BAB III

METODOLOGI PENELITIAN

3.1 Waktu dan Tempat Penelitian

Penelitian ini dilaksanakan pada bulan Juli 2011 sampai dengan Januari

2012 dengan daerah penelitian di Desa Sawohan, Kecamatan Buduran, Kabupaten

Sidoarjo, Jawa Timur. Peta lokasi penelitian dapat dilihat pada Gambar 6.

Kegiatan pengolahan dan analisis dilakukan di Laboratorium Fisik Remote

Sensing dan GIS, Departemen Manajemen Hutan Fakultas Kehutanan, Institut

Pertanian Bogor.

3.2 Perangkat Keras (Hardware) dan Perangkat Lunak (Software)

Hardware dan Software yang digunakan dalam penelitian ini adalah :

a. Seperangkat notebook yang terdapat Software :

- PolSARpro v4.2.

- ENVI 4.7

- ERDAS IMAGINE 9.1

- Microsoft Word dan Exel 2010

- Google Earth Pro v5.0.1

b. Kamera digital Kodak C143 Easyshare

c. GPS Garmin Oregon 550

3.3 Data

Data utama yang digunakan pada penelitian ini adalah :

a. Citra TerraSAR-X dual polarization mode high resolution Spotlight

rekaman Desember 2007 (sumber : Departemen ITSL, IPB).

b. Citra Quickbird yang terdapat pada google earth rekaman Juli 2010

(sumber : google earth)

Data pendukung lainnya :

a. Peta digital tutupan lahan daerah pesisir Kabupaten Sidoarjo tahun 2010

(sumber : Bappeda Sidoarjo).

21

b. Peta sebaran mangrove Kabupaten Sidoarjo tahun 2010 (sumber : Bappeda

Sidoarjo).

c. Peta Wilayah Administrasi Kabupaten Sidoarjo tahun 2011 (sumber :

Bappeda Sidoarjo).

Gambar 6 Peta lokasi penelitian.

Surabaya.

22

23

Tampilan citra dual polarization dari TerraSAR-X masing-masing

polarisasi HH dan VV dapat dilihat menggunakan software ENVI 4.7 dalam

bentuk tiga jendela grup (Gambar 7), yaitu Image Window, Scroll Window dan

Zoom (4x) Window.

a c

Gambar 7 [a] Image window, [c] scroll window dan [b] zoom (4x) window padacitra polarisasi HH.

Gambar 8 Citra hasil cropping area penelitian pada polarisasi HH.

b

24

a cGambar 9 [a] Image window, [c] scroll window dan [b] zoom (4x) window pada

citra polarisasi VV.

Gambar 10 Citra hasil cropping area penelitian pada polarisasi VV.

3.4 Metode Pengolahan Data

Tahapan penelitian dimulai dengan pengolahan awal citra yang berupa

proses ekstraksi, cropping dan reduksi speckle. Kemudian dilakukan proses

analisis citra secara visual dan digital. Hasil verifikasi digital kemudian diperiksa

b

25

akurasinya dengan membandingkan hasil analisis visual menggunakan bantuan

hasil ground check dan perbandingan citra Quickbird dari google earth. Setelah

itu dilakukan proses stratified classification pada penutupan lahan hutan

mangrove. Tahapan penelitian secara lengkap disajikan pada Gambar 12.

3.4.1 Pengolahan Awal Citra (Pre-Image Processing)

3.4.1.1 Ekstraksi Pada Citra Terrasar-X High Resolution dan Proses

Cropping

Citra TerraSAR-X harus diekstraksi terlebih dahulu agar dapat diproses

lebih lanjut. Proses ekstraksi ini menggunakan bantuan software PolSARpro v4.2.

