pengkajian algoritma indeks vegetasi dan metode ... · ... refraktometer, ... nilai-nilai pixel...
TRANSCRIPT
3 METODOLOGI
3.1 Waktu dan Tempat
Pemrosesan awal data citra satelit dilakukan pada bulan Februari – Juni
2005. Pengambilan data insitu pada bulan Juli 2005, kemudian dilanjutkan
dengan pemrosesan akhir (data hasil survei lapang dan data citra satelit) sampai
dengan bulan Desember 2005. Lokasi studi yang dipilih untuk penelitian adalah
Berau, Kalimantan Timur yang meliputi kecamatan Sambaliung dan Talisayan.
Pemrosesan data dilakukan di Laboratorium Penginderaan Jauh dan Sistem
Informasi Geografi Kelautan, Jurusan Ilmu dan Teknologi Kelautan, Fakultas
Perikanan dan Ilmu Kelautan, IPB, Bogor. Peta lokasi studi dan posisi stasiun
pengambilan data ditampilkan pada Gambar 10.
Gambar 10 Peta lokasi studi dan posisi stasiun pengambilan data
3.2 Bahan dan Alat
26
Bahan utama yang dipergunakan pada penelitian ini adalah citra Landsat
TM dan ETM+, peta-peta pendukung (peta hasil digitasi yang dilakukan oleh the
nature conservancy/TNC Berau) serta data hasil pengukuran di lapangan.
Dalam survei lapang, ada beberapa peralatan yang digunakan untuk
mengukur parameter fisika lingkungan yang membatasi mangrove, yaitu:
(1) Thermometer, digunakan untuk mengukur suhu perairan
(2) Refraktometer, digunakan untuk mengukur salinitas (English et al. 1997)
(3) Secchi disk, digunakan untuk mengukur kecerahan (English et al. 1997)
(4) Depth gauge, digunakan untuk mengukur kedalaman
(5) Floating drouge dan stop watch, digunakan untuk mengukur kecepatan
pergerakan air (arus)
(6) Global positioning system (GPS), digunakan untuk menentukan posisi
(7) Kompas, digunakan untuk menentukan arah.
Dalam pengamatan komunitas mangrove, diperlukan: perahu motor, roll
meter, kamera, peta citra satelit Landsat-5 TM hasil pengolahan awal.
Dalam pengolahan data, beberapa peralatan yang diperlukan adalah:
seperangkat personal computer lengkap dengan printer. Software yang digunakan
meliputi ER Mapper 6.4, ERDAS Imagine 8.5, Idrisi Kilimajaro dan Arc View
3.3, serta software untuk analisis statistik SPSS 12.
3.3 Data
Kuantitas data yang diperlukan meliputi:
1) Data Spasial
Data spasial yang dipergunakan adalah citra Landsat-5 TM hasil liputan
tanggal 16 Juni 1991 serta Landsat-7 ETM+ hasil liputan tanggal 15 Mei
2000, 27 Februari 2001 dan 21 Mei 2002 (path/row : 116/059).
2) Data Lapangan
Data lapangan yang diperlukan meliputi data tentang parameter lingkungan
fisika perairan (suhu, salinitas kecerahan, kedalaman), lingkungan kimia
perairan (pH) serta data kerapatan kanopi mangrove. Data ini diperoleh dari
pengamatan langsung di lapangan pada tanggal 9-16 Juli 2005. Pengamatan
data kerapatan kanopi mangrove dilakukan pada beberapa lokasi yang
27
berbeda, dengan membuat transek berukuran 30 x 30 meter (sesuai resolusi
spasial Landsat TM) pada tiap stasiun. Pada setiap transek diidentifikasi
jenis mangrove yang dominan serta diukur persentase penutupan kanopinya.
Posisi stasiun pengambilan data lapangan ditampilkan pada Lampiran 1.
