ANALISIS KUALITAS AIR UNTUK BUDIDAYA RUMPUT LAUT EUCHEUMA COTTONI DENGAN CITRA LANDSAT 8 (Studi Kasus: Laut Selatan Pulau Lombok, NTB)

Transkripsi

1 JURNAL TEKNIK ITS Vol. X, No. X, (2016) ISSN: ( Print) 1 ANALISIS KUALITAS AIR UNTUK BUDIDAYA RUMPUT LAUT EUCHEUMA COTTONI DENGAN CITRA LANDSAT 8 (Studi Kasus: Laut Selatan Pulau Lombok, NTB) Muhammad Muflih Isa 1, Lalu Muhamad Jaelani 1, Gathot Winarso 2 1 Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut Teknologi Sepuluh Nopember (ITS) Kampus ITS Sukolilo, Surabaya Indonesia 2 Sumberdaya Wilayah Pesisir dan Laut, Lembaga Penerbangan dan Antariksa Nasional (LAPAN) lmjaelani@geodesy.its.ac.id, gathot_winarso@hotmail.com Abstrak-- Laut selatan Pulau Lombok memiliki garis pantai sepanjang 52,6 km dengan penghasilan rumput laut Eucheuma cottoni mencapai ton per tahun yang didistribusikan ke seluruh Indonesia. Pembudidayaan Eucheuma cottoni di laut selatan Pulau Lombok hanya memfokuskan diri pada usaha penyediaan dan pengembangbiakan bibit tanpa melihat lokasi yang sesuai dengan Standar Nasional Indonesia (SNI). Lokasi kesesuaian Eucheuma cottoni diukur dengan parameter TSS, suhu dan klorofil-a menggunakan metode penginderaan jauh dengan data pendukung pengukuran in situ. Data in situ digunakan sebagai validator tingkat kebenaran data olahan dari metode penginderaan jauh dengan metode statistik NMAE (Normalized Mean Absolute Error). Selain itu, data in situ juga digunakan sebagai data dasar untuk pemodelan algoritma baru pada TSS dan klorofil-a. Hasil pemodelan algoritma kemudian dibandingkan dengan algoritma yang sudah ada melalui uji statistik dengan metode NMAE. Algoritma yang memiliki tingkat kesalahan paling kecil dari tiap parameter akan digunakan sebagai dasar pembuatan peta kualitas air untuk kesesuaian budidaya Eucheuma cottoni. Hasil peta kesesuaian akhir menunjukkan bahwa luasan yang sesuai untuk budidaya Eucheuma cottoni seluas Ha. Namun hasil overlay tersebut tidak memasukkan parameter kedalaman. Kata Kunci Eucheuma cottoni, TSS, suhu, klorofil-a L I. PENDAHULUAN aut selatan Pulau Lombok kini telah menjadi sentra pembibitan rumput laut kultur jaringan dengan produksi pada tahun 2013 mencapai ton yang diditribusikan ke seluruh wilayah Indonesia[1]. Pembudidayaan di laut selatan Pulau Lombok hanya memfokuskan diri pada usaha penyediaan dan pengembangbiakan bibit tersebut tanpa melihat lokasi yang sesuai dengan Standar Nasional Indonesia (SNI) mengenai lokasi yang sesuai untuk budidaya rumput laut, sehingga semakin lama produksi rumput laut di laut selatan pulau lombok semakin menurun yang menyebabkan banyak para pembudidaya rumput laut beralih profesi, padahal dahulu mereka memiliki omset yang besar pada bidang budidaya rumput laut tersebut. Penentuan lokasi budidaya rumput laut mengalami banyak kendala. Kegagalan produksi diduga karena rendahnya kandungan nutrien. Rumput laut jenis Eucheuma cottoni hidup dengan cara menyerap nutrien dari laut dan melakukan fotosintesis, sehingga membutuhkan faktor faktor fisika dan kimia laut seperti arus, suhu, nitrat, dan fosfat serta pencahayaan sinar matahari[ 5]. Estimasi parameter kualitas air untuk kesesuaian budidaya Eucheuma cottoni dapat dilakukan dengan menggunakan teknologi penginderaan jauh. Teknologi penginderaan jauh adalah salah satu metode yang digunakan sebagai kontrol kualitas air dan mengetahui lokasi yang sesuai