Sebelum dilakukan proses ekstraksi, data citra TerraSAR-X harus di-import

terlebih dahulu ke dalam software. Setelah data masuk kemudian memilih menu

read header yang terdapat pada menu PolSARpro. Pada saat proses ekstraksi,

harus dipilih opsi full resolution. Keluaran dari hasil ekstraksi berupa file dengan

format *.bin dan citra RGB dengan tampilan (|VV|-|HH-VV|-|HH|). Hasil

ekstraksi tersebut merupakan proses ekstraksi keseluruhan area pencitraan satelit.

File ekstraksi pada wilayah yang diinginkan diperoleh dengan cara

memasukkan batas kolom piksel dan batas baris piksel pada area yang diinginkan.

Proses ini sama halnya dengan melakukan cropping pada citra yang telah

terkoreksi. Hal ini bertujuan untuk lebih memfokuskan perhatian ke area

penelitian juga untuk mereduksi volume data citra, agar mudah dalam proses di

komputer.

3.4.1.2 Reduksi Speckle

Reduksi speckle pada penelitian ini dilakukan dengan adaptive filter yaitu

Lee dan Frost. Filter ini digunakan untuk mereduksi speckle pada citra polarisasi

HH dan polarisasi VV citra TerraSAR-X. Wilayah pemfilteran lokal (local region

filter) pada proses filterisasi Lee dan Frost dilakukan pada jendela 3x3 (Gambar

11). Ukuran jendela ini menunjukkan ukuran arah pergerakan piksel menurut 8

arah mata angin, yang berada di sekitar piksel yang diamati (noise). Praktek

pemfilteran sebenarnya dapat dilakukan secara berulang untuk meningkatkan

ukuran jendela / wilayah pemfilteran lokal. Namun hal tersebut tidak dilakukan

26

pada penelitian ini. Hal ini dilakukan untuk menjaga variasi nilai DN pada piksel

di wilayah pemfilteran lokal yang dirumuskan sebagai berikut := [ ( , − ) ]/( − 1)Keterangan :

n = ukuran kernel (ITT Visual Information Solution 2008)

Gambar 11 Kernel ukuran 3x3 pada proses filtering.

Filter Lee menggunakan distribusi statistik pada nilai DN di wilayah

pemfilteran l untuk mengestimasi piksel mana yang akan menjadi pusat perhatian

(noise). Speckle pada pencitraan radar dapat dirumuskan sebagai perkalian noise

dengan nilai rata-rata satu. Rumus standar deviasi noise adalah sebagai berikut:= √ = = ( )Pemfilteran Lee menggunakan asumsi bahwa rata-rata dan variasi piksel di

wilayah yang diamati sama dengan rata-rata dan variasi lokal dari semua piksel

yang berada di wilayah pemfilteran lokal yang dipilih. Perhitungan pemfilteran

Lee adalah sebagai berikut : = [ ] + [ − ]Keterangan :

K = normalization constant

Filter Frost merupakan filter kabut yang secara eksponensial lingkaran

simetrik menggunakan lokal statistik. Lokal statistik berfungsi untuk

memindahkan jendela filter yang menyesuaikan dengan respon filter terhadap

pulsa. Rumus DN output hasil pemfilteran Frost adalah sebagai berikut := | |

X1 X2 X3

Y1

Y2

Y3

piksel tujuan (X0,Y0)

27

= { | | = | |}/( × )dimana,

= 4 Ι̅Keterangan :

K = normalization constantĪ = local mean

= local variance=image coefficient of variation value= √| | = | − | + | − |

X, Y = posisi koordinat piksel ke-i terhadap piksel tujuan (pusat kernel)X0, Y0 = piksel tujuan (pusat kernel)n = ukuran kernel (Lopes et al. 1990)