3.4 Analisis Data
Analisis digital diproses dengan menggunakan software ER Mapper 6.4,
ERDAS Imagine 8.5, Idrisi Kilimajaro dan Arc View 3.3 sedangkan analisis
visual dilakukan berdasarkan hasil identifikasi objek. ER Mapper 6.4 digunakan
untuk preprocessing, yang meliputi koreksi geometrik dan radiometrik. ERDAS
Imagine digunakan untuk melakukan transformasi produk Level 1 (L1) ke
spektral radians, pengambilan training area, uji ketelitian keterpisahan yang
meliputi transformed divergency dan jeffries-matusita distance, klasifikasi citra
serta uji ketelitian matric contingency. Idrisi Kilimajaro digunakan untuk proses
transformasi indeks vegetasi, overlay antara citra klasifikasi tahun 1991 dengan
tahun 2002 serta overlay antara citra klasifikasi dengan citra indeks vegetasi. Arc
View 3.3 digunakan untuk konversi dari data raster ke data vektor serta untuk
membuat tampilan akhir (layout). Secara lebih lengkap, proses yang dilakukan
terhadap data citra meliputi:
3.4.1 Preprocessing
Pada preprocessing dilakukan koreksi radiometrik dan koreksi geometrik.
Koreksi geometrik dilakukan untuk mendapatkan citra yang sesuai dengan posisi
yang sebenarnya di bumi. Metode yang digunakan untuk koreksi geometrik
adalah polynomial orde 1, eksekusi resampling terhadap data citra menggunakan
model nearest neighbour. Koreksi radiometrik dilakukan untuk memperbaiki
nilai-nilai pixel yang tidak sesuai dengan nilai pantulan atau pancaran spektral
objek yang sebenarnya, teknik/metode koreksi radiometrik yang digunakan adalah
penyesuaian histogram (histogram adjustment).
3.4.2 Transformasi produk Level 1 (L1) ke spektral radians
Konversi dari digital number (Qcal) produk Level 1 (L1) pada data
Landsat-5 TM ke spektral radians (Lλ) menggunakan persamaan sebagai berikut:
28
λλλ
λ LMINQQ
LMINLMAXL cal
cal
+⎟⎟⎠
⎞⎜⎜⎝
⎛ −=
max
Persamaan diatas dapat juga didefinisikan sebagai:
rescalecalrescale BQGL +×=λ
⎟⎟⎠
⎞⎜⎜⎝
⎛ −=
maxcalrescale Q
LMINLMAXG λλ
λLMINBrescale =
dimana: Lλ = spektral radians (W/(m2.sr.µm)) Qcal = nilai pixel yang dikalibrasi Qcalmax = nilai pixel minimum yang dikalibrasi (DN=255) LMINλ = spektral radians minimum (W/(m2.sr.µm)) LMAXλ = spektral radians maksimum (W/(m2.sr.µm))
Berdasarkan NASA 2007, konversi dari digital number (Qcal) produk
Level 1 (L1) Landsat-7 ETM+ ke spektral radians (Lλ) menggunakan persamaan:
( ) λλλ
λ LMINQQQQLMINLMAX
L calcalcalcal
+−∗⎟⎟⎠
⎞⎜⎜⎝
⎛−−
= minminmax
dimana: Lλ = spectral radians (W/(m2.sr.µm)) Qcal = nilai pixel yang dikalibrasi Qcalmin = nilai pixel minimum yang dikalibrasi (DN=0 untuk NLAPS
products atau 1 untuk LPGS products) Qcalmax = nilai pixel minimum yang dikalibrasi (DN=255) LMINλ = spectral radians minimum (W/(m2.sr.µm)) LMAXλ = spectral radians maksimum (W/(m2.sr.µm))
Pada Tabel 2 ditampilkan secara spesifik parameter LMINλ dan LMAXλ serta nilai Grescale dan Brescale yang digunakan untuk mengubah nilai radians pada
data Landsat-5 TM dengan tanggal akuisisi antara 1 Maret 1984 – 4 Mei 2003
serta setelah 5 Mei 2003. Pada Tabel 3 merupakan parameter yang digunakan
untuk mengubah ke nilai radians pada data Landsat-7 ETM+, untuk sistem
29
pemrosesan produk NLAPS (Qcalmin = 0) maupun produk LPGS (Qcalmin = 1).
