PENGKAJIAN ALGORITMA INDEKS VEGETASI DAN METODE KLASIFIKASI MANGROVE DARI DATA SATELIT LANDSAT-5 TM DAN LANDSAT-7 ETM+ (Studi Kasus Di Kabupaten Berau, Kalimantan Timur)
RISTI ENDRIANI ARHATIN
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2007
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Dengan ini saya menyatakan bahwa tesis Pengkajian Algoritma Indeks Vegetasi dan Metode Klasifikasi Mangrove Dari Data Satelit Landsat-5 Tm dan Landsat-7 Etm+ (Studi Kasus Di Kabupaten Berau, Kalimantan Timur) adalah karya saya sendiri dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Bogor, Agustus 2007
Risti Endriani Arhatin NIM C525010081
ABSTRAK
RISTI ENDRIANI ARHATIN. Pengkajian Algoritma Indeks Vegetasi dan Metode Klasifikasi Mangrove dari Data Satelit Landsat-5 TM dan Landsat-7 ETM+ (Studi Kasus Di Kabupaten Berau, Kalimantan Timur). Dibimbing oleh VINCENTIUS P. SIREGAR dan RICHARDUS F. KASWADJI.
Pemantauan mangrove dengan cara konvensional sangat sulit dilakukan karena kondisi lapangan menjadi hambatan yang besar bagi pelaksanaan survei. Penginderaan jauh merupakan alternatif dalam menjawab masalah-masalah yang berhubungan dalam manajemen mangrove. Tujuan studi ini adalah melakukan validasi data penginderaan jauh pada data Landsat-5 TM dan Landsat-7 ETM+, untuk menduga kerapatan kanopi mangrove, selain itu studi ini juga membandingkan dua metode klasifikasi, yaitu metode maximum likelihood dan neural network back propagation dalam memetakan mangrove. Hasil yang diperoleh menunjukkan bahwa transformasi indeks vegetasi yang paling baik untuk mangrove di Kabupaten Berau, Kalimantan Timur adalah green normalized difference vegetation index (GNDVI). Model matematis hasil principal component analysis (PCA) dalam menduga kerapatan kanopi mangrove adalah {2,5180 (-0,522x2 – 0,497x3 – 0,470x4 – 0,510x5)} + {1,3057 (-0,462x2 – 0,515x3 – 0,548x4 – 0,469x5)}. Klasifikasi neural network back propagation memiliki akurasi yang lebih baik dibandingkan klasifikasi maximum likelihood, dengan overall accuracy sebesar 85.61%.
ABSTRACT
RISTI ENDRIANI ARHATIN. Study on Vegetation Index Algorithm and Classification Model for Mangrove Derived from Landsat TM and ETM+ (Case Study at Kabupaten Berau, East Kalimantan). Under the direction of VINCENTIUS P. SIREGAR and RICHARDUS F. KASWADJI.
