MODEL TRANSFORMASI INDEKS VEGETASI YANG EFEKTIF UNTUK PREDIKSI KERAPATAN MANGROVE RHIZOPHORA MUCRONATA

Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa”

MODEL TRANSFORMASI INDEKS VEGETASI YANG EFEKTIF UNTUK PREDIKSI KERAPATAN MANGROVE RHIZOPHORA MUCRONATA. Ahmad Faizal1, Muhammad Anshar Amran1 1

Jurusan Ilmu Kelautan, FIKP-UNHAS Jl. Perintis Kemerdekaan KM 10. Tamalanrea Makassar . Telp/Fax 0411-587000 email : [email protected];

Abstract The Most Effective Index Vegetation Transformation Model to Predict the Dens of Mangrove Rhizopora mucronata. There is one alternative method in identifying and monitoring the condition of mangrove, Rhizopora mucronata, which is by using remote sensing technology. The method is by transforming the digital value of the remote-sensed image, such as by NDVI, GI and WI. This research aims to find out the appropriate transformation for monitoring mangrove density. The result showed that the NDVI is the optimum transformation with R = 0,943. The range value of NDVI (0.04 -0.33) and GI (8.12 – 42.88) showed a positive linier relationship with density, where the regression values are 4.8 and 0.01857 respectively. The range digital value of WI (11.12-34.43) has a negative linier relationship with the regression value -0.00698.

Key words : Vegetation Index,NDVI-GI-WI , Appropriate transformation, Rhizopora mucronata

1. PENDAHULUAN Identifikasi obyek dengan menggunakan teknologi penginderaan jauh dilaksanakan dengan beberapa pendekatan antara lain; karakteristik spektral citra, visualisasi, floristik, geografi dan phsygonomik (Hartono, 1998), . Khususnya pada sistem satelit (citra satelit) lebih banyak didasarkan atas karakteristik spektral. Obyek yang berbeda akan memberikan pantulan spektral yang berbeda pula, bahkan obyek yang sama dengan kondisi dan kerapatan yang berbeda akan memberikan nilai spektral yang berbeda. (swain, 1978). Ekosistem mangrove adalah salah satu obyek yang bisa di indentifikasi dengan menggunakan teknologi penginderaan jauh. Letak geografi ekosistem mangrove yang berada pada daerah peralihan darat dan laut memberikan efek perekaman yang khas jika dibandingkan obyek vegetasi darat lainnya. Efek perekaman tersebut

sangat erat kaitannya dengan karakteritik spektral ekosistem mangrove, hingga dalam identifikasi memerlukan suatu transformasi tersendiri. Pada umumnya untuk deteksi vegetasi digunakan transformasi indeks vegetasi (Danoedoro, 1996). Indeks vegetasi merupakan suatu algoritma yang diterapkan terhadap citra satelit, untuk menonjolkan aspek kerapatan vegetasi ataupun aspek lain yang berkaitan dengan kerapatan, misalnya biomassa, Leaf Area Index (LAI), konsentrasi klorofil. Atau lebih praktis, indeks vegetasi adalah merupakan suatu transformasi matematis yang melibatkan beberapa saluran sekaligus untuk menghasilkan citra baru yang lebih representatif dalam menyajikan aspek-aspek yang berkaitan dengan vegetasi (Danoedoro, 1996). Selanjutnya dikatakan Jensen (1998) bahwa metode analisa indeks vegetasi ada beberapa macam antara lain ; NDVI (Normalized Difference Vegetation Index), GI (Green Indeks) dan WI (Wetness Index).

Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005

SDA - 34


Berdasarkan atas fenomena tersebut maka perlu dilakukan pengkajian tentang identifikasi jenis dan kerapatan ekosistem mangrove dengan menggunakan transformasi indeks vegetasi serta menguji beberapa indeks vegetasi dalam hal ini NDVI, GI dan WI dalam hal efektifitas dalam identifikasi jenis dan kerapatan mengrove jenis Rhizophora mucronata, 2. METODE PENELITIAN Penelitian ini dilaksanakan di Kabupaten Sinjai, Sulawesi Selatan dan Laboratorium Penginderaan Jauh dan Sistem Informasi Kelautan, Jurusan Ilmu Kelautan, Fakultas Ilmu Kelautan dan Perikanan, Universitas Hasanuddin. Citra yang digunakan adalah citra satelit Landsat ETM + path/row; 114/064 perekaman tanggal 28 September 2002. Metode pengolahan citra yang digunakan adalah membandingkan antara nilai indeks vegetasi citra landsat ETM + dengan jenis penutup lahan dan kerapatan jenis obyek dilapangan khususnya mangrove jenis Rhizophora mucronata. Dengan langkah-langkah sebagai berikut : 1. Melaksanakan pengolahan awal citra satelit sesuai standart meliputi restorasi citra, pemotongan citra kajian, perentangan kontras. 2. Klasifikasi multispektral, Klasifikasi multispektral dilakukan untuk mendapatkan peta tematik penutup lahan lokasi penelitian; sekaligus membatasi obyek penelitian (ekosistem mangrove), dari hasil hasil klasifikasi diharapkan bisa diidentifikasi posisi mangrove jenis Rhizophora mucronata. Metode Klasifikasi yang digunakan adalah klasifikasi multispektral dari komposit citra RGB 453 yang dilanjutkan dengan klasifikasi secara terselia. Dasar klasifikasi citra yaitu nilai digital. Obyek yang sam akan tercluster dalam suatu bidang tersendiri. 3. Transformasi citra ; Transformasi citra akan di fokuskan pada jenis mangrove Rhizophora mucronata berdasarkan posisi yang didapatkan dari klasifikasi multisepektral dengan metode masing-masing sebagai berikut.

saluran merah dan band 4 yang lebih dikenal dengan saluran inframerah dekat. Kelebihan kedua saluran ini untuk identifikasi vegetasi adalah obyek akan memberikan tanggapan spektral yang tinggi (Swain, 1978) . Transformasi NDVI mengikuti persamaan berikut (Jensen, 1998)

NDVI =

(TM 4 − TM 3) (TM 4 + TM 3)

(1)

Transformasi Greeness Index (GI) Transformasi Greeness Index dikenal pula dengan transformasi indeks kehijauan, dengan anggapan semakin rapat vegetasi akan memberikan nilai indeks yang tinggi. Trasformasi GI menggunakan beberapa saluran antara lain; TM 1, TM 2, TM 3, TM 4, TM 5, dan TM 7 (Kauth et al 1979 and Thompson 1980 dalam Jensen, 1998; Crist, 1984) G I = -0,24147 TM1- 0,16263 TM2 – 0,40639TM3 + 0, 85468 TM4 + 0,05493 TM5 – 0,11749 TM7

(2)

Transformasi Wetness Index (WI) Transfromasi WI dikenal pula dengan indeks kebasahan, dengan anggapan bahwa semakin padat vegetasi akan memberikan indeks kebasahan yang tinggi, karena daun dari vegetasi mengandung air. Cairan dalam daun tersebut yang akan memberikan indeks vegetasi. (Crist 1984). Transformasi WI menggunakan beberapa saluran spektral antara lain ; TM1. TM 2, TM 3, TM 4, TM5 dan TM 7. dengan persamaan sebagai berikut : WI = 0,13929 TM1 + 0,22490 TM2 + 0,40359TM3 + 0,25178 TM4 – 0,70133 TM5 – 0,45732 TM7

(3)

4. Klasifikasi citra, klasifikasi didasarkan pada besarnya nilai indeks vegetasi. Nilai indeks vegetasi tiap-tiap tranformasi di kelaskan untuk penentuan tingkat kerapatan (tabel 1).

Transformasi NDVI Transformasi NDVI memanfaatkan beberapa saluran dari citra satelit Landsat ETM + antara lain ; band 3 (TM 3) yang lebih dikenal dengan


SDA - 35


Tabel 1. Kelas kerapatan mangrove dari nilai indeks vegetasi

No

Tingkat Kerapata n Jarang

Transformas indeks vegetasi NDVI GVI WI 1 0.10 – 0 – 25 0 – 20 0.15 2 Sedang 0.16 – 26 – 21 – 0.20 30 30 3 Padat > 0,21 > 30 > 30 Sumber ; Dewanti, 1999, Anshar dan Syam 2001

5. Training area, Pemilihan sampel didasarkan atas hasil klasifikasi kerapatan Rhizophora mucronata. Setiap tingkat kerapatan di catat posisinya masing-masing dengan jumlah sampling 5 titik. Tiap sampling dicatat koordinatnya dan nilai indeks vegetasi untuk masing-masing transformasi. 6. Ground Truth, Kegiatan lapangan meliputi kegiatan pencocokan data citra dengan kondisi lapangan, pengukuran. Pengukuran yang dilaksanakan sebagai berikut : − Lokasi sampel ditentukan sesuai koordinat yang telah dipilih sebelumnya pada citra. − Mengukur kerapatan mangrove dengan membuat plot yang ditempatkan tegak lurus garis pantai. Disepanjang transek dibuat petak pengamatan berukuran 10 m x 10 m, sampling mangrove yang dicover pohon dan anakan. − Mengidentifikasi nama-nama spesies dalam transek, dengan pengamatan secara visual. Jenis mangrove yang tidak dapat diidentifikasi diambil sampelnya berupa; dahan, daun, bunga dan buahnya untuk selanjutnya diidentifikasi di laboratorium dengan berpedoman pada Bengen (2002). 7. Analisa Data - Kerapatan jenis Jumlah tegakan jenis i dalam suatu unit area, yang perhitungannya menurut oleh Bengen (2000):

