahan pergeseran citra sebelum dan sesudah koreksi dapat dilihat pada gambar 5.3 (a) dan 5.3 (b). Dari pertampalan vektor pada citra, terlihat bahwa terjadi perubahan yang cukup signifikan antara citra sebelum dan sesudah koreksi. Ini artinya, meskipun kualitas citra berada pada level 1B2 namun belum tentu memiliki posisi sebenarnya terhadap acuan yang digunakan.
71
a
b
Gambar 5.3(a) Pertampalan vektor sebelum koreksi geometri citra 5.3(b) Pertampalan vektor sesudak koreksi geometri citra 5.2.2 Koreksi Radiometri Citra Satelit ALOS AVNIR-2 Koreksi radiometri dilakukan untuk memperbaiki kualitas citra baik secara visual maupun yang berkaitan dengan nilai pikselnya. Citra ALOS AVNIR-2 yang digunakan dalam penelitian kali ini memiliki level koreksi 1B2 sehingga sudah terkoreksi geometri dan radiometri secara sistematis. Kualitas citra yang dimaksud disini berkaitan dengan tujuan penelitian itu sendiri. Untuk penelitian kali ini kualitas citra tidak hanya berhenti pada informasi dalam citra sendiri melainkan juga mempertimbangkan faktor-faktor luar yang berpengaruh terhadap kesalahan informasi citra. Sehingga tahapan koreksi radiometri yang dilakukan pada penelitian kali ini mencapai tahap kalibrasi sensor (at sensor radiance). Nilai kepekaan yang tertangkap sensor pada masing-masing saluran dinyatakan dalam gain dan offset. Berikut adalah algoritma yang digunakan beserta hasil koreksinya. Lλ = Offset λ + Gain λ *(BV)λ................................. (17) Dimana Gain λ = Lλ(maks) - Lλ(min) / BVλ(maks)....................... (18)
72
Tabel 5.3 Nilai gain dan offset pada citra ALOS AVNIR-2 No.
Saluran
Gain
Offset
1
Saluran 1
0,5946
0,95
2
Saluran 2
0,5541
0,84
3
Saluran 3
0,4730
0,81
4
Saluran 4
0,6689
-0,00
Sumber: Header cittra ALOS AVNIR-2 tahun 2009
5.2.3 Transformasi Indeks Vegetasi Perolehan informasi mengenai sebaran vegetasi dilakukan dengan transformasi indeks vegetasi pada citra satelit ALOS AVNIR-2. Ada 4 jenis transformasi citra yang digunakan dalam penelitian kali ini meliputi Ratio Vegetation Index (RVI), Normalized Difference Vegetation Index (NDVI), Transformed Vegetation Index (TVI), dan Modified Soil Adjusted Vegetation Index (MSAVI). Pemilihan trasnformasi tersebut didasarkan pada kapasitas citra satelit ALOS AVNIR-2 yang hanya terdiri dari 4 band yakni saluran biru (0,45 – 0,52µm), saluran hijau (0,52 – 0,60µm), saluran merah (0,63 – 0,69µm), dan saluran inframerah dekat (NIR) (0,76 – 0,89µm). Sehingga anadalan pada model trasnformasi yang diterapkan pada citra satelit ALOS AVNIR-2 ini hanya pada saluran merah dan inframerah dekat. Penggunaan saluran merah dan NIR pada sebagaian besar transformasi indeks vegetasi didasarkan pada nilai tertinggi pantulannya. Vegetasi memberikan pantulan tertinggi pada NIR, namun karena mata manusia hanya terbatas pada panjang gelombang visibel maka daun sehat tampak hijau. Sehingga kombinasi dari dua pantulan (merah dan inframerah dekat) mampu memberikan nilai/indeks kaitannya dengan keberadaan vegetasi. Nilai indeks ini dapat bervariasi, tidak selalu sama tergantung dari algoritma transformasi yang digunakan. Berikut hasil dari masing-masing transformasi tersebut.
73
5.2.3.1 RVI Transformasi indeks vegetasi paling sederhana yang digunakan dalam penelitian kali ini adalah RVI (Ratio Vegetation Index). Indeks yang dihasilkan merupakan rasio dari saluran merah dan inframerah dekat dengan nilai minimal 0,204109, maksimal 4,013212 dan rata-rata 1,409078. Objek vegetasi dari hasil transformasi ini menunjukkan rona yang cerah, sedangkan non vegetasi memiliki rona gelap. Algoritma RVI yang digunakan hanya mengandalkan kemampuan saluran merah dan inframerah dekat yang memang unggul dalam nenonjolkan objek vegetasi, sehingga hanya ada dua kemungkinan objek yang dapat diidentifikasi. Pertama objek vegetasi dan kedua non vegetasi. Semakin besar nilai indeks yang dihasilkan, semakin cerah ronanya, dan semakin besar pula kemungkinan keberadaan vegetasi. 5.2.3.2 NDVI Indeks vegetasi selanjutnya adalah NDVI (Normalized Different Vegetation Index). Sama seperti RVI, NDVI pun menggunakan saluran merah dan inframerah dekat namun dengan algoritma yang berbeda. Kisaran nilai yang dihasilkan antara -1 sampai 1. Dimana -1 non vegetasi dan 1 vegetasi. Hasil trasnformasi NDVI pada daerah kajian menunjukkan rentang nilai antara -0.660980 sampai 0.601054. Semakin mendekati 1 rona yang terlihat pada citra semakin cerah, dan semakin cerah kenampakannya akan menunjukkan daerah kajian semakin banyak tutupan vegetasi. Pada daerah penelitian nilai maksimal indeks berada pada 0.601054. Ini artinya, tidak ada objek yang benar-benar murni vegetasi. Bisa terjadi karena ada pantulan tanah atau air yang berada diantara vegetasi mengingat resolusi spasial citra ALOS ANVIR-2 sebesar 10 m yang berarti luasan dipermukaan bumi 100 meter persegi. Dimana akan sangat sulit menemukan tutupan objek vegetasi yang secara utuh menutupi permukaan bumi tanpa celah sedikitpun.