To monitor mangrove using conventional method is very difficult, due to the hard and tough field of mangrove forest that be a big obstruction. Remote sensing which is able to cover a large area of mangrove might become a promising alternative to answer the problem. The objectives of this study are to validate the accuracy of remote sensing data, namely Landsat TM and ETM+ images, and for estimating mangrove forest canopy. This study compares two classification methods, i.e., maximum likelihood and neural network back propagation classifiers. The result shows that the best vegetation index algorithm is Green Normalized Difference Vegetation Index (GNDVI). PCA Result is {2,5180 (0,522x2 – 0,497x3 – 0,470x4 – 0,510x5)} + {1,3057 (-0,462x2 – 0,515x3 – 0,548x4 – 0,469x5)}. The use of neural network back propagation classifier is improving the accuracy of classification result compared to maximum likelihood classifier. Its overall accuracy reach 85.61%. Keyword : remote sensing, vegetation index, maximum likelihood, neural network, back propagation
GLOSARI
Penyusunan glosari ini merujuk pada empat pustaka, yaitu: (1) Penginderaan Jauh Jilid 1 (Sutanto 1994a), (2) Penginderaan Jauh Jilid 2 (Sutanto 1994b), (3) Artificial Intellegency: Teknik dan Aplikasinya (Kusumadewi 2003), (4) Membangun Jaringan Syaraf Tiruan : menggunakan MATLAB dan Excel Link (Kusumadewi 2004) . Algoritma (algorithm): (1) suatu cara kerja pasti tahap demi tahap untuk mencapai hasil tertentu, biasanya berupa suatu cara kerja yang disederhanakan untuk memecahkan masalah rumit, juga suatu pernyataan lengkap tentang sejumlah besar langkah, (2) cara kerja berorientasikan komputer untuk memecahkan suatu masalah. Artificial intelegence: salah satu bagian ilmu computer yang membuat agar mesin dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia Back propagation: algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma ini menggunakan error output untuk mengubah nilai bobotbobotnya dalam arah mundur (backward), untuk mendapatkan error ini tahap perambatan maju (forward propagation) dikerjakan terlebih dahulu, pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid. Citra(image): (1) gambaran obyek yang dibuahkan oleh pantulan atau pembiasan sinar yang difokuskan oleh lensa atau cermin, (2) gambaran rekaman obyek yang dibentuk dengan cara optik, elektro-optik, optik-mekanik, dan elektronik, yang biasanya dalam bentuk gambaran foto. Hidden layer: lapisan tersembunyi Histogram: peragaan serangkaian data secara grafik yang menunjukkan frekuensi terjadinya peristiwa. Inframerah: spektrum elektromagnetik pada panjang gelombang (0,7 – 1.000) µm. Untuk maksud penginderaan jauh maka spektrum inframerah dirinci lebih lanjut menjadi spektrum inframerah dekat/fotografik/pantulan (0,7 µm – 1,3 µm), inframerah sedang (1,3 µm – 3,0 µm) dan inframerah jauh (3,0 µm – 1.000 µm). Inframerah jauh juga disebut inframerah thermal. Jaringan syaraf: salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut
Penginderaan jauh: ilmu dan seni untuk memperoleh informasi tentang suatu objek, daerah atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa kontak langsung dengan objek, daerah atau fenomena yang dikaji Pixel (picture element):unsur data dengan aspek spasial dan spektral Pola (pattern):keteraturan dan karakteristik susunan rona dan tekstur Registrasi:proses geometrik untuk menempatkan dua atau lebih rangkaian data citra sehingga sel resolusi untuk suatu daerah dapat ditumpangtindihkan secara digital maupun visual. Data yang diregistrasikan dapat berupa data sejenis, data dari sensor yang berbeda, atau data mutitemporal Resolusi: (1) jarak minimum antara dua gambaran, (2) ukuran terkecil suatu obyek yang dapat dideteksi dengan sensor penginderaan jauh Spektrum: serangkaian tenaga yang tersusun sesuai dengan panjang gelombang atau frekuensi Percepteron: salah satu bentuk jaringan syaraf yang sederhana, biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linear Sigmoid biner: fungsi yang digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode back propagation, fungsi ini memiliki nilai pada range 0 sampai 1