Units spektral radians adalah W/(m2.sr.µm).
Tabel 2 Nilai Spektral Radians, LMINλ dan LMAXλ dalam W/(m2.sr.µm) pada LANDSAT-5 TM
Kanal 1 Maret 1984 – 4 Mei 2003 Setelah 5 Mei 2003
LMINλ LMAXλ Grescale Brescale LMINλ LMAXλ Grescale Brescale
1 -1,52 152,10 0,602431 -1,52 -1,52 193,0 0,762824 -1,52
2 - 2,84 296,81 1,175100 - 2,84 - 2,84 365,0 1,442510 - 2,84
3 -1,17 204,30 0,805765 -1,17 -1,17 264,0 1,039880 -1,17
4 -1,51 206,20 0,814549 -1,51 -1,51 221,0 0,872588 -1,51
5 -0,37 27,19 0,108078 -0,37 -0,37 30,2 0,119882 -0,37
6 1,2378 15,303 0,055158 1,2378 1,2378 15,303 0,055158 1,2378
7 -0,15 14,38 0,056980 -0,15 -0,15 16,5 0,065294 -0,15 Sumber : Chander and Markham 2003
Tabel 3 Nilai LMINλ dan LMAXλ dalam W/(m2.sr.µm) pada LANDSAT-7 ETM+
Kanal Sebelum 1 Juli 2000 Setelah 1 Juli 2000
Low Gain High Gain Low Gain High Gain
LMINλ LMAXλ LMINλ LMAXλ LMINλ LMAXλ LMINλ LMAXλ1 -6,2 297,5 -6,2 194,3 -6,2 293,7 -6,2 191,6
2 -6,0 303,4 -6,0 202,4 -6,4 300,9 -6,4 196,5
3 -4,5 235,5 -4,5 158,6 -5,0 234,4 -5,0 152,9
4 -4,5 235,0 -4,5 157,5 -5,1 241,1 -5,1 157,4
5 -1,0 47,70 -1,0 31,76 -1,0 47,57 -1,0 31,06
6 0,0 17,04 3,2 12,65 0,0 17,04 3,2 12,65
7 -0,35 16,60 -0,35 10,932 -0,35 16,54 -0,35 10,80
8 -5,0 244,00 -5,0 158,40 -4,7 243,1 -4,7 158,3 Sumber : NASA 2007
3.4.3 Penajaman citra (image enhancement)
Pada penelitian ini, pemilihan kanal dilakukan dengan menggunakan
optimum indeks factor (OIF). Chavez et al. (1982) mengembangkan optimum
30
index factor (OIF) untuk merangking 20 kombinasi dari tiga kombinasi kanal
yang dibuat dari enam kanal data Landsat TM (tidak termasuk infra merah
thermal). Algoritma yang digunakan adalah:
∑
∑
=
== 3
1)(
3
1
jrj
kk
Abs
SOIF
dimana:
Sk = standar deviasi untuk kanal k Abs(rj) = nilai absolut koefisien korelasi antara dua dari tiga kanal
OIF terpilih adalah yang memberikan nilai paling tinggi, karena akan
menampilkan lebih banyak warna, sehingga memberikan lebih banyak informasi.
3.4.4 Uji ketelitian keterpisahan (separability)
Keterpisahan statistik (statistical separability) merupakan suatu analisis
yang digunakan untuk menguji performansi dari sebuah pengklasifikasi.
Pengklasifikasi yang baik memiliki kemungkinan kesalahan yang sangat kecil di
dalam membedakan antara kelas yang satu dengan kelas yang lainnya.
(1) Transformed divergency
Metode transformed divergency digunakan dalam penelitian ini untuk
mengukur tingkat keterpisahan antar kelas atau signature yang diwakili oleh
training sample (Swain & Davis 1978; Jensen 1986).