74
5.1.3.3 TVI Transformasi indeks ketiga yang digunakan adalah TVI (Transformed Vegetation Index). Model transformasi ini dikembangkan untuk menghilangkan nilai negatif pada transformasi NDVI. Masih menggunakan saluran yang sama, yakni merah dan inframerah dekat maka dihasilkan nilai indeks dengan minimal 0.037842, maksimal 1.049311 dan rata-rata 0.799635. Nilai indeks tersebut merepresentasikan tutupa vegetasi pada daerah kajian. Dimana nilai indeks kecil memiliki rona gelap yang mengindikasikan tutupan vegetasi sedikit dan nilai indeks besar memiliki rona cerah yang mengindikasikan tutupan vegetasi rapat. 5.2.3.4 MSAVI Terakhir adalah transformasi MSAVI (Modified Soil Adjusted Vegetation Index). Model transformasi ini memiliki keunggulan mampu menekan latar belakang tanah meskipun dengan menggunakan tipe saluran yang sama seperti pada transformasi sebelumnya yakni merah dan inframerah dekat. Tanah untuk kajian tutupan vegetasi dianggap sebagai gangguan karena mempengaruhi nilai asli dari pantulan objek vegetasi. Nilai indeks yang dihasilkan oleh transformasi ini yakni minimal 7.166977 maksimal 1.500336 dan rata-rata 0.450420. Indeks yang dihasilkan ini tidak memiliki acuan nilai tertentu karena persamaan yang digunakan bukan merupakan persamaan yang telah dinormalisasi seperti pada transformasi NDVI. Nilai indeks yang dihasilkan tergantung dari nilai spektral saluran yang digunakan. Tabel 5.4 di bawah ini menggambarkan perbandingan informasi spktral masing-masing transformasi yang digunakan.
75
Tabel 5.4 Citra hasil transformasi dan perbandingan nilai spektralnya No.
informasi spectral
Jenis trasnformasi
1
maks
Min
rata-rata
st.dev
4,013212
0,204109 1,409078 0,390784
0,601054
-0,66098
1,049131
0,037842 0,779964 0,091889
1,500336
-7,16698
RVI 2
0,14779
0,13916
NDVI 3 TVI 4
0,45042
0,485373
MSAVI
5.2.4 Interpretasi Visual Citra Satelit ALOS ANVIR-2 Interpretasi visual citra satelit ALOS AVNIR-2 bertujuan untuk menyusun satuan pemetaan kerapatan kanopi hutan dalam interpretasi hibrida. Beberapa hal yang menjadi pertimbangan ketika melakukan interpretasi visual selain unsur-unsur interpretasi adalah penyusunan citra komposit. Penyusunan citra komposit bertujuan untuk menonjolkan objek tertentu sehingga mempermudah pengenalan suatu objek. Komposit warna memanfaatkan tiga saluran pada citra, dimana saluran yang digunakan adalah saluran-saluran yang peka terhadap objek vegetasi. Saluran tersebut antara lain saluran hijau (0,520,6 µm), merah (0,61-0,64 µm) dan inframerah dekat (0,76-0,89 µm) dengan komposit 432 (inframerah dekat, merah, hijau). Gambar 5.4 di bawah ini adalah
76
grafik histogram citra satelit ALOS AVNIR-2 dengan komposit warna 432 pada daerah penelitian.
Gambar 5.4 Histogram citra daerah kajian untuk komposit warna 432 Grafik berwarna hitam adalah band 4, grafik berwarna merah band 3, dan grafik berwarna hijau band 2. Masing-masing grafik menggambarkan pesebaran jumlah nilai piksel pada rentang nilai kecerahan citra antara 0 – 255. 0 berarti sangat gelap dan 255 sangat cerah. Dari histogram tersebut dapat dilihat bahwa tidak ada piksel yang benar-benar bernilai 0 maupun 255. Jumlah piksel terbanyak dari 3 jenis saluran tersebut justru berada pada kisaran nilai kecerahan 25 – 75. Ini artinya persentase nilai piksel gelap lebih dominan daripada nilai piksel cerah. Semakin gelap berarti semakin banyak energi yang terserap, karena 3 saluran tersebut memiliki pola yang sama dalam memberikan respon pantulan vegetasi maka semakin gelap citra semakin banyak persentasi vegetasi pada daerah kajian. Nilai inilah yang dijadikan pedoman untuk mengetahui distribusi nilai piksel yang menunjukkan keberadaan objek vegetasi. Komposit saluran 432 yang digunakan untuk interpretasi visual menghasilkan kenampakan objek vegetasi yang sangat jelas. Saluran 4 (inframerah dekat) dengan panjang gelombang 0,76-0,89 µm peka terhadap objek vegetasi dan tanah. Saluran 3 (merah) yang memiliki panjang gelombang 0,61-0,64 µm peka terhadap pantulan vegetasi, sedangkan saluran 2 yang 77
berada pada kisaran panjang gelombang 0,52-0,60 µm merupakan puncak dari pantulan vegetasi. Kombinasi komposit dari ketiga saluran tersebut di atas menghasilkan kenampakan citra dengan dominan warna merah adan cyan. Merah menunjukkan objek vegetasi dan cyan menunjukkan objek tanah. Interpretasi visual citra satelit ALOS AVNIR-2 dengan komposit 432 sangat membantu dalam indentifikasi objek. Proses pengenalan objek yang berkaitan dengan vegetasi dilakukan secara fotomorfik, yakni menggunakan unsur interpretasi citra. Pengenalan objek dilakukan untuk membedakan kelas kerapatan tegakan hutan daerah kajian berdasarkan unsur interpretasi citra. Sehingga tidak semua unsur interpretaasi digunakan secara serentak, beberapa unsur interpretasi yang dijadikan kunci interpretasi antara lain warna/rona, tekstur, pola, bentuk, dan asosiasi. Secara visual tampilan citra ALOS AVNIR2 dengan resolusi spasial 10m cukup baik untuk membedakan antara vegetasi lebat hingga jarang. Kenampakan citra ALOS ANVIR-2 dengan komposit 432 dapat dilihat pada Gambar 5.5 berikut.