untuk pengembangan budidaya rumput laut. Penginderaan jauh memiliki kemampuan pemantauan daerah yang luas secara periodik serta dapat mengamati atau melihat suatu objek pada jarak tertentu dengan mendeteksi sifat- sifat (karakteristik) dominan objek tersebut tanpa mendatangi secara langsung objek tersebut[5]. Dalam penginderaan jauh terdapat banyak jenis citra maupun sensor yang digunakan sesuai dengan kebutuhan penelitian yang ada. Pada penelitian ini, citra yang digunakan adalah Landsat 8, dikarenakan telah banyak penelitian kualitas air dengan menggunakan parameter TSS, suhu dan klorofil-a pada Landsat 8[6]. Algoritma algoritma yang digunakan dalam penelitian ini adalah algoritma- algoritma yang sudah umum dipakai untuk penelitian di Indonesia, yaitu untuk TSS menggunakan algoritma Jaelani (2016), Suhu menggunakan algoritma Syariz (2015) yang menggunakan kanal 11 dan klorofil-a menggunakan algoritma Jaelani (2015) yang selanjutnya akan divalidasi menggunakan data insitu. Bila hasil validasi dengan pemrosesan citra memiliki kesalahan yang besar / Normalized Mean Absolute Error 30% maka akan dilakukan suatu pemodelan ulang pada algoritma yang akan digunakan untuk penelitian ini. II. METODOLOGI PENELITIAN A. Lokasi Penelitian Lokasi penelitian ini terletak pada laut selatan Pulau Lombok pada koordinat 8 54'28,83 LS- 8 55'3,18 LS dan '18,74 BT '51,38 BT yang memiliki panjang garis pantai sepanjang 52,6 km.

2 JURNAL TEKNIK ITS Vol. X, No. X, (2016) ISSN: ( Print) 2 dilakukan dengan melihat nilai regresi diatas 0,5 dengan berbagai pemodelan algoritma. Setelah mendapatkan beberapa model algoritma yang memenuhi, maka dilakukan perhitungan algoritma yang telah dihasilkan terhadap citra dan dilihat nilai NMAE terkecil dari setiap pemodelan algoritma dan dibandingkan dengan algoritma yang sudah ada. III. HASIL DAN PEMBAHASAN A. Perhitungan Nilai TSS Dari hasil perhitungan nilai TSS dengan menggunakan rumus Jaelani, 2016[2] log( Rrs(λ 2) Log(TSS) = 1,5212( ) 0,3698 (1) log(rrs (λ3) Gambar 1. Lokasi Penelitian B. Data dan Peralatan Data yang digunakan dalam penelitian ini adalah citra Landsat 8 L1T pada tanggal 19 September 2014 dengan path/row 116/66. Selanjutnya data tersebut akan dilakukan pemrosesan dengan algoritma yang ada lalu divalidasi dengan data pengukuran in situ yang dilakukan oleh LAPAN pada tanggal 18 September September 2014 berupa konsentrasi TSS, suhu dan klorofil-a dari laut selatan Pulau Lombok. Dalam melakukan pemrosesan data tersebut dibutuhkan perangkat lunak (software) Beam Visat 5.0 dan SNAP 3.0 untuk melakukan perhitungan algoritma tiap parameter pada citra. Selanjutnya untuk mendapatkan peta kesesuaian budidaya Eucheuma cottoni dilakukan overlay tiap parameter pada ArcGIS C. Tahap Pengolahan Data Tahap pertama yang dilakukan setelah mendapatkan semua data, baik data primer (citra) maupun data sekunder (data in situ pengukuran LAPAN) adalah melakukan koreksi radiometrik. Pada koreksi radiometik, tahapan yang dilakukan adalah mengubah Digital Number (DN) citra menjadi reflektan dan radian dengan metode gain offset dan melakukan koreksi atmosfer menggunakan metode Second Simulation of a Satellite Signalin the Solar Spectrum Vector (6SV) dengan parameter pengolahan koreksi yaitu, Geometrical Condition, Atmospherical Model, Target and Sensor, Altitude, Spectral Condition, Ground Reflectance, dan Signal. Data yang telah