SINGKATAN
AKU AI ANN ANOVA DVI ERTS-1 GCP GVI GNDVI II IM IPVI LAI LANDSAT 5 TM LANDSAT 7 ETM+ LVQ NDVI NIR NNBP MIR ML MLP MSS OIF PCA RMSE RDI RVI SAVI SLAVI SOM TIROS-1 TRVI
Analisis Komponen Utama Artificial Intelegensi Artificial Neural Network ANalysis Of VAriance Difference Vegetation Index Earth Resources Technological Satellite Ground Control Point Global Vegetation Index Green Normalized Difference Vegetation Index Infrared Index Index Mangrove Infrared Percentage Vegetation Index Leaf Area Index LAND SATellite 5 Thematic Mapper LAND SATellite 7 Enhanced Thematic Mapper Plus Learning Vector Quantization Normalized Difference Vegetation Index Near Infra-Red Neural Network Back Propagation Middle Infra-Red Maximum Likelihood (classification) Multi Layer Perceptron Multispectral Scanner System Optimum Index Factor Principal Component Analysis Root Mean Square Error Ratio Drought Index Ratio Vegetation Index Soil Adjusted Vegetation Index Specific Leaf Area Vegetation Index Self Organizing Map Television Observasi Satellite Transformed RVI
© Hak cipta milik Institut Pertanian Bogor, tahun 2007 Hak cipta dilindungi Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam Bentuk apa pun, baik cetak, fotocopi, microfilm, dan sebagainya
PENGKAJIAN ALGORITMA INDEKS VEGETASI DAN METODE KLASIFIKASI MANGROVE DARI DATA SATELIT LANDSAT-5 TM DAN LANDSAT-7 ETM+ (Studi Kasus Di Kabupaten Berau, Kalimantan Timur)
RISTI ENDRIANI ARHATIN
Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Departemen Pemanfaatan Sumberdaya Perikanan
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007
Penguji luar komisi: Dr. Ir. Sam Wouthuyzen, M.Sc
Judul Tesis
: Pengkajian Algoritma Indeks Vegetasi dan Metode Klasifikasi Mangrove Dari Data Satelit Landsat-5 TM dan Landsat-7 ETM+ (Studi Kasus Di Kabupaten Berau, Kalimantan Timur)
Nama Mahasiswa
: Risti Endriani Arhatin
Nomor Pokok
: C525010081
Program Studi
: Teknologi Kelautan
Disetujui Komisi Pembimbing
Dr. Ir. Vincentius P. Siregar, DEA Ketua
Dr. Ir. Richardus F. Kaswadji, M.Sc Anggota
Diketahui
Ketua Program Studi Teknologi Kelautan
Prof. Dr. Ir. John Haluan, MSc
Tanggal Ujian: 10 Juli 2007
Dekan Sekolah Pascasarjana
Prof. Dr. Ir. Khairil Anwar Notodiputro, MS
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Karya ilmiah dengan judul ”Pengkajian Algoritma Indeks Vegetasi dan Metode Klasifikasi Mangrove Dari Data Satelit Landsat-5 TM dan Landsat-7 ETM+” dilakukan berbasis pada data satelit dan hasil survei pada bulan Juli-Agustus 2005 di Berau, Kalimantan Timur. Pada kesempatan ini penulis ingin mengucapkan terima kasih dan penghargaan yang tulus kepada: 1.
Bapak Dr. Ir. Vincentius P. Siregar, DEA dan Bapak Dr. Ir. Richardus F. Kaswadji, M.Sc selaku pembimbing yang telah bersedia meluangkan waktu serta penuh kesabaran telah membimbing dan mengarahkan penulis semenjak pengumpulan data, pengolahan hingga penyelesaian penulisan tesis ini.
2.
Bapak Dr. Ir. Sam Wouthuyzen, M.Sc selaku penguji tamu atas saran dan koreksi serta kerjasama yang baik selama ujian berlangsung.
3.
Suamiku: G. Manjela Eko Hartoyo atas kesabaran, kasih sayang, cinta, doa serta dorongan dan semangatnya selama ini yang membuat penulis tahan menghadapi cobaan yang datang.
4.
Orang-orang terdekat dalam hidup ini: Ibu, Bapak dan adik-adik tercinta yang senantiasa mendoakan dan memberikan kasih sayang serta dorongan semangat kepada penulis.
5.
Teman-temanku yang terbaik: Yuli, Erina, Santi, Ika atas dukungan dan kebersamaan selama ini.
6.
Pak Danu, Pak Eko dan Mbak Yanti atas bantuannya selama ini. Penulis menyadari bahwa tesis ini masih jauh dari kesempurnaan, namun
semoga karya ilmiah ini dapat memberikan sumbangan bagi khasanah ilmu pengetahuan di Indonesia serta bermanfaat bagi semua pihak yang memerlukan.