Gambar 5.5 Kenampakan citra satelit ALOS AVNIR-2 komposit 432 Gambar tersebut di atas merupakan tampilan visual citra daerah kajian dengan komposit 432. Dominan warna yang terlihat pada citra adalah warna
78
merah dan warna cyan, dimana objek vegetasi berwarna merah dan warna cyan untuk objek tanah. Delineasi objek dilakukan secara Digitasi on Screen dengan tanpa meninggalkan kunci interpretasi yang digunakan. Karena daerah kajian pada penelitian ini berada pada kawasan hutan yang telah ditetapkan oleh Kementrian Kehutanan Republik Indonesia tahun 2007, maka asumsinya adalah kawasan tersebut meskipun pada kenyataanya banyak terdapat blok-blok nonvegetasi namun tetap dikatagorikan sebagai hutan. Sehingga dalam proses interpretasi, tidak lagi membagi daerah penelitian menjadi hutan dan nonhutan melainkan membagi menjadi blok-blok kecil yang menggambarkan perbedaan tingkat kerapatannya. Unsur interpretasi warna/rona menjadi aspek yang paling dominan dalam melakukan interpretasi. Warna merah menunjukkan objek vegetasi, semakin gelap ronanya mengindikasikan bahwa semakin rapat vegetasi. Sebaliknya semakin cerah ronanya semakin jarang vegetasi. Delineasi objek dilakukan dengan membedakan tingkat kecerahan rona yang terlihat. Selanjutnya ada unsur interpretasi tekstur. Tekstur memudahkan dalam membedakan objek vegetasi pada tingkat ketinggian yang berbeda. Perbedaan ketinggian dapat menunjukkan perbedaan kerapatan vegetasi tegakan. Terakhir adalah pola dan bentuk. Pada daerah kajian sebagian besar bentuk blok-blok vegetasi tidak beraturan begitupun dengan polanya. Mengerombol pada beberapa lokasi dan sangat jarang lokasi tertentu. Hal ini tidak lepas dari unsur interpretasi yakni asosiasi. Vegetasi rapat sebagian besar berasosiasi dengan sungai-sungai besar. Seperti terlihat pada sisi utara daerah kajian. Sungai Oyo yang memotong sisi utara daerah kajian menjadi salah satu sumber kehidupan bagi vegetasi disekitarnya. Tidak heran mengapa Kabupaten Gunungkidul yang terkenal gersang justru menyiman potensi hutan yang luar biasa. Berikut ini disajikan Tabel 4.4 mengenai beberapa contoh hasil delineasi objek hutan untuk setiap kerapatan yang berbeda. Sementara peta satuan pemetaan kerapatan kanopi daerah penelitin disajikan dalam Gambar 4.6 berikut.
79
Tabel 5.5 Pengenalan Objek Hasil interpretasi Visual untuk Satuan Pemetaan Nama Objek Kerapatan 1
Kenampakan pada cita ALOS AVNIR-2
Ciri pengenalan -
-
Warna/rona: merah cerah, merah kehitaman Bentuk tidak teratur Tekstus halus-kasar Asosiasi sungai
Kerapatan 3
-
Warna/rona: merah muda, keputihan Bentuk tidak teratur Tekstur halus
Kerapatan 4
-
Warna/rona: merah kehitaman, gelap Bentuk tidak teratur Tekstur kasar Asosiasi sungai
pudar,
Warna/rona: merah kehitaman, Bentuk tidak teratur Tekstur kasar Asosiasi sungai
gelap,
Kerapatan 2
-
Warna/rona: cyan, biru muda, merah pudar Bentuk tidak teratur Tekstur halus
-
Kerapatan 5
-
Kerapatan 6
-
Warna/rona: merah pudar, cyan, biru muda, biru, coklat muda Bentuk tidak teratur Tekstur kasar Aosiasi lahan terbangun
80
81
5.3 Pemetaan Kerapatan Vegetasi dengan Interpretasi Hibrida 5.3.1 Analisis Statistik Nilai Rata-Rata Sampel Blok Vegetasi pada Citra Hasil Transformasi Indeks Vegetasi Nilai indeks yang dihasilkan dari beberapa transformasi belum bernilai apa-apa sebelum dikaitkan dengan data lapangan. Salah satu cara untuk menghubungan antara nilai indeks dengan data lapangan adalah dengan analisis statistik. Analisis statistik yang digunakan untuk penyusunan formula kepadatan bangunan yakni dengan menggunakan nilai rata-rata blok sampel kerapatan vegetasi. Blok bangunan diperoleh dari hasil interpretasi citra resolusi tinggi yang telah memiliki nilai kepadatan. Analisis nilai rata-rata blok kerapatan vegetasi dilakukan pada citra hasil transformasi indeks vegetasi antara lain RVI, NDVI, TVI, dan MSAVI. Nilai
rata-rata
indeks
vegetasi
diperoleh
dengan
cara
menumpangsusunkan antara blok sampel vegetasi (dalam bentuk vektor) dengan masing-masing indeks vegetasi (dalam bentuk raster). Karena yang digunakan adalah rata-rata nilai piksel maka diambil beberapa piksel di bagian tengah blok vegetasi dengan membat ROI (Region of Interest). Gambar 5.6 berikut ini adalah contoh pembuatan ROI pada salah satu trasnformasi indeks.