Formulasi transformed divergency dapat dituliskan dengan rumus:
( )( )( ) ( )( )( )( )Tjijijijijiij CCtrCCCCtrD μμμμ −−−+−−= −−−− 1111
21
21
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛ −−=
8exp12000 ij
ij
DTD
dimana:
i,j = pasangan kelas/signature ke i dan j D = nilai divergensi C = matrik kovarian kelas ukuran N x N (N = jumlah kanal kombinasi)
31
µ = rataan kelas ukuran N x 1 tr,-1,T = operasi trace, inverse dan transpose matriks TD = transformed divergency
Transformed divergency memiliki nilai maksimum sebesar 2000 dimana
diperoleh kemungkinan kesalahan 0%. Melalui harga TD ini dapat ditentukan
apakah sebuah pasangan kelas memiliki keterpisahan yang baik atau kurang baik,
yaitu:
a) Jika TDij = 2000, keterpisahan kelas i dan j baik
b) Jika Tdij << 2000, keterpisahan kelas i dan j kurang baik
Jika seluruh kombinasi pasangan kelas mempunyai harga TDij = 2000,
maka diperoleh suatu pengklasifikasi dengan kemungkinan kebenaran yang
tinggi.
(2) Jeffries-matusita distance (JM)
Formula yang digunakan dalam jeffries-matusita distance (JM) adalah:
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
×
++−⎟⎟
⎠
⎞⎜⎜⎝
⎛ +−=
−
ji
jiji
jiTji
CC
CCCC 2)(ln
21)(
2)(
81
1
μμμμα
( )α−−= eJM ij 12
dimana:
i,j : pasangan kelas/signature ke i dan j C : matrik kovarian kelas ukuran N x N (N = jumlah kanal
kombinasi) µ : rataan kelas ukuran N x 1 ln : fungsi natural logarithm TD : determinan pada Ci
Jeffries-Matusita Distance (JM) telah memenuhi dalam pemisahan kelas
seperti transformed divergency, tapi dalam komputasinya tidak seefisien
transformed divergency.
3.4.5 Uji ketelitian matric contingency
Akurasi klasifikasi dapat diuji dengan menggunakan matric contingency
(Richards 1995; Jaya 1996). Uji ketelitian matric contingency atau lebih sering
32
disebut matrik kesalahan (confussion matrix), persentase ketelitian suatu kelas
diperoleh dari perbandingan jumlah pixel yang benar masuk pada training area
dengan jumlah pixel pada training area suatu kelas dalam matrik kontingensi
antar kelas. Persentase ketelitian klasifikasi secara keseluruhan dihitung dari
perbandingan antara jumlah pixel yang benar setiap kelas dengan total jumlah
pixel training area keseluruhan (Tabel 4).
Tabel 4 Matrik kesalahan (confussion matrix)
Hasil Klasifikasi
Training Area Total baris X+k
User’s accuracy
A B........................ … D A Xii ………………….. … … X+k Xkk/X+k B … ………………….. … … … … … … ………………….. … … … … … … ………………….. … … … … … … ………………….. … … … … D … ………………….. … Xkk … …
Total kolom Xk+ ............................. … … N … Producer’s acc Xkk/Xk+ ………………….. … … … …
Uji ketelitian yang dapat dihitung adalah overall accuracy, producer’s
accuracy, user’s accuracy dan kappa accuracy. Overall accuracy adalah
persentase dari pixel-pixel yang terkelaskan dengan tepat, sedang producer’s
accuracy adalah peluang rata-rata (%) suatu pixel yang menunjukkan sebaran dari
masing-masing kelas yang telah diklasifikasi di lapangan dan user’s accuracy
adalah peluang rata-rata (%) suatu pixel secara aktual yang mewakili kelas-kelas
tersebut. Secara matematis ukuran akurasi tersebut diformulasikan sebagai
berikut:
%100XX
= accuracy sProducer'+k
kk ×
%100XX
= accuracy sUsers'k+
kk ×
%100NX
=accuracy Overallkk×∑
33
∑
∑∑
+−
−
r
kk+k
2
r
kk++k
r
kkk
XXN
XX XN = accuracy Kappa
3.4.6 Klasifikasi citra (image classification)
Klasifikasi data digital ini berangkat dari asumsi bahwa variasi pola
peubah ganda (multivariate) dari digital number pada suatu areal mempunyai
hubungan yang sangat erat dengan kondisi penutupan tanahnya. Diasumsikan
juga bahwa penutupan lahan yang sama akan mempunyai sifat-sifat reflektansi
(nilai digital number) yang sama pula.