Bogor, Agustus 2007 Risti Endriani Arhatin
i
RIWAYAT HIDUP
Penulis dilahirkan di Klaten pada tanggal 09 Maret 1975 dari pasangan ayah Budiman dan ibu Sri Yamtini, merupakan anak kedua dari tiga bersaudara. Pendidikan dasar sampai sekolah menengah tingkat atas diselesaikan di Klaten. Pada tahun 1993 penulis diterima di Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI), Program Studi Ilmu dan Teknologi Kelautan, Fakultas Perikanan dan Ilmu Kelautan. Sejak tahun 2000 penulis bekerja sebagai asisten dosen di Laboratorium Penginderaan Jauh dan Sistem Informasi Geografi Kelautan, Jurusan Ilmu dan Teknologi Kelautan, Institut Pertanian Bogor. Penulis kemudian melanjutkan ke Program Magister pada Program Studi Teknologi Kelautan Pascasarjana IPB pada Tahun 2001.
Selama mengikuti pendidikan di IPB penulis juga aktif dalam
berbagai kegiatan seminar maupun pelatihan, baik sebagai peserta maupun instruktur diantaranya: International Training on Hyperspectral Technology (BPPT, Jakarta), Basic Training in Remote Sensing for Future ALOS Data (Lapan, Jakarta), Pelatihan Pengolahan dan Interpretasi Data Kelautan (IPB, Bogor), Remote Sensing and Ocean Science For Marine Resources Exploration and Environment (Bali), Satellite Remote Sensing For Marine Resources Exploration and Environment (Bali), Asian Ocean Remote Sensing Training Course (AIT, Thailand).
ii
DAFTAR ISI Halaman DAFTAR TABEL...................................................................................................v DAFTAR GAMBAR ........................................................................................... vii DAFTAR LAMPIRAN ...................................................................................... viii 1 PENDAHULUAN ..............................................................................................1 1.1 1.2 1.3 1.4 1.5 1.6
Latar Belakang ............................................................................................1 Perumusan dan Pendekatan Masalah ..........................................................2 Batasan Permasalahan .................................................................................4 Hipotesis Penelitian.....................................................................................4 Tujuan Penelitian ........................................................................................4 Manfaat Penelitian ......................................................................................5
2 TINJAUAN PUSTAKA .....................................................................................7 2.1 Mangrove .....................................................................................................7 2.2 Sistem Penginderaan Jauh untuk Vegetasi (Mangrove) ..............................9 2.2.1 Indeks vegetasi .................................................................................13 2.2.2 Klasifikasi citra (image classification) ............................................15 2.3 Analisis Komponen Utama ........................................................................20 3 METODOLOGI ...............................................................................................25 3.1 3.2 3.3 3.4
Waktu dan Tempat .....................................................................................25 Bahan dan Alat ...........................................................................................26 Data ............................................................................................................26 Analisis Data ..............................................................................................27 3.4.1 Preprocessing...................................................................................27 3.4.2 Transformasi produk Level 1 (L1) ke spektral radians ....................28 3.4.3 Penajaman citra (image enhancement) ............................................30 3.4.4 Uji ketelitian keterpisahan (separability).........................................30 3.4.5 Uji ketelitian matric contingency .....................................................32 3.4.6 Klasifikasi citra (image classification) ............................................33 3.4.7 Transformasi indeks vegetasi ...........................................................35 3.4.8 Analisis komponen utama ................................................................37
4 HASIL DAN PEMBAHASAN ........................................................................39 4.1 4.2 4.3 4.4 4.5 4.6
Kondisi Ekosistem Hutan Mangrove .........................................................39 Karakteristik Fisika Kimia Perairan...........................................................39 Koreksi Geometrik dan Radiometrik .........................................................40 Ekstraksi Informasi Nilai Digital dan Radians Data Landsat-7 ETM+ .....42 Penajaman Citra (Image Enhancement) .....................................................42 Training Area .............................................................................................49