82
Gambar 5.6 Pembuatan ROI dari blok kerapatan vegetasi
Adapun Tabel 5.6 berikut menyajikan hasil tumpang susun antara blok kerapatan vegetasi pada masing-masing indeks yang digunakan. Untuk melihat hubungan antara parameter kerapatan dengan indeks vegetasi dilakukanlah analisis statistik yakni korelasi dan regresi. Nilai kerapatan vegetasi tersebut dikorelasikan dengan nilai rata-rata transformasi RVI, NDVI, TVI, dan MSAVI. Hasil korelasi inilah yang menentukan indeks vegetasi apa yang paling baik digunakan untuk pemetaan kerapatan vegetasi.
83
Tabel 5.6 Nilai rata-rata piksel blok kerapatan vegetasi pada Transformasi Indeks Vegetasi (RVI, NDVI, TVI dan MSAVI) Mean Nilai No. No.sampel kepadatan RVI NDVI TVI MSAVI 1 80,81910 12.102 2,27517 0,38918 0,94295 1,11802 2 74,1056 12.105 2,07144 0,34839 0,92103 1,03023 3 80,4567 12.103 2,33847 0,39694 0,94673 1,13080 4 64,4096 12.106 1,67066 0,24926 0,86531 0,79236 5 64,8675 12.104 1,58824 0,22488 0,85100 0,72711 6 46,0538 6.23 1,32608 0,13751 0,79786 0,47482 7 77,1232 11.101 2,03903 0,34016 0,91642 1,01032 8 48,0733 11.100 1,13347 0,06195 0,74947 0,23010 9 64,1958 5.11 1,56779 0,22041 0,84866 0,71760 10 44,1485 5.12 1,28781 0,12274 0,78852 0,42794 11 80,0193 10.85 1,82625 0,33872 0,79887 0,78052 12 85,5468 10.86 2,36414 0,40522 0,95140 1,15028 13 70,463 10.87 1,71856 0,25968 0,87087 0,81382 14 71,1551 7.39 1,94951 0,32111 0,90605 0,96806 15 7,0147 6.25 0,81685 0,08970 0,08861 0,09474 16 5,1025 7.37 0,79704 -0,11671 0,61691 -0,54690 17 12,059 6.28 1,10782 0,05025 0,74152 0,18703 18 69,4891 8.85 1,44817 0,17892 0,82303 0,59366 19 70,6839 8.86 1,65648 0,24679 0,86412 0,78762 20 74,3647 9.57 2,03265 0,31568 0,71799 0,85990 21 70,0296 9.60 1,62611 0,20110 0,77520 0,66340 22 83,8225 9.58 2,51687 0,30368 0,83858 0,67055 23 77,9614 9.59 1,91680 0,31404 0,90221 0,95221 24 25,8889 6.18 1,35962 0,15190 0,80730 0,52342 25 30,9053 9.62 1,37546 0,15755 0,81079 0,54029 26 61,0428 9.61 1,72368 0,26531 0,87477 0,83482 27 46,9903 10.74 1,29106 0,10464 0,70376 0,21906 28 67,4126 10.73 1,63750 0,22960 0,85206 0,72148 29 71,7665 9.71 1,88435 0,30552 0,89738 1,03102 30 79,5260 10.79 1,98852 0,33026 0,91113 1,08948 Sumber : Pengolahan statistik citra tiap indeks vegetasi
5.3.1.1 Analisis Korelasi RVI dengan Kerapatan RVI adalah salah satu model transformasi yang paling sederhana. Berdasarkan analisis korelasi yang dilakukan antara RVI dengan nilai kepadatan diperoleh korelasi sebesar
84
0,782. Gambar 4.8
adalah grafik
hubungan antara kerapatan di lapangan dengan transformasi RVI. Sumbu x mewakili nilai kerapatan di lapangan sedangkan y adalah hasil transformasi RVI. Nilai koefisien determinasi tersebut mendekati 1, artinya antara RVI dengan kerapatan memiliki hubungan positif. Semakin besar atau semakin mendekati 1 maka semkin rapat nilai kerapatan vegetasinya. Grafik hubungan antara RVI dengan kerapatan dapat dilihat pada gambar 5.7 berikut.