3.4.2 Analisis Citra

3.4.2.1 Analisis Citra Secara Visual (Visual Image Interpretation)

Klasifikasi visual atau kualitatif merupakan suatu kegiatan untuk

mendeteksi dan mengidentifikasi objek-objek permukaan bumi yang tampak pada

citra, dengan cara mengenalinya atas dasar karakteristik spasial, spektral, dan

temporal. Unsur-unsur interpretasi yang digunakan yaitu:

a. Tone dan warna

Tone (derajat keabu-abuan / grayscale) dan warna adalah elemen dasar

dari sebuah objek. Variasi tone/ warna sangat bergantung pada karakteristik dari

setiap objek, karena warna merupakan hasil reflektansi, transmisi dan atau radiasi

panjang gelombang yang dihasilkan dari objek yang bersangkutan. Tone atau

warna sangat bergantung pada panjang gelombang atau band yang digunakan saat

perekaman. Tingkat kecerahan dari objek sangat bergantung pada sifat dasar dari

objek yang bersangkutan. Tone pada citra radar dapat didefinisikan sebagai

intensitas rata-rata dari sinyal backscatter. Backscatter yang tinggi akan

menghasilkan kecerahan yang tinggi (tone terang), sebaliknya backscatter yang

rendah akan menghasilkan tingkat kecerahan yang rendah (tone gelap). Intensitas

28

tersebut dipengaruhi oleh karakteristik obyek, diantaranya berupa kekasaran

permukaan, complex dielectric constant, kelerengan dan arah obyek. Selain itu

untuk citra radar dipengaruhi juga oleh sistem sensor radar yang digunakan.

b. Tekstur

Tekstur adalah frekuensi perubahan rona pada citra. Tekstur merupakan

hasil gabungan dari unsur bentuk, ukuran, pola dan rona obyek. Tekstur sering

dinyatakan dengan kasar, sedang atau halus. Tekstur kasar umumnya dibentuk

oleh rona dengan variasi tinggi (belang-belang) dimana terjadi perubahan tone

yang besar, sedangkan tekstur halus terbentuk dari variasi yang relatif kecil.

c. Pola

Pola adalah hubungan susunan spasial obyek. Pengulangan bentuk umum

tertentu merupakan karakteristik dari banyak obyek alamiah atau bangunan dan

akan memberikan suatu pola yang membantu penafsiran untuk mengenali obyek

yang bersangkutan. Pola yang digunakan pada interpretasi visual umumnya

mengacu pada tata ruang atau tata letak objek dalam suatu ruang. Pola sebaran

objek dengan jarak yang teratur, tone yang sama akan menghasilkan tampilan pola

yang berbeda dengan objek yang tersebar secara acak (random) dan tone yang

relatif berbeda.

d. Lokasi

Lokasi adalah letak obyek dalam hubungannya dengan obyek yang lain.

Lokasi sangat berguna untuk membantu pengenalan obyek.

e. Asosiasi

Asosiasi dapat diartikan sebagau keterkaitan antara obyek yang satu

dengan obyek yang lain. Karena keterkaitan inilah, maka terlihatnya suatu obyek

pada citra sering merupakan petunjuk bagi adanya obyek lain.

f. Bentuk

Bentuk ialah konfigurasi atau kerangka suatu obyek. Bentuk merupakan

atribut yang jelas, sehingga banyak obyek yang dapat dikenali berdasarkan

bentuknya. Secara umum bentuk sebuah objek mengacu pada bentuk-bentuk

29

umum bagian luar (eksternal), struktur, konfigurasi atau garis besar dari individu

objek. Bentuk-bentuk umum yang digunakan adalah variasi bentuk polygon dan

atau garis, seperti segi empat panjang, segitiga, lingkaran, garis lurus, garis

melengkung, dan sebagainya. Bentuk-bentuk objek buatan manusia umumnya

lebih teratur dibandingkan dengan bentukbentuk alam. Pada citra radar, bentuk

objek merupakan hasil rekaman dari posisi miring (oblique/side looking), jarak

slant dari radar.

g. Ukuran

Ukuran adalah atribut obyek yang merupakan fungsi dari skala, oleh sebab

itu dalam interpretasi citra harus selalu memperhatikan skala yang digunakan.