dikoreksi radiometrik lalu dilakukan perhitungan nilai TSS dengan menggunakan algoritma Jaelani, 2016, suhu dengan menggunakan algoritma Syariz (2015) dan klorofil-a dengan menggunakan Jaelani, Setelah mendapatkan hasil perhitungan nilai TSS, suhu, dan klorofil-a maka dilakukan suatu uji statistik dengan metode NMAE terhadap data in situ. Selanjutnya pembuatan algoritma baru dilakukan dengan membandingkan data spektro in situ berupa Remote Sening Reflectance (Rrs) dengan konsentrasi in situ. Perbandingan Gambar 2. Sebaran TSS melalui perhitungan algoritma Jaelani (2016) Hasil hitungan TSS tersebut lalu divalidasi dengan nilai TSS in situ, maka akan dihasilkan Tabel 1 Tabel hasil perhitunagn citra dengan in situ dengan uji statistik NMAE TSS (µ/l) in situ ,375 15, ,640 10, ,480 2, ,470 2, ,374 10, ,885 16, ,531 19, ,979 17, ,400 27, ,143 18, ,007 43, ,268 5, ,892 10,823

3 JURNAL TEKNIK ITS Vol. X, No. X, (2016) ISSN: ( Print) 3 In situ TSS CItra ,231 35, ,762 12, ,679 2, ,434 10, ,933 47, ,376 5, ,787 0, ,482 2,095 Total 15,137 % Karena hasil perhitungan TSS dengan algoritma Jaelani, 2016 sudah memenuhi NMAE 30 %, maka sebenarnya tidak diperlukan pembuatan algoritma, namun dikarenakan perbedaan kondisi di Indonesia, maka pembuatan algoritma tetap dilakukan untuk pengujian dan mendapatkan algoritma agar mendapatkan hasil yang lebih baik. B. Perhitungan Suhu Dari hasil perhitungan suhu dengan menggunakan algoritma Syariz,2015 [7] Suhu = 0,0197 x 2 + 0,2881x + 29,004 (2) dimana x adalah hasil brightness temperatur dari kanal 11. Maka didapatkan sebaran suhu sebagai berikut Hasil perhitungan suhu lalu divalidasi dengan data in situ dan menghasilkan NMAE sebagai berikut Tabel 2. Perbandingan nilai suhu perhitungan citra dengan in situ. in situ Suhu (Celcius) 1 28,6 30,723 16, ,7 29,760 16, ,83 33,525 15, ,31 33,544 14, ,78 33,498 12, ,49 29,618 13, ,48 30,572 13, ,18 33,611 14, ,99 28,579 15, ,03 33,578 15, ,71 30,545 16, ,49 33,525 16, ,65 29,425 19, ,7 33,455 19, ,91 33,445 18, ,07 30,470 17, ,81 29,392 18, ,72 30,753 13, ,61 32,511 19, ,36 33,339 19, ,16 28,023 12,807 Total 16,153 Hasil NMAE perhitungan suhu sudah memenuhi NMAE 30 %, yaitu sebesar 16,153%. Namun pada suhu, tidak dapat dilakukan pemodelan algoritma yang baru dikarenakan data spektro hanya memiliki panjang gelombang maksimal 700 nm, sedangkan sensor TIRS Landsat 8 memerlukan panjang gelombang paling rendah 1060 nm. Maka dari itu untuk pembuatan peta kesesuaian Eucheuma Cottoni tetap menggunakan algoritma suhu dari Syariz (2015). Gambar 3. Perhitungan suhu melalui algoritma Syariz (2015) C. Perhitungan Nilai klorofil-a Dari hasil perhitungan nilai klorofil-a dengan menggunakan algoritma Jaelani, 2015[3] Log (Chl-a) = -0,9889 ( Rrs(λ4 Rrs(λ 5 ) + 0,3619 (3)

4 Konsentrasi TSS in situ JURNAL TEKNIK ITS Vol. X, No. X, (2016) ISSN: ( Print) 4 D. Pemodelan algoritma TSS Setelah dilakukan pemodelan dengan berbagai pemodelan algoritma dengan Rrs in situ dan dibandingkan dengan konsentrasi TSS in situ maka didapatkan model algoritma terbaik dengan nilai regresi diatas 0, TSS y = x R² = Gambar 4. Sebaran klorofil-a dengan algoritma Jaelani (2015) Rrs Lapangan TSS Linear (TSS) Hasil hitungan klorofil-a tersebut lalu divalidasi dengan menggunakan data in situ, maka akan dihasilkan Tabel 3. Perbandingan Nilai Klorofil a dengan Algoritma Jaelani (2015) dengan Data in situ Klorofil-a (mg/l) In situ 1 1,207 0,110 44, ,868 0,110 30, ,645 0,011 25, ,543 0,132 16, ,662 0,216 18, ,969 0,228 30, ,986 0,306 27, ,662 0,320 13, ,543 0,320 9, ,544 0,321 9, ,662 0,333 13, ,646 0,302 14, ,646 0,307 13, ,544 0,203 13, ,662 0,298 14, ,646 0,335 12, ,071 0,269 32, ,173 0,011 47, ,986 0,241 30, ,969 0,250 29, ,445 0,048 98,033 Total 26,094 % Dari hasil perhitungan klorofil-a dengan algoritma Jaelani, 2015 sudah memenuhi NMAE 30 % yaitu sebesar 26,094%. Gambar 5. Regresi antara perbandingan band (Rrs ( λ1)/rrs (λ2)) dengan konsentrasi in situ. Perbandingan tersebut berupa regresi tertinggi dari bentuk algoritma yang sudah ditentukan, maka diperoleh hasil regresi dengan bentuk (Rrs (λ 1)/Rrs(λ 2)). Maka algoritma yang didapat adalah TSS = 15,197 ( Rrs (λ 1) Rrs (λ 2) ) + 0,8842 (4) Setelah melakukan pemodelan algoritma TSS, maka algoritma tersebut tetap diuji dengan NMAE dengan titik validasi yang berbeda dengan titik pembuatan algoritma. E. Perhitungan TSS dengan Algoritma Baru Dari hasil perhitungan TSS dengan menggunakan algoritma baru, maka didapatkan hasil sebaran TSS Gambar 6. Sebaran TSS di laut selatan pulau Lombok dengan menggunakan algoritma baru.

5 JURNAL TEKNIK ITS Vol. X, No. X, (2016) ISSN: ( Print) 5 Adapun hasil perhitungan NMAE dari perbandingan algoritma baru dengan data in situ Tabel 4. Perbandingan hasil data sebaran TSS data in situ dengan citra hasil perhitungan algoritma baru TSS (µ/l) Lapangan ,859 18, ,878 13, ,419 15, ,490 2, ,408 14, ,528 19, ,414 23, ,486 28, ,559 41, ,501 32, ,796 26, ,721 20, ,089 22, ,098 39, ,162 31, ,093 22, ,572 19, ,503 32, ,696 3, ,143 0, ,996 30,449 Total 21,846 % Hasil perhitungan citra menggunakan algoritma TSS baru memenuhi persyaratan NMAE 30% dengan NMAE sebesar 21,8463%, namun hasil dari algoritma baru tidak lebih baik dari perhitungan citra dengan menggunakan algoritma TSS Jaelani, 2016 dengan NMAE sebesar 15,137%. Sehingga dalam pembuatan peta kesesuaian, tetap menggunakan algoritma TSS Jaelani, F. Perhitungan Klorofil -a dengan Algoritma Baru Dari hasil perhitungan klorofil-a dengan menggunakan algoritma baru, maka didapatkan hasil sebaran klorofil-a Gambar 7. Sebaran Klorofil-a di laut selatan pulau Lombok dengan menggunakan algoritma baru. Adapun hasil perhitungan NMAE dari perbandingan algoritma baru dengan data in situ. Tabel 5. Tabel hasil perhitungan NMAE sebaran klorofil-a dari citra dengan data in situ Klorofil-a In situ NMAE 1 1,207 0,792 16, ,868 0,792 3, ,645 0,549 3, ,543 0,862 13, ,662 1,148 19, ,969 1,185 8, ,986 1,338 14, ,662 1,384 29, ,543 1,483 38, ,544 1,489 38, ,662 1,427 31, ,646 1,423 31, ,646 1,342 28, ,544 1,107 23, ,662 1,366 28, ,646 1,434 32, ,071 1,218 6, ,173 0,467 28, ,986 1,128 5, ,969 1,058 3, ,445 0,443 81,866 Total 23,276 %

6 JURNAL TEKNIK ITS Vol. X, No. X, (2016) ISSN: ( Print) 6 Hasil perhitungan citra menggunakan algoritma klorofil a baru memenuhi persyaratan NMAE 30 %, dengan NMAE sebesar 23,276 %. Hasil tersebut lebih baik dari algoritma Jaelani, 2015 untuk pengamatn klorofil-a di laut selatan Pulau Lombok. Sehingga dalam pembuatan peta kesesuaian, untuk klorofil-a menggunakan algoritma baru. G. Overlay Peta Kesesuaian Eucheuma Cottoni di laut Selatan Pulau Lombok dengan parameter TSS, Suhu dan Klorofil a. Peta kesesuaian ini dibuat dengan parameter TSS, suhu dan klorofil yang telah di-overlay-kan. Dengan hasil klasifikasi pada