Gambar 5.7 Grafik hubungan antara RVI dengan kerapatan vegetasi 5.3.1.2 Analisis Korelasi NDVI dengan Kerapatan Selanjutnya adalah NDVI. Indeks vegetasi ini paling umum digunakan dalam berbagai penelitian yang berkaitan dengan vegetasi. Berdasarkan analisis korelasi antara kedua parameter tersebut diperoleh korelasi sebesar 0,784. Nilai koefisien korelasi tersebut paling tinggi jika dibandingkan dengan nilai koefisien korelasi yang lain. Artinya variabel NDVI memiliki hubungan paling kuat dengan nilai kerapatan vegetaasi. Nilai ini menunjukkan arah hubungan positif, semakin tinggi indeks yang dihasilkan maka semakin tinggi pula kerapatan vegetasinya. Gambar 5.8 menggambarkan hubungan antara NDVI dan kerapatan. Sama halnya dengan transformasi indeks lain yang digunakan dalam penelitian kali ini, ada beberapa point penting yang menjadi perhatian terkait grafik hubungan dua variabel. Antara lain nilai kerapatan yang tergambar pada sumbu x, nilai indeks pada sumbu y, sebaran sampel, dan garis linear antara dua variabel terkait.
85
Gambar 5.8 Grafik hubungan antara NDVI dengan kerapatan vegetasi 5.3.1.3 Analisis Korelasi TVI dengan Kerapatan TVI dikembangkan untuk menghilangkan nilai negatif pada NDVI. Dari empat indeks vegetasi yang digunakan, TVI memiliki nilai korelasi paling rendah dengan kerapatan vegetasi. Koefisien korelasi antara TVI dan kerapatan adalah 0,489. Menurut Munir (2007) nilai tersebut memiliki tingkat hubungan dengan kategori sedang. Pada Gambar 5.9
terlihat bahwa sebaran sampel
kerapatan untuk nilai TVI memiliki pola menyebar, sehingga garis linear yang terbentuk kurang sempurna.
Gambar 5.9 Grafik hubungan antara TVI dengan kerapatan vegetasi
86
5.3.1.4 Analisis Korelasi MSAVI dengan Kerapatan Indeks terakhir yang digunakan untuk analisis kerapatan vegetasi adalah MSAVI. Dengan melihat pada gambar 5.10 dapat diketahui bahwa koefisien korelasi yang dihasilkan dari dua variabel tersebut adalah 0,75. Indeks yang bernilai negatif (-) pada MSAVI menunjukkan tingkat hubungan yang paling jauh. Semakin jauh letak sampel kerapatan pada rentang indeks yang digunakan terhadap garis linearnya, menunjukkan sebaran data yang semakin tidak merata.
Gambar 5.10 Grafik hubungan antara MSAVI dengan kerapatan vegetasi
Tabel 5.7 berikut merupakan tabel perbandingan koefisien korelasi yang dihasilkan melalui analisis statistik nilai kerapatan dengan indeks vegetai yang digunakan Tabel 5.7 Korelasi nilai rata-rata tiap saluran dengan kerapatan Transformasi R2 No. indeks 1 RVI 0,782 2 NDVI 0,784 3 TVI 0,489 4 MSAVI 0,750 Sumber: Analisis statistik citra Nilai r pada tabel 4.7 adalah nilai korelasi dari masing-masing indeks vegetasi yang digunakan. Koefisien korelasi terendah dihasilkan dari transformasi TVI, meskipun sebenarnya transformasi TVI dirumuskan untuk 87
menghilangkan nilai negatif pada transformasi NDVI namun pada penelitian kali ini justru koefisien korelasi dari kedua transformasi tersebut memiliki selisih yang cukup jauh. Artinya, perubahan nilai indeks dari transformasi TVI dan NDVI sangat berpengaruh pada perubahan statistiknya. Sedangkan untuk transformasi RVI, NDVI, dan MSAVI selisih koefisien korelasinya tidak terlalu jauh. RVI bekerja dengan baik pada topografi yang beragam seperti pada daerah kajian, MSAVI menekan gangguan latar belakang tanah sedangkan NDVI merupakan kombinasi yang paling baik untuk identifikasi keberadaan vegetasi.
Tidak
heran
mengapa
ketiga
jenis
transformaasi
tersebut
menghasilkan koefisien korelasi yang tinggi. Dari tabel tersebut dapat diketahui bahwa korelasi paling tinggi ternyata pada transformasi NDVI sebesar 0,784. Artinya, kerapatan vegetasi memiliki hubungan positif dan paling kuat pada trasnformasi NDVI ketimbang jenis transformasi indeks lainnya. Jadi, untuk pemetaan kerapatan vegetasi metode hibrida, transformasi yang digunakan adalah transformasi NDVI dengan rumus fungsinya adalah Y= 0,004x – 0,045. 5.3.2 Formula Kerapatan Vegetasi untuk Interpretasi Hibrida Indeks terpilih yang digunakan untuk penyusunan formula kerapatan vegetasi adalah indeks yang memiliki koefisien korelasi tertinggi, dan indeks tersebut adalah NDVI. Dari nilai NDVI inilah kemudian dibagi menjadi 5 kelas kerapatan vegetasi yakni hutan sangat rapat, agak lebat/lebat, terbuka, jarang, dan sedikit/tidak ada pohon. Tabel 5.8 merupakan formula kerapatan vegetasi untuk interpretasi hibrida hasil tumpangsusun antara sampel kerapatan dengan nilai rata-rata NDVI. Nilai 0,276; 0,116 hingga -0,037 merupakan rentang nilai transformasi NDVI yang dihasilkan dari persamaan regresi Y=0,004x – 0,045, dengan x adalah nilai kerapatan vegetasi 2%, 10%, 40%, dan 80%. Setiap perbedaan kerapatan vegetasi menunjukkan perbedaan kelas kerapatannya.