4.7 Uji Ketelitian Keterpisahan (Separability) ..................................................50 iii
4.7.1 Transformed divergency ..................................................................50 4.7.2 Jeffries-matusita distance (JM)........................................................51 4.8 Uji Ketelitian Matrik Kontingensi .............................................................52 4.9 Klasifikasi Citra (Image Classification) ....................................................55 4.9.1 Klasifikasi maximum likelihood ......................................................56 4.9.2 Klasifikasi neural network back propagation ..................................57 4.10 Overlay Citra Hasil Klasifikasi dengan Referensi .....................................58 4.11 Indeks Vegetasi ..........................................................................................60 4.12 Analisis Komponen Utama ........................................................................65 4.13 Overlay Citra Klasifikasi dengan Indeks Vegetasi (GNDVI) ....................68 4.14 Produktivitas Mangrove .............................................................................69 4.15 Hubungan Antara Kerapatan Mangrove dengan Perikanan Tangkap ........70 5 KESIMPULAN .................................................................................................74 5.1 Kesimpulan ................................................................................................74 5.2 Saran...........................................................................................................74 DAFTAR PUSTAKA ...........................................................................................75 LAMPIRAN ..........................................................................................................83
iv
DAFTAR TABEL Halaman 1
Indeks vegetasi untuk Landsat MSS and TM .................................................15
2
Nilai Spektral Radians, LMINλ dan LMAXλ dalam W/(m2.sr.µm) pada LANDSAT-5 TM ............................................................................................29
3
Nilai LMINλ dan LMAXλ dalam W/(m2.sr.µm) pada LANDSAT-7 ETM+ ....29
4
Matrik kesalahan (confussion matrix) .............................................................32
5
Beberapa formula indeks vegetasi yang dipergunakan pada penelitian .........35
6
Nilai minimum dan maksimum digital number sebelum dan setelah terkoreksi radiometrik .....................................................................................41
7
Perubahan dari nilai digital ke nilai radians....................................................43
8
Matriks korelasi antar kanal pada tiap tanggal perekaman .............................44
9
Standart deviasi tiap kanal pada tiap tanggal perekaman ...............................45
10 Nilai OIF dari tiap kombinasi kanal................................................................46 11 Nilai tranformed divergency ...........................................................................50 12 Nilai jeffries-matusita distance .......................................................................51 13 Ketelitian matrik kontingensi ..........................................................................53 14 Evaluasi ketelitian matriks kontingensi dengan maximum likelihood ............54 15 Evaluasi ketelitian matriks kontingensi dengan neural network back propagation .....................................................................................................55 16 Luasan obyek hasil klasifikasi maximum likelihood.......................................56 17 Akurasi berdasarkan perbedaan learning rate dan jumlah hidden layer ........57 18 Luasan obyek hasil klasifikasi neural network back propagation .................58 19 Matrik kontingensi metode maximum likelihood dan neural network back propagation dengan peta referensi .........................................................58 20 Matrik metode klasifikasi maximum likelihood dengan metode neural network back propagation ..............................................................................60 21 Hasil indeks vegetasi dari beberapa algoritma pada tiap stasiun ....................61 22 Nilai koefisien determinasi dari hasil analisis regresi antara persen penutupan kanopi dengan tansformasi indeks vegetasi ..................................62
v
23 Persamaan regresi antara persentase penutupan kanopi mangrove dengan hasil transformasi indeks vegetasi ......................................................65 24 Hasil analisis komponen utama dari data Landsat-7 ETM+ ...........................66 25 Luasan kerapatan mangrove tahun 1991 dan tahun 2002 ...............................68 26 Produksi hasil perikanan tangkap Kabupaten Berau ......................................72