citra Landsat 8 dengan parameter TSS, suhu dan klorofil-a. untuk penentuan kesesuaian budidaya Eucheuma cottoni dikarenakan keterbatasan data yang ada. Ada beberapa faktor yang menyebabkan budidaya Eucheuma cottoni terus menurun dari tahun ke tahun, salah satunya adalah rencana pembuatan dermaga yang berada di laut selatan Pulau Lombok, dengan efek pembangunannya yaitu berubah pula kualitas air di laut selatan Pulau Lombok. IV KESIMPULAN DAN SARAN Kesimpulan yang dapat diambil dari penelitian ini yaitu wilayah kesesuaian kualitas air untuk budidaya rumput laut Euchema cottoni seluas Ha, sedangkan untuk area yang sangat sesuai seluas Ha di laut selatan Pulau Lombok. Klasifikasi tersebut dihasilkan dari overlay perhitungan TSS menggunakan algoritma Jaelani (2016) dan suhu dengan menggunakan algoritma Syariz (2015). Perhitungan TSS pada algoritma Jaelani (2016) memiliki NMAE sebesar 15,137%, sehingga lebih baik dari algoritma pemodelan yang memiliki NMAE sebesar 21,868%. Sedangkan untuk klorofil-a dengan menggunakan algoritma Jaelani (2015) memiliki NMAE sebesar 26,094%, sehingga algoritma pemodelan klorofila masih lebih baik bila digunakan di laut selatan Pulau Lombok yang memiliki NMAE sebesar 23,276%. Pada perhitungann suhu tidak dapat dilakukan pemodelan ulang dikarenakan data spektro yang ada hanya sampai 700nm. Namun pada perhitungan suhu dengan menggunakan algoritma Syariz (2015) telah memenuhi syarat NMAE 30% sebesar 16,153%. Gambar 8. Peta Kesesuaian Kualitas Air untuk Budidaya Eucheuma Cottoni tahun 2014 Dari sebaran klorofil-a tidak ada daerah yang sesuai, karena klasifikasi SNI untuk budidaya Eucheuma cottoni membutuhkan konsentrasi klorofil-a untuk daerah sesuai sebesar 4mg/L, sedangkan dari klasifikasi diatas tidak ada daerah di laut selatan Pulau Lombok dengan konsentrasi klorofil mencapai 4mg/L. Namun hal itu tidak terlalu berpengaruh dikarenakan bobot klorofil-a hanya lima, sedangkan dua faktor lain (TSS dan suhu) memiliki bobot 15. Dengan overlay dari dua parameter tersebut memiliki hektar luas dari area penelitian yang sesuai dan hektar area yang sangat sesuai untuk budidaya Eucheuma cottoni. Namun dari hasil diatas, tidak ada parameter kedalaman yang memiliki bobot yang tinggi DAFTAR PUSTAKA [1] Alaerts,G., Sri Suantri Santika. Metoda Penelitian Air. Surabaya: Usaha Nasional, alamikan (diakses pada Januari 17, 2016). [2] Jaelani, L.M, dkk Estimation of TSS and Chl-a Concentration from Landsat 8 OLI : The Effect of Atmosphere and Retrieval Algorithm. IPTEK. The Journal for Technology and Science. VOL XXVII. No.1, [3] Jaelani L.M., dkk Pemetaan Distribusi Spasial Konsentrasi Klorofil-A dengan Landsat 8 di Danau Matano dan Danau Towuti, Sulawesi Selatan, Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia XX, Bogor. [4] Jaelani, Lalu Muhammad. LMJAELANI.COM (diakses pada 20 Oktober 2015) [5] Lamai C, Kruatrachue M, Pokethitiyook P, Soonthornsarathool. "Toxicity and accumulation of lead and cadium in the filamentous green alga Cladophora fracta." ScienceAsia, 2005: 121. [6] Nirmala, Arlina dkk. "Penentuan Keseuaian Budaya Rumput Laut di Laut Selatan Pulau Lombok, Nusa Tenggara Barat, Menggunakan data Inderaja dan SIG." Jurnal Akuakultur Indonesia, 2014: [7] Syariz, M.A. dkk, Retrieval of Sea Surface Temperature Over Poteran Islan Water of Indonesia With Landsat-8 TIRS Image: A Preliminary Algorithm. ISPRS, Malaysia.