Klasifikasi neural network menggunakan algoritma back propagation,
yang terdiri dari input layer, hidden layer dan output layer. Input layer yang
digunakan sejumlah 6 (kanal 1, 2, 3, 4, 5 dan 7) dan 5 output layer, yaitu
meliputi: perairan, mangrove primer, mangrove sekunder, tambak, lainnya, awan.
Hal ini diilustrasikan pada Gambar 11.
Gambar 11 Ilustrasi klasifikasi neural network back propagation.
Tahap-tahap dalam klasifikasi neural network back propagation, yaitu:
Perairan
Mangrove Primer
Mangrove Sekunder
Tambak
Lainnya
h1
h2
hn b2
n
Kanal 1
Kanal 2
Kanal 3
Kanal 4
Kanal 5
Kanal 7 Awan
Masukan Proses Keluaran
34
1) Memilih pixel training untuk tiap kelas dan menetapkan output yang
diinginkan vector dm = 0,9 (m = k) dan dm = 0,1(m ≠ k)
Ada nilai target yang ANN coba dihasilkan
2) Bobot awal sebagai jumlah random antara 0 dan 1
3) Set frekuensi untuk updating bobot
(a) setelah tiap pixel training (sequential)
(b) setelah semua pixel training tiap kelas
(c) setelah semua pixel training seluruh kelas (batch)
4) Batch training umumnya digunakan untuk meminimalkan frekuensi peng-
update-an bobot
5) Propagasi data training maju melalui network
6) Setelah tiap pixel training dipropagasi kedepan melalui network,
penghitungan output o dan mengakumulasi total error relatif ke output d
∑∑ −== k
kk
P
Pod 2
1
2
)(21
2ε
Ulangi semua pola training P (pixel) untuk batch training
7) Setelah semua pixel yang ditraining digunakan, penyesuaian bobot wkj
dengan:
kj
kj wLRw
∂∂
=Δε
jS
P
Pkk hSf
dSdodLR
k
∑=
−=1
)()(
dimana LR adalah parameter learning rate yang digunakan untuk
mengontrol kecepatan convergency
8) Menyesuaikan bobot wij, dengan:
∑ ∑= ⎭
⎬⎫
⎩⎨⎧
⎥⎦⎤
⎢⎣⎡ −=Δ
P
Pi
kkjskkSkj pwSf
dSdodSf
dSdLRw
kj1
)()()(
9) Ulangi langkah 4 sampai 7 sehingga ε < threshold
3.4.7 Transformasi indeks vegetasi
35
Tingkat kerapatan kanopi mangrove diketahui melalui analisis indeks
vegetasi yang didasarkan pada adanya respon objek penginderaan jauh pada
kisaran spektrum radiasi merah dengan inframerah dekat. Indeks vegetasi yang
diperoleh merupakan nilai-nilai yang memberikan gambaran tentang tingkat
kehijauan vegetasi. Untuk mencari hubungan matematis terbaik antara penutupan
kanopi dengan algoritma indeks vegetasi digunakan analisis regresi. Formula
indeks vegetasi yang diuji pada penelitian ini ditampilkan pada Tabel 5.