88
Tabel 5.8 Formula kerapatan vegetasi No
Kelas
1
I
NDVI≥0,276
Hutan sangat rapat
2
II
NDVI≥0,116 AND NDVI≤0,275
Hutan agak lebat/lebat
3
III
NDVI≥(-0,004) AND NDVI≤0,115
Terbuka
4
IV
NDVI≥(-0,038) AND NDVI≤(-0,004)
Jarang Sedikit/tidak ada pohon
5
Formula kerapatan vegetasi
V NDVI≤(-0,037) Sumber : Pengolahan citra, 2013
Kerapatan vegetasi
Kelas I mewakili hutan sangat rapat dengan nilai indeks lebih besar sama dengan dari 0,276. Kelas II hutan agak rapat/lebat berada pada rentang nilai 0,116 sampai 0,275. Kelas III, IV, dan V berdasarkan formula kerapatan vegetasi mulai terdapat indeks yang bernilai negatif dengan kerapatan berturutturut yakni terbuka, jarang, dan sedikit/tidak ada pohon. Nilai negatif tersebut sebagai akibat dari adanya objek non vegetasi yang berada di area hutan pada wilayah kajian, seperti pemukiman, lahan kosong, maupun tubuh air. 5.3.3 Interpretasi Hibrida Proses interpretasi hibrida dilakukan setelah setiap poligon satuan pemetaan kerapatan vegetasi memiliki rata-rata nilai pada citra NDVI. Nilai rata-rata tersebut akan digunakan untuk identifikasi tingkat kerapatan vegetasi tiap poligon satuan pemetaan. Perolehan nilai rata-rata tiap satuan pemetaan kerapatan vegetasi yakni dengan cara menumpangsusunkan poligon hasil interpretasi visual dengan citra NDVI. Proses perhitungan nilai rata-rata tersebut diperoleh dengan bantuan software pengolah data citra ENVI 4.5. Setiap poligon yang telah ditumpangsusunkan dengan citra NDVI dilakukan analisis statistik untuk memperoleh rata-rata nilai indeksnya. Setelah setiap poligon memperoleh nilai rata-rata pada citra NVDI, maka formula kerapatan vegetasi sudah bisa diterapkan.
89
Formula hibrida untuk kerapatan vegetasi yang telah diterapkan pada masing-masing poligon satuan pemetaan otomatis menghasilkan poligonpoligon dengan kelas kerapatan vegetasi tertentu. Hasil dari perhitungan tersebut dapat dilihat pada lampiran 1. Kerapatan vegetasi hasil interpretasi hibrida dikelompokkan ke dalam 5 kelas, antara lain hutan sangat lebat, agak lebat, terbuka, jarang, dan sedikit atau tidak ada sama sekali. Tabel 5.9 berikut merupakan hasil interpretasi hibrida untuk kerapatan vegetasi disertai luasannya. Tabel 5.9 Luas kerapatan vegetasi hasil interpretasi hibrida Persentase
No.
Kelas kerapatan
1.
Hutan sangat rapat
> 80 %
1082,92
2.
Agak lebat/lebat
40 – 80 %
2541,76
3.
Terbuka
10 – 40 %
2062,32
4.
Hutan jarang
2 – 10 %
201,04
5.
Sedikit/tidak ada pohon
<2%
Kerapatan
Luas (ha)
-
Dari 5 kelas tersebut, ternyata pada kelas sedikit/tidak ada sama sekali jumlah luasan hutan adalah 0, ini artinya pada daerah kajian jumlah minimal tegakan hutan diatas 2%. Peta di bawah hibrida.
