PEMETAAN HABITAT BENTIK MENGGUNAKAN...
Transcript of PEMETAAN HABITAT BENTIK MENGGUNAKAN...
PEMETAAN HABITAT BENTIK MENGGUNAKAN CITRA
PLANETSCOPE DI PULAU BENGKOANG TAMAN NASIONAL
KARIMUNJAWA KABUPATEN JEPARA
TUGAS AKHIR
Diajukan sebagai salah satu persyaratan
Untuk memperoleh gelar Ahli Madya
Program Studi Penginderaan Jauh dan Sistem Informasi Geografi
Diajukan Oleh:
Anji Auliya Irfanda
15/384588/SV/08945
Kepada :
Sekolah Vokasi Universitas Gadjah Mada
Yogyakarta
PROGRAM DIPLOMA
PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFI
SEKOLAH VOKASI
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2019
ii
iii
iv
KATA PENGANTAR
Segala puji dan syukur penulis panjatkan kepada Allah SWT yang telah
memberikan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan
laporan tugas akhir. Tugas Akhir yang diusulkan dengan judul “Pemetaan Habitat
Bentik Menggunakan Citra PlanetScope di Pulau Bengkoang, Taman Nasional
Karimunjawa, Kabupaten Jepara” merupakan salah satu persyaratan perkuliahan
dalam memperoleh gelar Ahli Madya.
Penulis menyadari bahwa dalam menyelesaikan penulisan laporan tugas
akhir ini tidak terlepas dari bimbingan, arahan dan bantuan serta motivasi dari
berbagai pihak. Oleh karena itu, melalui kesempatan ini penulis mengucapkan
terimakasih kepada:
1. Dr. Taufik Hery Purwanto, M.Sc. selaku Kepala Departemen Teknologi
Kebumian Sekolah Vokasi Universitas Gadjah Mada.
2. Dr. Pramaditya Wicaksono, M.Sc. selaku dosen pembimbing Tugas
Akhir, yang juga telah memberikan banyak kritik dan saran serta
pengaplikasian metode penelitian terkait pembuatan Tugas Akhir agar
lebih baik
3. Karen Slamet Hardjo, S.Si, M.Sc. selaku dosen penguji Tugas Akhir,
yang telah banyak memberikan kritik dan saran terkait pembuatan Tugas
Akhir ini agar lebih baik.
4. Orang tua saya, Bapak Suyono dan Ibu Umi Nurhayati yang selalu
memberikan dukungan baik materiil, moril dan semangat untuk
menyelesaikan Tugas Akhir ini.
5. Pihak pengelola Balai Taman Nasional Karimunjawa yang telah
memberikan ijin penelitian.
6. Diandra Agatha yang banyak membantu momotivasi penulis untuk
menyelesaikan tugas akhir.
7. Nicho Nursidiq dan Amin Ma’ruf yang telah banyak membantu selama
melakukan survei lapangan di Perairan Kemujan Taman Nasional
Karimunjawa
v
8. Wahyu Lazuardi yang telah banyak membantu terkait metode pengolahan
citra serta pengambilan sampel lapangan yang digunakan peneliti.
9. Danny Pradoko, Ifnu Saladin, Yossa Bimo, dan Febri Dwi Saputra yang
telah banyak membantu memotivasi penulis untuk menyelesaikan tugas
akhir.
10. Teman-teman sepenanggungan Selysa, Ulfa, Ririn, Alfian, Oddy, Rifqi,
Putra, Rio, Jihad, Bang Yanto, Qastari, Fahrudin, Cahyo, Krisna, Thariiq
yang senantiasa memberikan dukungan, kritik saran dan semangat.
11. Teman-teman PJSIG 2015 yang selalu membantu dan memberi motivasi
dan semangat.
12. Serta pihak-pihak yang telah mendukung dalam penyusunan tugas akhir
yang tidak bisa disebutkan satu per satu.
Penulis menyadari bahwa laporan ini belum sempurna dan berharap semoga
laporan ini bermanfaat bagi diri pribadi penulis dan juga bagi pembaca.