Tabel 5 Beberapa formula indeks vegetasi yang dipergunakan pada penelitian
No Formula Tipe Indeks Vegetasi Rumus
1 RVI Ratio Vegetation Index RedNIRRVI =
2 TRVI Transformed RVI
dNIRTRVIRe
=
3 DVI Difference Vegetation Index
dNIRDVI Re4.2 −=
4 NDVI Normalized difference vegetation index RedNIR
RedNIRNDVI+−
=
5 GNDVI Green normalized difference vegetation index GreenNIR
GreenNIRGNDVI+−
=
6 SAVI Soil Adjusted Vegetation Index ( )L1
LRedNIRRedNIRSAVI +++
−=
7 GVI Global Vegetation Index
TM7*0.1800TM5*0.0840TM4*0.7243TM3*0.5439TM2*0.2435TM1*0.2848GVI
−++−
−−=
8 IPVI Infrared Percentage Vegetation Index ( )1NDVI
21IPVI +=
9 SLAVI Specific leaf area vegetation index MIRRed
NIRSLAVI+
=
36
Dalam analisis regresi dicobakan beberapa model persamaan sebagai
berikut:
1) Linear
( )tbbY 10 +=
2) Logarithmic
( )tbbY ln10 +=
3) Inverse
( )tbbY 10 +=
4) Quadratic 2210 tbtbbY ++=
5) Cubic 32 3210 tbtbtbbY +++=
6) Power
( )10 btbY += atau ( ) ( ) ( )( )tbbY ln10lnln +=
7) Compound
( )tbbY 10 += atau ( ) ( ) ( )( )1ln0lnln btbY +=
8) S-curve
( )tbbY 10exp += atau ( ) ( )t
bbY 10ln +=
9) Logistic
( )( )tbbu
Y101
1
+= atau ( ) ( ) ( )1ln0lnln 11 btbuy +=−
10) Growth
( )tbbY 10exp += atau ( ) tbbY 10ln +=
11) Exponential
( )tbbY 1exp0= atau ( ) ( ) tbbY 10lnln +=
dimana :
Y = persen penutupan kanopi b = konstanta t = hasil formula indeks vegetasi
(RVI, TRVI, DVI, NDVI, GNDVI, SAVI, GVI, IPVI, SLAVI)
37
Pemilihan model terbaik ditentukan dari nilai R2 (koefisien determinasi).
Pengujian hipotesis melalui analisis ragam, hal ini dimaksudkan untuk
menunjukkan apakah persen penutupan kanopi (Y) dengan hasil formula indeks
vegetasi (t) memiliki hubungan yang berarti. Hipotesis yang diuji adalah:
H0 : bi = 0
H1 : bi ≠ 0
Kriteria uji adalah jika Fhit > Ftabel maka terima H1, sebaliknya jika Fhit <
Ftabel maka terima H0.
3.4.8 Analisis komponen utama
Dalam mencari hubungan matematis terbaik antara respon spektral
mangrove dengan persentase penutupan kanopi adalah dengan menggunakan
analisis komponen utama.
Peubah bebas yang digunakan terdiri dari; x1 (kanal 2), x2 (kanal 3), x3
(kanal 4) serta x4 (kanal 5). Kanal 2 untuk mengukur nilai pantul hijau pucuk
tumbuhan. Kanal 3 untuk pemisahan vegetasi, yaitu memperkuat kontras antara
vegetasi dan non vegetasi. Kanal 4 membantu identifikasi tanaman dan
memperkuat kontras antara tanaman dengan tanah dan lahan dengan air. Kanal 5
untuk penentuan jenis tanaman, kandungan air pada tanaman dan kondisi
kelembaban tanah.
Tahap-tahap yang dilakukan, yaitu:
(1) Menentukan peubah Z hasil dari pembakuan peubah X
(2) Menentukan nilai akar ciri (λi) dari persamaan |R-λI| = 0
(3) Menentukan nilai vektor ciri (ai) untuk setiap akar ciri dengan persamaan
(R-λI) ai = 0
(4) Menentukan komponen utama Kj melalui seleksi akar ciri
Metode yang digunakan dalam menentukan banyaknya komponen utama
adalah berdasarkan nilai eigen.
Keseluruhan proses pengolahan data yang dilakukan pada citra Landsat
TM dan ETM+ pada penelitian ini ditampilkan pada Gambar 12.
38
Gambar 12 Flow chart pengolahan data.