90
ini adalah peta hasil interpretasi
91
5.4 Akurasi Interpretasi Hibrida Uji akurasi interpretasi hibrida dilakukan dengan menumpangsusunkan peta acuan hasil interpretasi visual resolusi tinggi dengan hasil peta dari interpretasi hibrida. Peta hasil interpretasi visual citra resolusi tinggi dianggap mewakili kondisi sebenarnya di lapangan sehingga peta ini dijadikan sebagai sumber data referensi dalam uji akurasi interpretasi hibrida. Tehnik tumpangsusun antara kedua peta ini dilakukan secara manual dengan sistem grid, dan pembanding dilakukan grid demi grid. Ukuran grid yang digunakan dalam uji akurasi ini 0,5 x 0,5 cm. Hasil uji akurasi tersebut disajikan dalam tabel confusion matrix antar grid pada tabel 5.10. Tabel 5.10 tersebut kelas kerapatan diwakilkan dengan kelas 1, 2, 3, 4, dan 5. Kelas 1 dimulai dengan tingkat kerapatan paling tinggi, dan seterusnya hingga kelas 5 tingkat kerapatan paling rendah. Kelas 1 (sangat rapat/rapat), 2 (agak rapar/rapat), 3 (jarang), 4 (terbuka), dan 5 (sedikit/tidak ada pohon). Tabel 5.10 Uji akurasi interpretasi hibrida 1
2
3
4
5
1
407
39
13
1
0
460
88,48
ERROR COMISSION (%) 11,52
2
75
1424
48
0
0
1547
92,05
7,95
3
0
45
1146
0
0
1191
96,22
3,78
4
0
10
3
140
0
153
91,50
8,50
5
0
0
0
0
0
TOTAL PRODUCER ACC (%) ERROR COMISSION (%)
482
1518
1210
141
3351
84,44
93,81
94,71
99,29 OVERALL ACC (%)
93,02
KERAPATAN RESOLUSI TINGGI HASIL INTERPRETASI HIBRIDA
KELAS
15,56
6,19
5,29
0,71
TOTAL
USER ACC (%)
Perhitungan di atas memperlihatkan akurasi, baik akurasi pengguna (user accuracy), akurasi penghasil (producer accuracy), maupun akurasi secara keseluruhan (overall accuracy). Akurasi pengguna (user accuracy) pada kelas
92
kerapatan 1 sebesar 88,48 % yang berarti 88,48 % peluang grid yang terklasifikasi secara tepat sebagai kelas 1 di lapangan. Sedangkan error comission dari klasifikasi kelas 1 yakni 11,52 % yang artinya grid yang terklasifikasi sebagai kelas 1 adalah bukan kelas 1 di lapangan. Nilai producer accuracy pada kelas yang sama (kelas 1) adalah 84,44 %. Nilai ini berarti 84,44 % kelas 1 pada seluruh area riset diklasifikasikan secara benar sebagai kelas 1. Sisanya merupakan error omission sebesar 15,56 % kelas 1 di lapangan yang terklasifikasi bukan sebagai kelas tersebut. Akurasi keseluruhan peta hasil interpretasi hibrida dihitung berdasarkan jumlah grid yang terklasifikasi secara benar dibagi dengan jumlah seluruh grid peta referensi. Hasilnya adalah 3117/3351 = 93,02 %. Adapun untuk penelitian yang sama , seperti yang dilakukan oleh Gunawan tahun 2011 yang mengkaji kerapatan kanopi hutan di Kabupaten Kulonprogo dengan interpretasi hibrida, tingkat akurasi yang dihasilkan adalah 90,32 %. Selisih akurasi interpretasi antara penelitian sebelumnya dengan penelitian ini menunjukkan bahwa hasil interpretasi hibrida untuk objek yang sama pada daerah yang berbeda masih lebih baik pada penelitian ini. Berdasarkan ketelitian yang dihasilkan oleh interpretasi hibrida untuk pemetaan kerapatan tegakan vegetasi tersebut, nilai akurasi 93,02 % termasuk ke dalam ketelitian tinggi menurut Campbell (2002) dalam Suharyadi (2010). Artinya, interpretasi hibrida yang merupakan kombinasi antara interpretasi visual dan digital untuk pemetaan kerapatan vegetasi daerah kajian hasilnya dapat dimanfaatkan untuk kajian lebih lanjut, misalnya untuk analisis di bidang kehutanan. Peta kerapatan vegetasi daerah kajian dengan metode interpretasi hibrida di beberapa Kecamatan Kabupaten Gunungkidul setelah dilakukan cek ketelitian interpretasi dapat dilihat pada Gambar 4.12 di bawah ini.
93
5.5 Karakteristik Kerapatan Vegetasi Daerah Kajian Interpretasi hibrida kerapatan vegetasi hutan di Kabupaten Gunungkidul dengan batasan wilayah BDH Playen, Paliyan, dan Panggang di Kecamatan Playen, Kecamatan Patuk, Kecamatan Panggang, Kecamatan Paliyan, dan Kecamatan Wonosari diklasifikasikan ke dalam lima kelas kerapatan yang mengacu pada Howard (1991), antara lain hutan sangat rapat, agak rapat/rapat, terbuka, jarang, dan sedikit/tidak ada pohon. Berdasarkan hasil interpretasi tersebut dapat diketahui sebaran spasial serta pola kerapatan vegetasi hutan, dimana sebagian besar daerah kajian ternyata di dominasi oleh hutan agak lebat/lebat dengan tingkat kerapatan berkisar antara 40 – 80 %. Sedangkan untuk kelas kerapatan sedikit/tidak ada pohon dengan persentase kerapatan < 2 % justru tidak ditemukan pada daerah kajian. Ini artinya, minimal persentase kerapatan hutan adalah 2 %. Informasi nilai kerapatan disajikan dengan gradasi warna hijau, mulai dari hijau sangat tua hingga hijau sangat muda. Hijau sangat tua menunjukkan tingkat kerapatan sangat tinggi, semakin muda warnanya semakin renggang kerapatannya. Perbedaan kelas kerapatan dengan menggunakan gradasi warna hijau ini dimaksudkan untuk mempermudah pengenalan kelas kerapatan serta menggambarkan sebaran pola spasialnya. Kelas kerapatan sangat rapat/rapat tersebar di sisi utara dan selatan daerah kajian dengan total luas 1.082,92 hektar. Berdasarkan dari pola kerapatan kelas tersebut dapat diketahui bahwa aliran sungai sangat berpengaruh terhadap sebaran vegetasi terutama vegetasi kelas kerapatan tinggi. Terlihat di sisi utara daerah Kajian, hutan dengan kerapatan vegetasi kelas satu memiliki pola yang linier mengikuti pola aliran Sungai Oyo. Sebagimana kita ketahui bahwa sisi utara didominasi oleh bentukan lahan sturuktural dimana jenis tanah dan batuan sebagian berumur tua dengan material sedimen yang mendominasi. Kondisi inilah yang menjadikan tanah pada wilayah tersebut subur. Sementara jenis tamanan pada kelas kerapatan sangat rapat/rapat di