vi
DAFTAR GAMBAR Halaman 1
Diagram alir perumusan dan pendekatan masalah hingga hasil penelitian ......6
2
Pola respon spektral beberapa objek (Danoedoro 1996) ................................11
3
Spektrum penyerapan pada klorofil a, b dan pigmen carotenoid yang mempengaruhi pantulan vegetasi (Dozier 2004) ............................................11
4
Karakteristik respon spektral pada vegetasi hijau daun (Leblon 2004) ..........12
5
Konsep klasifikasi pada data remote sensing (Gabriel 2005) .........................15
6
Flow chart proses klasifikasi (Schowengerdt 1997).......................................16
7
Konsep klasifikasi maximum likelihood (Gabriel 2005) .................................18
8
Struktur tradisional pada tiga layer neural network (Schowengerdt 1997) ....19
9
Komponen-komponen elemen pemrosesan (Schowengerdt 1997) .................20
10 Peta lokasi studi dan posisi stasiun pengambilan data ....................................25 11 Ilustrasi klasifikasi neural network back propagation ...................................33 12 Flow chart pengolahan data ...........................................................................38 13 Citra tiap kanal untuk identifikasi mangrove (21 Mei 2002)..........................42 14 Citra komposit hasil OIF .................................................................................47 15 Citra komposit RGB 453 (21 Mei 2002) ........................................................48 16 Hasil regresi antara metode klasifikasi maximum likelihood dengan neural network back propagation ..................................................................59 17 Grafik hasil analisis regresi antara transformasi indeks vegetasi dengan persentase kerapatan kanopi mangrove ..........................................................64 18 Plot scree analisis komponen utama ..............................................................67 19 Hubungan antara hasil tangkapan udang dengan pantai yang bervegetasi: data dari Louisiana dan Teluk Mexico bagian timur laut (modifikasi dari Turner 1977 diacu dalam Kaswadji 2007) .....................................................71 20 Gambar 20 Hubungan antara hasil tangkapan udang dengan pantai yang bervegetasi: data dari Mosambik, Madagaskar, Thailand, Sumatera, Irian Jaya dan Australia (Kaswadji 2002) ......................................................71
vii
DAFTAR LAMPIRAN P Halaman 1
Hasil pengukuran parameter fisika dan kimia di perairan mangrove, Berau, Kalimantan Timur .............................................................................. 83
2
Histogram Citra Landsat-5 TM dan Landsat-7 ETM+ ...................................84
3
Persentase penutupan kanopi mangrove hasil pengambilan data lapang dan nilai digital Landsat-7 ETM+ (21 Mei 2002)...........................................92
4
Histogram tiap obyek hasil training area ........................................................93
5
Nilai-nilai statistik dan covarian tiap obyek hasil training area .....................95
6
Peta hasil klasifikasi maximum likelihood tahun 1991 dan tahun 2002 .......101
7
Peta hasil overlay citra klasifikasi maximum likelihood tahun 1991 dan tahun 2002 ..............................................................................................102
8
Peta hasil klasifikasi neural networks back propagation tahun 1991 dan tahun 2002 ..............................................................................................103
9
Peta hasil overlay citra klasifikasi neural networks back propagation tahun 1991 dan tahun 2002 ...........................................................................104
10 Nilai Fhitung dan Ftabel tiap tansformasi indeks vegetasi pada data Landsat-7 ETM+ (21 Mei 2002) ...................................................................105 11 Hasil analisa uji anova tiap tansformasi indeks vegetasi dari data Landsat-7 ETM+ (21 Mei 2002) ...................................................................106 12 Peta kerapatan mangrove hasil klasifikasi maximum likelihood dengan GNDVI .............................................................................................107 13 Peta kerapatan mangrove hasil klasifikasi neural network back propagation dengan GNDVI .......................................................................108 14 Peta perubahan kerapatan mangrove hasil klasifikasi maximum likelihood dengan GNDVI tahun 1991 dan tahun 2002...............................109 15 Peta perubahan kerapatan mangrove hasil klasifikasi neural network back propagation dengan GNDVI tahun 1991 dan tahun 2002 ...................110
viii