Identifikasi Mangrove dan Kerapatan Mangrove. Tutorial Ringkas Identifikasi Ekosistem Mangrove dan Pemetaan Kerapatan Mangrove

of 19 Tutorial Ringkas Identifikasi Ekosistem Mangrove dan Pemetaan Kerapatan Mangrove Dipersiapkan oleh Aji Putra Perdana, S.Si Pengantar SIngkat Tutorial ini merupakan hasil kegiatan atau tugas praktikum selama masa kuliah di MPPDAS untuk praktikum modul kuliah Remote Sensing and GIS (Penginderaan Jauh dan Sistem Informasi Geografis) dengan Pengampu: Muhammad Kamal, S.Si., MGIS (Dosen Fakultas Geografi UGM). Hasil praktikum tersebut kemudian dirangkum atau dikemas secara ringkas ke dalam tutorial ringkas yang diubah judulnya dengan identifikasi ekosistem mangrove dan pemetaan kerapatan mangrove dari data penginderaan jauh. Bahan yang dipergunakan merupakan data praktikum, sedangkan langkah semi detil yang terkemas merupakan langkah-langkah yang tertuang dalam hasil laporan praktikum penulis yang dicuplik dan diramu seadanya untuk sekedar berbagi mengenai pengolahan data penginderaan jauh untuk identifikasi mangrove dan kerapatannya menggunakan teknologi geospasial (dalam hal ini dengan perangkat lunak ENVI 4.x dan ArcGIS 9.x). Adapun pengolahan dapat memanfaatkan pula software open source seperti Quantum GIS ( http://www.scribd.com/doc/56691874/tutorial-sig-open-source-quantum-gis).

of 19 LatarBelakang Terinspirasinya untuk sharing hasil praktikum yang dikemas menjadi tulisan sederhana ini ialah ketika penulis kembali membaca postingan di blog http://ajiputrap.blogspot.com/2010/12/mangrove-di-indonesia-yang-kaya.html. Sungguh luar biasa potensi Negera Kesatuan Republik Indonesia ini coba bayangkan betapa dunia menatap kita (baca: sumberdaya alam). Betapa butuhnya dunia akan INDONESIA terkait pula perubahan iklim yang kain digembor-gemborkan. Apakah salah satu sumberdaya kelautan itu? Mangrove, jawab fulan. Kawasan hutan mangrove di Indonesia telah menyusut dari 4,2 juta hektar pada tahun 1982 sampai 2 juta hektar, ujar sebuah LSM (dimuat di dalam The Jakarta Post 6 Desember 2010). "Sekitar 70 persen hutan mangrove di Indonesia berada dalam kondisi kritis dan rusak berat," kata Menteri Kelautan dan Perikanan RI Bapak Fadel Muhammad ketika meluncurkan kampanye penanaman bakau di desa Poka, Kecamatan Teluk Ambon, Provinsi Maluku, Jumat (30 Juli 2010). Dimuat di dalam Antara News pada hari sabtu 31 Juli 2010. "Rawa bakau dapat membantu masyarakat pantai di Indonesia dalam menangkis laut yang naik/meningkat dan badai tropis kuat yang disebabkan oleh perubahan iklim," ujar para ahli yang dimuat dalam Reuters. Berikut peta sebaran mangrove di dunia dan lihatlah betapa hijaunya sebaran mangrove di Republik Indonesia: Gambar 1. Sebaran Mangrove di dunia (http://earthobservatory.nasa.gov/images/imagerecords/47000/47427/global_tm5_mangroves_lrg.png)