Di = n(i ) (ind / m 2 ) A

(4)

Dimana, Di adalah kerapatan jenis i, ni adalah jumlah total tegakan dari jenis i dan A adalah luas total area pengambilan sampel (kelas).

- Model Transformasi yang efektif Metode analisa data yang dilakukan adalah model stepwise, dari tiga transformasi yang telah dilakukan akan dicari satu model yang terbaik untuk indentifikasi jenis dan kerapatan mangrove Rhizophora mucronata, dengan persamaan sebagai berikut;

Y = b0 + b1 X 1 + b2 X 2 + b3 X 3

(5)

dimana: Y = Kerapatan mangrove existing (ind/m2) ; X1 = Nilai digital transformasi NDVI; X2 = Nilai digital transformasi GI dan X3 = Nilai digital transformasi WI; 3. HASIL DAN PEMBAHASAN 3.1. Klasifikasi multispektral Hasil klasifikasi citra komposit 453 daerah penelitian didapatkan stratifikasi kelas yang terdiri dari lima kelas mangrove masing-masing Rhizopora nucronota, Nypa fruticans, Avicenis alba, Ceriop decandra, dan Acanthus ilicifolius, satu kelas tambak, dan satu kelas daratan untuk vegetasi lain berupa kebun campuran atau sawah, dan satu kelas lahan terbuka (Non Vegetasi Mangrove). (Gambar 1). 3.2 Indeks Vegetasi Hasil transformasi indeks vegetasi didapatkan nilai digital citra yang sangat bervariasi. Transformasi NDVI menghasilkan citra dengan nilai digital - 0,6 – 0,42, nilai tersebut berdasarkan kriteria kerapatan mangrove jenis Rhizophora mucronata menyebar untuk semua kerapatan. Kenampakan visual seperti pada gambar 2. sedangkan hasil trasnformasi indeks GI dan WI masing-masing didapatkan nilai indeks vegetasi dengan kisaran 0 - 104 dan -96 – 79. Nilai negatif yang didapatkan indeks vegetasi transformasi WI adalah nilai lahan yang tidak tertutupi oleh vegetasi yang kemungkinan besar adalah perairan disekitar mangrove atau lahan kosong yang tidak ditumbuhi oleh vegetasi. Khususnya untuk jenis Rhizophora mucronata, hasil cross cek dengan hasil klasifikasi multispektral maka didapatkan nilai indeks


SDA - 36


masing-masing untuk tiap transformasi. Nilai digital jenis Rhizophora mucronata pada Indeks NDVI didapatkan range nilai 1,5 - 0,42; GI Sampling tingkat kerapatan obyek dikhususkan pada jenis Rhizophora mucronata secara acak berdasarkan nilai digital dan kriteria yang ada. Nilai transformasi NDVI, WI, GI yang ditentukan dari citra dan posisi (titik) koordinat dalam proyeksi UTM (tabel 2). Hasil transformasi NDVI untuk Rhizophora mucronata diperoleh nilai digital kelas kerapatan jarang dengan kisaran 0,04 – 0,18, kerapatan sedang dengan kisaran 0,15 - 0,2 dan kerapatan rapat dengan kisaran 0.27 - 0,33. Nilai digital tersebut ditentukan berdasarkan kriteria kerapatan mangrove. Berdasarkan data yang ada dapat diasumsikan kondisi mangrove di lokasi penelitian cukup baik dengan nilai rasio maksimum 0,33, karena rasio nilai NDVI -1 sampai dengan 1, semakin tinggi nilai maksimal maka kondisi mangrove semakin baik (Dewanti, 1999). Greeness Index (GI) nilai Maksimun kelas mangrove jarang adalah 24,71 sedangkan nilai minimunnya adalah 8,12. Kelas mangrove sedang niali maksimunnya adalah 33,57 dan niali minimunnya adalah 24. Kelas rapat nilai maksimunnya 42,88 dan nilai minimunnya adalah 17,68.