Ukuran suatu objek atau yang tampak dalam citra atau foto sangat bergantung

pada skala, resolusi dan ukuran objek yang sebenarnya ada di alam.

h. Bayangan

Pada citra radar, bayangan topografi adalah bagian yang tidak ada

informasi backscatter. Bayangan itu juga berguna untuk meningkatkan atau

mengidentifikasi topografi dan bentang alam, khususnya dalam citra radar.

Bayangan pada radar sangat terkait dengan sudut miring dari radiasi gelombang

mikro yang dipancarkan sistem sensor dan bukan oleh geometri dari iluminasi

matahari.

Unsur interpretasi berdasarkan tingkat kerumitan dibedakan menjadi

empat tingkat yaitu :

a. Kunci interpretasi primer, yaitu : tone dan warna.

b. Kunci interpretasi sekunder, yaitu : bentuk, ukuran, dan tekstur.

c. Kunci interpretasi tersier, yaitu : pola dan bayangan.

d. Kunci interpretasi lebih tinggi, yaitu : lokasi atau asosiasi.

Kegiatan ini dilakukan untuk memberikan gambaran awal dalam

mengidentifikasi pola sebaran, penentuan jumlah kelas tutupan lahan dan macam

kelas tutupan lahan yang ada di daerah penelitian.

3.4.2.2 Pengolahan Citra Digital (Image Processing)

Pengolahan citra digital (image processing) mengacu kepada teknik

30

klasifikasi citra. Berdasarkan tekniknya, klasifikasi dapat dibedakan menjadi

klasifikasi terbimbing dan tidak terbimbing. Pada klasifikasi terb imbing,

pengelompokkan piksel ke dalam suatu kelas yang telah ditetapkan dilakukan oleh

interpreter secara manual berdasarkan nilai kecerahan (brightness) maupun

warna dari piksel yang bersangkutan. Pada klasifikasi tidk terbimbing,

pengelompokkan dilakukan secara otomatis oleh komputer berdasarkan nilai

kecerahan (brightness value atau digital number) contoh yang diambil sebagai

contoh (region of interest).

3.4.2.2.1 Klasifikasi Citra

Metode yang digunakan dalam klasifikasi ini adalah metode klasifikasi

terbimbing dan tidak terbimbing. Metode klasifikasi terbimbing terdiri dari

metode maximum likelihood, mahalanobis distance, minimum distance,

parallelepiped dan Support Vector Machine (SVM). Untuk metode klasifikasi

tidak terbimbing digunakan metode k-means. Kelima metode tersebut kemudian

dicari nilai akurasinya untuk dapat dipilih suatu metode dengan nilai akurasi

terbaik.

a. Pembuatan Region of Interest

Pembuatan region of interest (ROI) atau pengelompokan piksel-piksel

pada setiap obyek dilakukan untuk mengambil informasi statistik kelas-kelas

tutupan lahan. Pengambilan informasi statistik pada citra TerraSAR-X

dilakukan dengan cara menentukan semua area contoh tiap kelas tutupan lahan

secara manual dengan bantuan citra optik Quickbird pada google earth..

Informasi statistik dari setiap tutupan lahan ini digunakan untuk menjalankan

fungsi separabilitas dan fungsi akurasi. Informasi yang diambil adalah nilai

rata- rata, simpangan baku, nilai digital minimum, dan maksimum, serta matriks

kovarian untuk setiap kelas tutupan lahan. Kegiatan pembuatan ROI ini hanya

dilakukan pada metode klasifikasi terbimbing.

b. Analisis Separabilitas

Analisis separabilitas adalah analisis kuantitatif yang menunjukkan

keterpisahan statistik antar kelas penutupan lahan, apakah suatu kelas layak

untuk digabung atau tidak berdasarkan kriteria tingkat keterpisahan. Kelas yang

31

digunakan untuk analisis separabilitas ini merupakan hasil ROI pada metode

klasifikasi terbimbing dan hasil kelas yang dibentuk pada klasifikasi tidak

terbimbing. Metode yang digunakan untuk analisis ini adalah metode

transformed divergence. Kriteria tingkat keterpisahan dapat dilihat pada Tabel 6.