94
dominasi oleh tanaman Jati (Tectona grandis) dan Kayu Putih (Eucalyptus globulus) yang sebagain besar berada di kawasan hutan Wanagama yang terletak di sisi utara daerah kajian dengan fungsi sebaagai hutan produksi. Hasil interpretasi hibrida untuk kelas kerapatan antara 40-80% pada daerah kajian memiliki luasan paling besar diantara kelas kerapatan lainnya, yakni sekitar 43,17 % dari keseluruhan luas daerah kajian. Tersebar di sisi utara dan menggerombol di sisi selatan daerah kajian. Berdasarkan hasil lapangan menyebutkan bahwa tutupan kanopi vegetasi pada tipe kerapatan agak lebat/lebat ini adalah hutan campuran, jati (Tectona grandis), kayu putih (Eucalyptus globulus), mahoni (Swietenia macrophylla), dengan diselingi semak belukar dan sebagian besar merupakan jenis Tahura (Tanaman Hutan Rakyat). Sementara untuk kelas kerapatan terbuka antara 10-40 % mendominasi bagian tengah daerah penelitian dengan 2.062,32 hektar. Sebagian besar tutupan vegetasi pada tipe kerapatan ini adalah tegalan, kebun campuran, dan semak belukar. Terdapat beberapa blok pemukiman terutama pada daerah yang berelif datar, hal inilah yang menyebabkan tingkat kerapatan vegetasi cenderung rendah. Terakhir adalah kelas kerapatan antara 2-10 % yang tergolong dalam kelas kerapatan jarang. Presentasi kelas kerapatan ini paling sedikit dibandingkan dengan tipe kerapatan lainnya, hanya sebesar 3,41 % dari total keseluruhan daerah kajian. Dengan kondisi kerapatan 2-10%, ini berarti sebagian besar penutup lahannya berupa lahan tidak bervegetasi atau hanya berupa rerumputan dengan diselingi beberapa pohon, sehingga tanah akan memberikan pantulan sangat besar ketimbang vegetasi. Hal ini dapat dilihat pada citra hasil transformasi NDVI, daerah dengan kerapatan vegetasi rendah memiliki rona/warna sangat gelap. Perubahan penggunaan lahan yang menyebabkan berkurang atau bertambahnya tutupan kanopi vegetasi pada daerah kajian berdasarkan hasil analisis citra selain karena jenis tanah maupun aspek fisik lainnya, ada indikasi disebabkan karena musim dan pola panen/penebangan jenis pohon tertentu, misalnya jati atau kayu putih. Musim sangat berpengaruh terhadap banyak 95
tidaknya tutupan vegetasi, hal ini disebabkan karena daerah kajian sebagian besar berupa vegetasi meranggas dimana kharakteristik vegetasi ini akan menggugurkan daunnya ketika musim kemarau dan bersemi kembali ketika musim hujan. Kesalahan dalam proses lapangan dapat berakibat fatal, idealnya lapangan dilakukan pada bulan yang sama dengan perekaman citra atau minimal pada bulan dengan musim yang sama untuk meminimalisasi kesalahan.
96
BAB VI KESIMPULAN DAN SARAN 6.1 Kesimpulan 1. Interpretasi hibrida antara data berbasis visual dan digital citra satelit ALOS AVNIR-2 dapat digunakan untuk pemetaan kerapatan kanopi vegetasi dengan tingkat ketelitian tinggi, yakni 93,02%. 2. Dari beberapa indeks vegetasi yang digunakan antara lain RVI, NDVI, TVI, dan MSAVI dalam proses interpretasi hibrida, ternyata yang menunjukkan korelasi paling baik untuk kerapatan kanopi vegetasi adalah transformasi NDVI dengan koefisien korelasi sebesar 0,784. 3. Kerapatan vegetasi pada daerah kajian didominasi oleh kerapatan agak lebat/lebat (40-80%) dengan presentase kerapatan sebesar 43,12 % dan luas 2541,76 ha. Jenis tanaman pada kelas tersebut antara lain , jati (Tectona grandis), kayu putih (Eucalyptus globulus), mahoni (Swietenia macrophylla) yang sebagain besar merupakan tipe hutan Tahura (Tanaman Hutan Rakyat). 6.2 Saran 1. Tingkat akurasi interpretasi hibrida bisa jadi lebih baik lagi jika memperhatikan waktu perekaman citra dengan waktu pengambilan sampel di lapangan, semakin mendekati dengan bulan perekaman citra yang sama akan semakin baik khususnya untuk kawasan hutan semusim. 2. Indeks vegetasi yang memiliki korelasi hampir sama dengan korelasi yang dihasilkan oleh NDVI dapat pula digunakan untuk penyusunan formula kerapatan kanopi vegetasi. 3. Managemen pengelolaan hutan yang baik tentunya membutuhkan informasi mengenai kualitas dan kuantitas hutan itu sendiri termasuk
97
kondisi kerapatannya, sehingaa penelitian ini dapat dijadikan sebagai bahan pertimbangan oleh pemerintah agar semakin baik dalam mengelola hutan.
98