NDVI

dengan nilai 0 - 104; dan indeks WI 0 - 79. Nilainilai tersebut dikelaskan berdasarkan kategori kerapatan; jarang, sedang dan lebat. (gambar 2) Wetness Index (WI) nilai Maksimun kelas mangrove jarang adalah 34.42 sedangkan nilai minimunnya adalah 27,91. Kelas mangrove sedang nilai maksimunnya adalah 33,24 dan niali minimunnya adalah 24,63 Kelas rapat nilai maksimunnya 20,88 dan nilai minimunnya adalah 11,12. 3.3. Kondisi Eksisting Hasil pengecekan lapangan pada lokasi penelitian dengan sampling pada mangrove jenis Rhizophora mucronata pada titik sampel yang telah ditentukan dari nilai digital dan didapatkan kerapatan jenis mangrove Rhizophora mucronata di Kabupaten Sinjai untuk masing-masing kelas kerapatan. (Tabel. 3) Kerapatan jenis adalah jumlah tegakan jenis (i) dalam suatu unit area (Bengen, 2000). Kerapatan jenis(i) Rhizophora mucronata yang diperoleh sesuai dengan titik kordinat dalam proyeksi UTM yaitu nilai maksimal 2,64 ind/m² dan nilai minimal adalah 0,76 ind/m² (Tabel. 3 ).

GI

WI

Gambar 1. Hasil klasifikasi multispektral


SDA - 37


Gambar 2. Nilai digital jenis Rhizophora mucronata kategori kerapatan; jarang, sedang dan lebat.

Tabel 2. Nilai transformasi NDVI, WI, GI dan Posisi di lapangan (Ground Thruth)

Kelas kerapatan (i)

Jarang

Sedang

Padat

Posisi

Nilai GI

Nilai WI

Nilai NDVI Y (mT)

X (mU)

863654

9434408

0.04

8.12

34.42

863347

9434500

0.07

21.65

30.21

864305

9434048

0. 10

22.55

29.21

863279

9434493

0.13

14.47

33.24

864330

9434036

0.15

24.71

27.91

864048

9433299

0.18

27.37

26.13

863989

9433251

0.16

27.21

26.62

864077

9433323

0.16

27,00

25.12

864018

9433275

0.17

28.44

24.90

863910

9433170

0.20

30.57

24.63

863393

9432598

0.27

33.31

20.88

863427

9432635

0.28

37.68

20.78

863640

9432869

0.29

37.82

13.28

864139

9433548

0.30

41.26

24.26

863598

9432823

0.33

42.88

11.12


SDA - 38


Tabel 3. Kerapatan Jenis Mangrove Rhizophora mucronata di Wilayah pesisir Sinjai Kabupaten Sinjai

Kelas Mangrove

Jarang

Sedang

Padat

X (mT) 863654 863347 864305 863279 864330 864048 863989 864077 864018 863910 863393 863427 863640 864139 863598

Koordinat UTM Y (mU) 9434408 9434500 9434048 9434493 9434036 9433299 9433251 9433323 9433275 9433170 9432598 9432635 9432869 9433548 9432823

3.4. Model transformasi yang efektif Ketiga nilai indeks masing-masing memberikan nilai yang beragam, untuk melihat transformasi mana yang paling optimal digunakan untuk kegiatan monitoring kerapatan dan kondisi Rhizophora mucronata digunakan regresi berrganda dengan metode stepwise. Data perbandingan kerapatan dengan Indeks vegetasi pada Tabel 4. Hasil yang didapatkan dari metode regresi berganda (Lampiran. 1) didapatkan persamaan linear: Y = 0.473 + 4,80000X1 + 0.01857 X2 - 0,00698X3 Persamaan tersebut menunjukkan bahwa terdapat regeresi linear yang positif antara kerapatan mangrove dengan nilai indeks NDVI dan GI dan linear negatif untuk indeks WI. Hal berarti bahwa semakin tinggi indeks vegetasi untuk transformasi NDVI dan GI maka kerapatan Rhizophora mucronata semakin tinggi dan sebaliknya semakin tinggi nilai indeks GI maka kerapatan mangrove makin kecil. Hal ini sangat dimungkinkan karena indeks NDVI dan GI berfokus pada kanopi dari vegetasi, jadi semakin rapat kanopi maka akan memberikan nilai digital