Tabel 6 Kriteria tingkat keterpisahan metode transformed divergenceNilai Transformasi keterpisahan Keterangan2 Sempurna (excellent)1,900 – 1,999 Sangat baik (good)1,700 – 1,899 Baik (fair)1,600 – 1,699 Cukup baik (poor)< 1,600 Tidak terpisahkan (inseparable)Sumber : Jaya (2009) disesuaikan dengan software ENVI 4.7

3.4.2.2.2 Akurasi Hasil Klasifikasi

Salah satu cara untuk mengevaluasi ketepatan hasil klasifikasi adalah

dengan melakukan evaluasi akurasi yaitu dengan membuat matriks kesalahan

(error matrix). Matriks kesalahan adalah matriks bujur sangkar yang berfungsi

untuk melihat penyimpangan klasifikasi yaitu berupa kelebihan jumlah piksel dari

kelas yang lain atau kekurangan jumlah piksel pada masing-masing kelas.

Idealnya semua elemen yang bukan diagonal dalam matrik tersebut harus bernilai

nol yang artinya tidak ada penyimpangan dalam matriks (Lillesand and Kiefer

1990).

Persentase ketepatan hasil klasifikasi tersebut dapat dilihat dari nilai

User’s Accuracy, Producer’s Accuracy, Overall Accuracy dan Kappa Accuracy.

Kappa Accuracy merupakan suatu ukuran yang paling banyak digunakan karena

mempertimbangkan semua elemen dalam matriks kesalahan sehingga dinyatakan

dengan rumus :

(K) = ∑ − ∑− ∑ × 100%= × 100%

= × 100%= ∑ × 100%

32

dimana :

N = Jumlah semua piksel yang digunakan untuk pengamatan

R = Jumlah baris atau lajur pada matriks kesalahan (jumlah kelas)

Xii = Nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-i

X+i = Jumlah piksel dalam kolom ke-i

Xi+ = Jumlah piksel dalam baris ke-i

3.4.3 Ekstraksi Hutan mangrove

3.4.3.1 Klasifikasi Hutan Mangrove

Estimasi spesies kawasan mangrove dilakukan menggunakan metode

klasifikasi yang memiliki nilai overall accuracy paling tinggi. Kawasan mangrove

ini merupakan area yang didapat dari hasil penafsiran secara visual dan telah di

crop pada objek-objek lainnya untuk meningkatkan besarnya akurasi. Sehingga

dengan menerapkan sistem stratified classification dapat mengurangi terjadinya

kesalahan klasifikasi karena menghilangkan objek-objek lain.

a. Pembuatan Region of Interest

Pembuatan region of interest (ROI) pengelompokan piksel-piksel pada

setiap obyek mangrove dilakukan untuk mengambil informasi statistik kelas-kelas

tutupan lahan. Pengambilan informasi statistik pada citra TerraSAR-X dilakukan

dengan cara menentukan semua areal contoh tiap kelas mangrove secara manual.

b. Analisis Separabilitas

Analisis separabilitas adalah analisis kuantitatif yang menunjukkan

keterpisahan statistik antar kelas mangrove, apakah suatu kelas layak untuk

digabung atau tidak berdasarkan kriteria tingkat keterpisahan. Metode yang

digunakan untuk analisis ini adalah metode transformed divergence. Kriteria

tingkat keterpisahan dapat dilihat pada Tabel 6.

3.4.3.2 Analisis Akurasi Klasifikasi Hutan Mangrove

Hasil dari klasifikasi kelas-kelas mangrove kemudian dievaluasi ketepatan

hasil klasifikasinya. Salah satu cara untuk mengevaluasi ketepatan hasil klasifikasi

adalah dengan melakukan evaluasi akurasi yaitu dengan membuat matriks

kesalahan (error matrix) seperti yang telah dilakukan pada analisis akurasi

penutupan lahan. Matriks kesalahan adalah matriks bujur sangkar yang berfungsi

untuk melihat penyimpangan klasifikasi yaitu berupa kelebihan jumlah piksel dari

33

kelas yang lain atau kekurangan jumlah piksel pada masing-masing kelas.