Yogyakarta, 25 Maret 2019
(Anji Auliya Irfanda)
vi
PEMETAAN HABITAT BENTIK MENGGUNAKAN CITRA PLANETSCOPE
DI PULAU BENGKOANG TAMAN NASIONAL KARIMUNJAWA
KABUPATEN JEPARA
Oleh
Anji Auliya Irfanda
15 / 384588 / SV / 08945
ABSTRAK
Citra satelit penginderaan jauh sering digunakan sebagai dasar untuk
melakukan berbagai jenis pemetaan, salah satunya adalah untuk pemetaan habitat
bentik. Citra Planetscope adalah citra yang masih baru dan belum banyak
digunakan untuk melakukan pemetaan, khususnya pemetaan habitat bentik.
Penelitian ini bertujuan untuk memetakan habitat bentik di perairan Pulau
Bengkoang kawasan Taman Nasional Karimunjawa. Data citra yang digunakan
adalah citra Planetscope dengan resolusi spasial 3 m.
Metode klasifikasi yang digunakan pada penelitian adalah metode
klasifikasi hybrid OBIA supervised yang merupakan integrasi pendekatan
berbasis objek dan berbasis piksel. Algoritma supervised yang digunakan adalah
Maximum Likelihood. Hasil penelitian ini menunjukan bahwa akurasi pemetaan
habitat bentik di perairan Pulau Bengkoang sebesar 62,96% dengan 4 kelas
habitat bentik yaitu pasir, lamun, makro alga, dan terumbu karang.
Kata Kunci : Citra Planetscope, Habitat Bentik, Hybrid OBIA Supervised, Pulau
Bengkoang, Taman Nasional Karimunjawa.
vii
MAPPING OF BENTHIC HABITATS USING PLANETSCOPE IMAGERY
IN BENGKOANG ISLAND, KARIMUNJAWA NATIONAL PARK, JEPARA
DISTRICT
Anji Auliya Irfanda
15 / 384588 / SV / 08945
ABSTRACT
Remote sensing satellite imagery is used as a basis for conducting various
mapping, one for mapping of benthic habitats. Planetscope imagery is a new
image that has not been widely used for mapping, especially mapping of benthic
habitats. This study aims to map benthic habitats in the waters of the Bengkoang
island in the Karimunjawa National Park area. The image data used is the
Planetscope image with a spatial resolution 3 m.
The classification method used in the study is the OBIA supervised hybrid
classification method which is an integration of object-based and pixel-based
approaches. The supervised algorithm used is Maximum Likelihood. The results
of this study indicate that the accuracy of benthic habitat mapping in the waters of
Bengkoang Island is 62.96% with 4 classes of benthic habitats namely sand,
seagrass, macro algae, and coral reefs.
Keywords: Image Planetscope, Benthic Habitat, Hybrid OBIA Supervised,
Bengkoang Island, Karimunjawa National Park.