Kerapatan Jenis (ind/m²) 0.76 0.83 0.86 0.98 1.09 1.67 1.79 1.84 1.96 2.03 2.25 2.23 2.47 2.57 2.64

yang semakin besar. Khususnya untu transformasi WI (indeks kebasahan) semakin kurang vegetasi maka nilai kebasahan semakin ekstrim karena dasar permukaan bumi lebih banyak terekam oleh sensor, untuk daerah penelitian sekitar mangrove maka dasar yang paling dominan adalah air. Hingga pada tingkat kerapatan jarang nilai WI besar. Berdasarkan hasil uji-t terhadap masingmasing variabel didapatkan bahwa hanya variabel NDVI yang memperlihatkan pengaruh yang nyata (p≤ 0,05) terhadap nilai kerapatan. Untuk menganalisis efektivitas dari penggunaan ketiga indeks vegetasi dalam memprediksi nilai kerapatan mangrove, maka selanjutnya digunakan metode stepwise untuk melihat model prediksi yang terbaik. Berdasarkan analisis stepwise didapatkan (Lampiran. 2). Y = 0,384 + 7,141 X1, Nilai indeks X2 (GI) dan X3 (WI), diabaikan. Hal ini menunjukkan bahwa X1 (transformasi NDVI) yang paling efektif digunakan untuk identifikasi kerapatan mangrove jenis Rhizophora mucronata dengan R= 0,943. berdasarkan uji-t variabel NDVI memperlihatkan pengaruh nyata (p = 0,00) terhadap nilai kerapatan..


SDA - 39


Tabel. 4. Perbandingan nilai Indeks vegetasi dengan kerapatan ekxisting

No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

NDVI (x1) 0.04 0.07 0.10 0.13 0.15 0.18 0.16 0.16 0.17 0.20 0.27 0.28 0.29 0.30 0.33

GI (x2) 8.12 21.65 22.5 14.47 24.71 27.37 27.21 27.00 28.44 30.57 33.31 37.68 37.82 41.26 42.88

WI (x3) 34.42 30.1 29.21 33.24 27.91 26.13 26.62 25.12 24.90 24.63 20.88 20.78 13.28 24.26 11.12

4. KESIMPULAN Transfromasi NDVI merupakan transfrmasi yang paling efektif digunakan untuk monitoring kondisi dan kerapatan mangrove Rhizophora mucronata, dengan nilai R= 0,943 Kisaran nilai digital indeks vegetasi NDVI dan GI (0,04-0,33 dan 8,12 – 42,88) mempunyai hubungan linear positif dengan tingkat kerapatan dengan nilai regeresi masing-masing 4,8 dan 0.01857, khususnya kisaran nilai digital WI (11,12-34,42) mempunyai hubungan linear negatif dengan nilai regresi - 0,00698X3 . Kerapatan Rhizophora mucronata di Kabupaten Sinjai masih tergolong baik.

DAFTAR PUSTAKA Anderson, J.R, Hardy, E.E, Roach, J.T., Witmer, R.E., 1976, A Land Use and Land Cover Clasification System for Use with Remote Sensor Data, United Stated Government Printing Office, Washington. 365p Bengen.G.D., 2000. Pedoman Teknis Pengenalan dan Pengelolaan Ekosistem Mangrove. Pusat Kajian Sumber daya Pesisir dan Lautan (PKSPL) IPB. Bogor. 59 hal.

Kerapatan Existing (ind/m2) (y) 0.76 0.83 0.86 0.98 1.09 1.67 1.79 1.84 1.96 2.03 2.25 2.23 2.47 2.57 2.64

Crist., E.P and Cicone, R.C., 1984, Application of Tassele-cap Concept to Simulated Thematic Mapper Data. Photogrammetiric Engineering and Remote Sensing. 50 ; 343-352. Danoedoro. P, 1996. Pengolahan Citra Digital, Teori dan Aplikasinya dalam Penginderaan Jauh. Fakultas Geografi Universitas Gadjah Mada, Yogyakarta. 253 hal Dewanti, R., 1999. Kondisi hutan mangrove di Kalimantan Timur, Sumatera, Jawa, Bali, dan Maluku. Majalah LAPAN Edisi Penginderaan Jauh. Faizal, A., 2004. Penerapan Teknik Penginderaan Jauh dan SIG untuk Penyusunan Tataruang Ekosistem TerumbuKarang di Perairan Pulau Tanakeke, Sulawesi Selatan. Torani. 14; 8-16. Jensen. J,R., 1998. Introductory Digital Image Processing, A Remote Sensing Perspective. Prentice Hall. New Jersey. 316p Swain. P. H and Davis, S. M (ed)., 1978 . Remote Sensing the Quantitative Approach. British Library Cataloguing in Publication Data, Mcgraw- Hill. New York. 395p


SDA - 40

MODEL TRANSFORMASI INDEKS VEGETASI YANG EFEKTIF UNTUK PREDIKSI KERAPATAN MANGROVE RHIZOPHORA MUCRONATA

Recommend Documents