Idealnya semua elemen yang bukan diagonal dalam matrik tersebut harus bernilai

nol yang artinya tidak ada penyimpangan dalam matriks (Lillesand and Kiefer

1990).

Persentase ketepatan hasil klasifikasi tersebut dapat dilihat dari nilai

User’s Accuracy, Producer’s Accuracy, Overall Accuracy dan Kappa Accuracy.

Kappa Accuracy merupakan suatu ukuran yang paling banyak digunakan karena

mempertimbangkan semua elemen dalam matriks kesalahan sehingga dinyatakan

dengan rumus :

(K) = ∑ − ∑− ∑ × 100%= × 100%

= × 100%= ∑ × 100%

dimana :

N = Jumlah semua piksel yang digunakan untuk pengamatan

R = Jumlah baris atau lajur pada matriks kesalahan (jumlah kelas)

Xii = Nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-i

X+i = Jumlah piksel dalam kolom ke-i

Xi+ = Jumlah piksel dalam baris ke-i

3.4.4 Pemeriksaan Lapangan (Ground Check)

Kegiatan pengecekan lapangan dilaksanakan untuk memperoleh informasi

mengenai keadaan atau kondisi lapangan secara nyata sebagai pelengkap

informasi dan pembanding bagi analisis selanjutnya. Pengecekan lapangan yang

dilakukan adalah dengan mengambil titik pada obyek-obyek yang telah ditentukan

pada identifikasi awal. Tujuannya untuk mencocokkan tutupan lahan yang telah

diidentifikasi di citra secara visual dengan keadaan sesungguhnya di lapangan.

Pengambilan titik untuk pengamatan lapangan diutamakan pada daerah yang

memiliki aksesibilitas yang baik, memiliki kenampakan yang berbeda dari

34

kenampakan umumnya dan mewakili contoh ketersebaran penutupan lahan pada

daerah tersebut. Selain itu, pengecekan lapangan yang berupa pengkelasan

spesies-spesies mangrove diperlukan pada proses ekstraksi hutan mangrove.

Pengecekan ini dilakukan untuk mengetahui seberapa banyak kelas mangrove di

lapangan berdasarkan spesies penyusunnya dan dibandingkan dengan tampilan

citra TerraSAR-X yang dapat mengkelaskan spesies mangrove tersebut.

35

3.4.5 Diagram Alir Penelitian

Gambar 12 Diagram alir metode penelitian.

Mulai

Metode KlasifikasiTerbaik

Pembuatan Tampilan CitraRGB (|VV|-|HH-VV|-|HH|)

EkstraksiCitra

TerraSAR-X

Pemotongan citra (cropping)

Klasifikasi Visual

Data lapangan(Ground Check)

Analisis Akurasi/AccuracyAssesment

Selesai

Row DataTerraSAR-X

Citra Quickbird(Google Earth)

Klasifikasi Digital1.Supervised Classification :

- Maximum likelihood- Mahalanobis distance- Minimum distance- Parallelepiped- Support Vector Machine (SVM)

2.Unsupervised Classification :- K-means

Subset Citra TerraSAR-X(|VV|-|HH-VV|-|HH|)

Peta Penutupan Lahan

Klasifikasi PenutupanLahan

Data lapangan(Ground Check)

KlasifikasiMangrove

Analisis Akurasi/AccuracyAssesment

Analisis Separabilitas

Kelas Penutupan Lahan :- Tambak- Rumput- Tanah Kosong- Sungai- Vegetasi Mangrove

Kelas Mangrove :- Avicennia sp.- Xylocarpus sp.dan Rhhizophora sp.- Hibiscus tiliaceus- Semak dan rerumputan

Citra Hasil Filter Terbaik

Reduksi Speckle :1. J.S. Lee Filter2. Frost Filter

Klasifikasi HutanMangrove