of 19 Sewaktu menulis postingan blog tersebut di atas, terdapat komen dari salah satu rekan di Bakosurtanal yang mengatakan bahwa luas mangrove di Indonesia sekitar 3,2 juta. Bagaimanakah menghitung luas sebaran mangrove, mengetahui kondisinya serta memonitoring atau memantau berkurang atau bertambahnya luas mangrove di suatu wilayah? Itulah pertanyaan yang acapkali muncul. Metode yang sama dilakukan oleh lembaga atau orang yang berbeda kadang juga berbuah pada hasil luasan yang berbeda. Akantetapi di sini tidak akan mengupas hal tersebut, tetapi lebih pada bagaimana kita mengenal ekosistem mangrove melalui identifikasinya dari data citra satelit penginderaan jauh sebagai salah satu teknologi yang efektif dan efisien dan menjadi alternatif pilihan seiring perkembangan teknologi penginderaan jauh. Citra sumber daya alam yang cukup terkenal dan saat ini mudah diakses atau diunduh secara gratis, bisa dipergunakan untuk pembelajaran kajian multiwaktu ialah data citra satelit Landsat. Bisa unduh di http://www.glcf.umd.edu/data/landsat/ ataupun di http://glovis.usgs.gov/ dan tempat lainnya J yang menyediakan data landsat free for study J. Banyaknya saluran yang tersedia dalam citra Landsat membantu kita dalam memanfaatkan berbagai komposit citra untuk mengenali obyek mangrove dan mempergunakan indeks vegetasi untuk menghitung kerapatan mangrove. Tujuan 1. Pengolahan citra digital untuk identifikasi ekosistem mangrove 2. Interpretasi dan analisis citra untuk identifikasi ekosistem mangrove 3. Implementasi transformasi indeks vegetasi untuk penentuan tingkat kerapatan vegetasi mangrove Data yang digunakan 1. Garis pantai.shp (garis) 2. Karimunjawa.tiff (raster,geotiff) 3. Landsat_Karimunjawa (raster, ENVI file)

of 19 Software yang digunakan 1. ENVI 2. ArcGIS Hasil akhir Peta kerapatan vegetasi pada ekosistem mangrove daerah Karimunjawa, Jawa Tengah. Proses Pemetaan Proses pemetaan kerapatan mangrove dapat digambarkan dalam diagram alir berikut: Gambar 1. Diagram Alir Proses Pemetaan (sumber: Muhammad Kamal, S.Si., MGIS)

of 19 Langkah Kerja Membuka dan Mengecek Data Citra 1. Jalankan software ENVI melalui menu Start All Programs RSI ENVI 4.x ENVI Catatan : RSI ENVI merupakan salah satu pengolahan citra digital, kita dapat menggunakan software pengolahan citra lainnya dalam proses pemetaan mangrove seperti ErMapper, ERDAS, ILWIS, IDRISI, dkk 2. Untuk membuka data citra, pilih File Open Image File, kemudian arahkan ke direktori kerja penyimpanan data C:\RSGIS\Praktikum 2 dan memilih file Landsat_Karimunjawa, maka akan muncul Available Band List yang menampilkan data citra dan band yang ada di dalamnya. Software ENVI ini menggunakan format penyimpanan citra digital yakni BIL (Band Interleaved by Line), dimana file saluran 1, 2,3,4,5, dan 6 (saluran 7) disimpan dalam satu file seperti tampak pada gambar di bawah ini. 3. Mengecek data citra yang digunakan, apakah sudah terkoreksi secara radiometric dan geometric. Untuk mengetahui apakah data sudah terkoreksi secara geometric pada ENVI dapat secara langsung dilihat dengan ada tidaknya MapInfo pada available band list. Atau dengan menampilkan datanya ke dalam Display Data dan mengaktifkan cursor location/value.

of 19 4. Untuk mengecek apakah citra sudah terkoreksi radiometric. Dari menu utama ENVI pilih Basic Tools Statistics Compute Statistics. 5. Dari hasil perhitungan statistic dapat diketahui adanya nilai bias pada semua saluran dengan nilai berturut-turut : 66, 38, 26, 7, 3 dan 6. Setelah mengetahui bahwa citra belum terkoreksi secara radiometric dan geometric maka tahap selanjutnya ialah melakukan proses koreksi citra.

of 19 Koreksi Citra (Radiometrik dan Geometrik) 6. Koreksi Geometrik dilakukan menggunakan koreksi relative dengan asumsi bahwa nilai terendah adalah nol, sehingga semua saluran akan dikoreksi dengan mengurangi nilai biasnya. Dapat dilakukan dengan fasilitas Band Math dan menghitung satu per satu untuk tiap saluran atau dapat juga secara sekaligus dengan mempertahankan semua saluran dalam satu file yakni dengan memanfaatkan fasilitas Dark Subtract. 7. Dari menu utama pilih Basic Tools Preprocessing General Purpose Utilities Dark Subtract. 8. Lakukan pengisian nilai bias pada user value untuk masing-masing saluran, seperti gambar berikut dan simpan file outputnya. Lalu klik OK.