viii
DAFTAR ISI
LEMBAR JUDUL ................................................................................................. ii
HALAMAN PENGESAHAN .............................................................................. iii
HALAMAN PENYATAAN BEBAS PLAGIASI ............................................. iv
KATA PENGANTAR ........................................................................................... v
ABSTRAK ............................................................................................................ vi
ABSTRACT .......................................................................................................... vii
DAFTAR ISI ....................................................................................................... viii
DAFTAR TABEL ................................................................................................ xi
DAFTAR GAMBAR ........................................................................................... xii
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang Penelitian ........................................................................ 1
1.2 Rumusan Masalah .................................................................................... 3
1.3 Tujuan Penelitian ...................................................................................... 3
1.4 Manfaat Penelitian .................................................................................... 3
1.5 Batasan Penelitian .................................................................................... 4
BAB II TINJAUAN PUSTAKA ........................................................................... 5
2.1 Perairan Laut ............................................................................................ 5
2.2 Habitat Bentik ........................................................................................... 6
2.2.1 Terumbu Karang .................................................................................. 8
2.2.2 Substrat Terbuka .................................................................................. 8
2.2.3 Lamun................................................................................................... 8
2.2.4 Makro Alga .......................................................................................... 8
2.3 Penginderaan Jauh ................................................................................... 9
2.4 Citra PlanetScope ................................................................................... 10
2.5 Klasifikasi Hybrid OBIA Supervised ...................................................... 12
2.5.1 Klasifikasi Berbasis Objek ................................................................ 12
2.5.2 Klasifikasi Multispektral Supervised (Maximum Likelihood) ............ 13
2.5 Penginderaan Jauh untuk Habitat Bentik ............................................... 14
2.7 Kerangka Pemikiran ............................................................................... 15
2.8 Penelitian Sebelumnya ........................................................................... 17
2.9 Batasan Ilmiah ........................................................................................ 20
ix
BAB III METODE PENELITIAN .................................................................... 21
3.1 Deskripsi Wilayah .................................................................................. 21
3.2 Alat dan Bahan Penelitian ...................................................................... 23
3.2.1 Alat ..................................................................................................... 23
3.2.2 Bahan .................................................................................................. 23
3.3 Tahap Pra Lapangan ............................................................................... 23
3.3.1 Koreksi Citra ...................................................................................... 23
3.3.1.1 Koreksi Sunglint ......................................................................... 24
3.3.1.2 Koreksi Kolom Air ..................................................................... 24
3.3.2 Masking Citra ..................................................................................... 25
3.3.3 Pembuatan Peta Survei Lapangan ...................................................... 25
3.4 Tahap Lapangan ..................................................................................... 26
3.4.1 Rencana Transek Lapangan ............................................................... 26
3.4.2 Pengambilan Data Lapangan .............................................................. 26
3.5 Tahap Pasca Lapangan ........................................................................... 23
3.5.1 Identifikasi Foto Sampel Lapangan.................................................... 27
3.5.2 Klasifikasi Citra.................................................................................. 28
3.5.2.1 Klasifikasi Berbasis Objek ......................................................... 28
3.5.2.2 Klasifikasi Supervised (Maximum Likelihood) .......................... 28
3.5.3 Uji Akurasi ......................................................................................... 29
3.5.4 Layouting Peta .................................................................................... 30
3.6 Diagram Alir Penelitian .......................................................................... 31
BAB IV HASIL DAN PEMBAHASAN ............................................................ 32
4.1 Pra Lapangan .......................................................................................... 32