of 19 9. Selanjutkan akan muncul pada Available band list, file citra yang sudah terkoreksi radiometric dan siap untuk dilanjutkan dengan koreksi geometric. Koreksi geometrik citra dilakukan pada distorsi geometri non-sistematis. Koreksi geometrik yang dilakukan agar citra georeference. Georeference adalah proses memberikan koordinat peta pada citra (Leica Geosystem, 2002). Koreksi dilakukan dengan image to image dengan terlebih dahulu membuka file image yang sudah terkoreksi sebagai acuan (base image) yakni Karimunjawa.tif. 10. Tampilkan kedua citra tersebut pada display 1 dan 2, lalu dari menu utama pilih Map Registration Select GCPs Image to Image. Tentukan Base Image display dan Warp Image display. 11. Mulailah memberi titik ikat (Ground Control Points) dan usahakan rms error dibawah 1. Apabila sudah terkumpul dan diperoleh rms error yang kecil, selanjutnya ialah melakukan warp terhadap file yang akan di-georeference. Pada dialog boz Ground Control Points Selection pilih Options Warp File dan selanjutnya tentukan nama dan lokasi penyimpanan file output.

of 19 12. Proses koreksi geometric selesai maka akan muncul file baru pada Available Band List yakni citra yang sudah terkoreksi. Komposit Citra 13. Tahap selanjutnya ialah menampilkan komposit citra yang dapat membantu dalam mengenali obyek vegetasi hutan mangrove. Komposit yang dipilih yakni komposit warna RGB 457, dikarenakan obyek vegetasi mempunyai pantulan tinggi pada saluran inframerah. Berikut gambar display 1 (RGB 321) dan display 2 (RGB 457), pada zoom dapat dilihat kenampakan hutan mangrove.

of 19 Interpretasi Visual Mangrove 14. Selanjutnya ialah delineasi secara visual obyek mangrove dengan menggunakan software GIS (ArcGIS), sehingga citra dikonversi ke dalam format yang dapat dibaca oleh ArcGIS. Dalam hal ini, kita akan menyimpannya ke dalam format ERDAS IMAGINE (dengan tujuan kita semua saluran masih dapat tersimpan dalam satu file dan dapat dibuka di software ArcGIS serta kita dapat menampilkan komposit warna RGB yang lainnya, tidak hanya satu. Selain itu data juga tidak terkompresi). File Save File As ERDAS IMAGINE 15. Jalankan software GIS (ArcGIS) dari Start menu pilih Programs ArcGIS ArcMap 16. Tambahkan data melalui Add Data dan arahkan ke direktori kerja lalu pilih file data raster format *.img, dan data vector garis pantai.shp 17. Kemudian pada data raster format *.img yang merupakan citra terkoreksi radiometric dan geometric aturlah tampilan data ke dalam komposit 457 dengan cara, klik kanan pada data pilih Properties. 18. Pada tab Symbology aturlah band 4 pada Red, band 5 pada Blue dan band 7 pada Green. Atur pula Stretch ke Standard Deviation dan atur statistic seperti gambar berikut, lalu klik OK.

of 19 19. Untuk membuat shp baru bagi hasil delineasi mangrove dapat dengan mengeksport shp garis pantai, dan menyimpannya sebagai shp mangrove untuk kemudian dilakukan proses delineasi area vegetasi mangrove dari line untuk kemudian dibangun menjadi polygon/area. 20. Klik kanan pada garis pantai.shp, pilih Data Export Data simpanlah output pada direktori kerja praktikum 2 dan berinama file mangrove.shp 21. Proses editing data vector dimulai dengan mengaktifkan sesi editing. Lalu pilih Editor Start Editing, atur snapping dengan memilih menu Editor Snapping. 22. Lanjutkan dengan mulai proses digitasi, zoom pada area mangrove kemudian mulailah sesi digitasi garis untuk area mangrove. Apabila digitasi sudah selesai, dilanjutkan dengan menghapus area di luar cakupan citra. Untuk mengenali obyek mangrove pada komposit warna 457, vegetasi ini tampak dengan warna coklat seperti gambar di bawah ini dan situsnya di tepi pantai/kawasan pesisir karena mangrove merupakan salah satu ekosistem pesisir.

of 19 23. Untuk mengubah data garis ke area/polygon, pergunakan ArcToolbox dan pilihlah tool pada Data Management Tools Features Feature to Polygon. 24. Lanjutkan dengan sesi editing untuk polygon hasil tersebut untuk menghilangkan area yang bukan wilayah mangrove. 25. Area mangrove telah didapatkan, selanjutnya kembali ke software ENVI untuk melakukan tahapan selanjutnya. Masking 26. Masking ini bertujuan untuk menghilangkan unsur yang tidak perlu dan tidak dapat diolah. Bukalah data vector mangrove area.shp di dalam software ENVI, dari menu utama pilih Vector Open Vector File, pilih file type shp dan arahkan pada data vector mangrove area. Perhatikan apakah sistem koordinat data sudah sesuai, yakni UTM Datum WGS 84 Zone 49 S. Lalu klik OK dan data vector akan muncul pada Available Vector List.

of 19 27. Mulailah masking, dengan memilih Basic Tools Masking Apply Mask. Pilih file yang akan dimasking dan pada Select Mask Band pilih Mask Options Build Mask 28. Import EVF dari mangrove area sebagai mask definition. 29. Kemudian pilih file yang diasosiasikan dengan EVF sebagai mask definition. Klik OK dan simpanlah outpurt file mask definition tersebut, klik OK. 30. Kemudian pada kotak dialog Apply Mask Input File akan muncul file masking, selanjutnya klik OK. Isikan Mask value dan simpan filenya.

of 19 Transformasi NDVI 31. Citra daerah mangrove telah diperoleh, sehingga tahapan selanjutnya ialah transformasi NDVI untuk menghitung kerapatan vegetasi mangrove. 32. Pilih Transform NDVI, pergunakan file hasil proses sebelumnya sebagai input dan berinama file outputnya lalu klik OK. 33. Selanjutnya ialah Apply Mask pada citra hasil transformasi NDVI tersebut dan isikan mask value dengan angka -2.

of 19 Density Slicing 34. Pilihlah Overlay Density Slice. 35. Kemudian aturlah pada kotak dialog density slice ke dalam tiga kelas rentang kerapatan. Rentang kerapatan vegetasi mangrove menurut BAPLAN Kehutanan: - Kerapatan tinggi (0, 42 NDVI 1,00) - Kerapatan sedang (0,33 NDVI 0,42) - Kerapatan rendah (-1,00 NDVI 0,33) 36. Pilih Option Add New Range, isikan seperti di bawah ini, lalu klik OK. 37. Kemudian edit range dan sesuai dengan ketentuan rentang kerapatan di atas. Lalu klik Apply.

of 19 Convert to Vector 38. Selanjutnya masih dalam kotak dialog density slice, pilih File Output Range to EVFs pilihlah klas rentang densitas tersebut dan simpan EVFnya. Klik OK. 39. Akan muncul pada Available Vector List, pilih vector tersebut dan Export Layer to Shapefile. Simpan file dan klik OK.

of 19 Layout 40. Tahap akhir ialah melakukan layout peta kerapatan vegetasi mangrove di ArcGIS. Jalankan program ArcGIS dan tampilkan data citra komposit, garis pantai dan kerapatan mangrove. Contoh tampilan hasil layout peta. Peta hasil terlampir. Berikut gambar kenampakan obyek vegetasi mangrove pada beberapa komposit warna citra.

of 19 (a) Komposit TCC 321, mangrove tampak hijau gelap (b) Komposit FCC standar 432. Mangrove tampak lebih merah dibandingkan dengan tetumbuhan lainnya (c) Komposit FCC 457, vegetasi tampak berbeda dengan obyek lainnya terlihat sangat kontras.

of 19 Referensi Kamal, Muhammad.. Modul Supervised Practical: Penginderaan Jauh dan Sistem Informasi Geografis. MPPDAS-Fakultas Geografi, UGM (unpublished) Perdana, Aji Putra. 2009. Tugas Supervised Practical: Modul 3 Penginderaan Jauh dan Sistem Informasi Geografis. Acara 2 Inventarisasi dan Pemetaan Kerapatan Hutan Mangrove. Tugas Kuliah. MPPDAS-Fakultas Geografi, UGM (unpublished)