4.1.1 Koreksi Sunglint ................................................................................. 32
4.1.2 Masking Wilayah Kajian .................................................................... 35
4.1.3 Koreksi Kolom Air ............................................................................. 36
4.1.4 Pembuatan Peta Survei Lapangan ...................................................... 40
4.2 Survei Lapangan ..................................................................................... 43
4.3 Pasca Lapangan ...................................................................................... 47
4.3.1 Identifikasi Sampel Habitat Bentik .................................................... 47
x
4.3.2 Klasifikasi Hybrid OBIA Supervised (Maximum Likelihood) ............ 48
4.3.3 Uji Akurasi ......................................................................................... 51
4.3.4 Luas dan Persentase Persebaran Habitat Bentik ............................... 52
BAB V KESIMPULAN DAN SARAN .............................................................. 54
5.1 Kesimpulan ............................................................................................. 54
5.2 Saran ....................................................................................................... 54
DAFTAR PUSTAKA .......................................................................................... 55
LAMPIRAN ......................................................................................................... 58
xi
DAFTAR TABEL
Tabel 2.1. Hirarki Skema Klasifikas Habitat Bentik .............................................. 7
Tabel 2.2. Spesifikasi Citra PlanetScope .............................................................. 12
Tabel 2.3. Penelitian Sebelumnya ......................................................................... 17
Tabel 3.1. Uji akurasi kelas Habitat Bentik .......................................................... 29
Tabel 4.1. Perbandingan Nilai Regresi Koreksi Sunglint ..................................... 33
Tabel 4.2. Perbandingan Nilai Regresi Kolom Air ............................................... 37
Tabel 4.3. Perbandingan Nilai Variansi ................................................................ 39
Tabel 4.4. Perbandingan Nilai Kovariansi dan Koefisien Atenuasi Kolom Air ... 39
Tabel 4.5. Rumus Algoritma Lyzenga................................................................... 39
Tabel 4.6. Sebagian Data Sampel Lapangan Kelas Habitat Bentik ...................... 48
Tabel 4.7. Uji Akurasi Kelas Habitat Bentik ........................................................ 52
Tabel 4.8. Luas dan Persentase Habitat Bentik Perairan Bengkoang ................... 53
xii
DAFTAR GAMBAR
Gambar 2.1. Diagram alir kerangka pemikiran penelitian .................................... 16
Gambar 3.1. Lokasi Penelitian .............................................................................. 22
Gambar 3.2. Rencana Transek Pengambilan Sampel ........................................... 26
Gambar 3.3. Sketsa Pengambilan Sampel Menggunakan Foto Transek .............. 27
Gambar 3.4. Diagram Alir Penelitian ................................................................... 31
Gambar 4.1. Tampilan Sampel Training Area Sunglint ....................................... 32
Gambar 4.2. Scatter Plot Perbandingan Nilai Piksel Saluran Koreksi Sunglint ... 33
Gambar 4.3. Tampilan Citra Hasil Masking ......................................................... 36
Gambar 4.4. Tampilan Training Area Objek Pasir pada Kedalaman Berbeda ..... 37
Gambar 4.5. Scatter Plot Perbandingan Nilai Regresi Kolom Air ....................... 37
Gambar 4.6. Tampilan Citra Sebelum dan Sesudah Terkoreksi Kolom Air ......... 40
Gambar 4.7. Hasil Klasifikasi Unsupervised Isodata pada Software ENVI ......... 41
Gambar 4.8. Peta Rencana Survei Lapangan Perairan Pulau Bengkoang ............ 42
Gambar 4.9. Foto Kegiatan Lapangan .................................................................. 44
Gambar 4.10. Foto Sampel Lapangan ................................................................... 44
Gambar 4.11. Peta Jalur Transek Habitat Bentik Perairan Pulau Bengkoang ..... 46
Gambar 4.12. Proses Sinkronisasi Data Foto dengan Data Tracking GPS ........... 47
Gambar 4.13. Data Sampel Lapangan dengan Atribut Kelas Habitat Bentik ....... 48
Gambar 4.14. Klasifikasi Supervised Maximum Likelihood ................................. 50
Gambar 4.15. Hasil Segmentasi Citra dengan Software IDRISI .......................... 51
Gambar 4.16. Peta Habitat Bentik Klasifikasi Hybrid OBIA Supervised ............. 53
1
BAB I
PENDAHULUAN
1.1 Latar Belakang Penelitian
Indonesia merupakan negara kepulauan terbesar di dunia dengan 17.499
pulau dari Sabang sampai Merauke, Luas total wilayah Indonesia adalah 7,81 juta
km2
yang terdiri dari 2,01 juta km2 daratan, 3,25 juta km
2 lautan, dan 2,55 juta
km2 Zona Ekonomi Eksklusif (ZEE) (Kementrian Kelautan dan Perikanan, 2015).
Hal ini menyebabkan luas wilayah perairan Indonesia mencapai sekitar 62% dari
luas teritorialnya, serta memiliki potensi dan keanekaragaman jenis hayati yang
sangat besar, sehingga merupakan wilayah produktif (Supriharyono, 2000).
Secara ekologis, habitat bentik memiliki pengaruh yang sangat penting dalam
sebuah ekosistem laut. Habitat bentik merupakan sebuah tempat tinggal dan juga
tempat berlindung bagi beberapa jenis spesies laut yang berada di perairan laut
dangkal dan habitat bentik juga memiliki fungsi lain sebagai penangkap sedimen,
pendaur zat hara, serta pelindung bagi ekosistem laut.
Menurut Peraturan Menteri KKP No.23 Tahun 2016 bahwa Pengelolaan
Wilayah Pesisir dan Pulau-pulau Kecil adalah suatu pengkordinasian perencanaan,
pemanfaatan, pengawasan, dan pengendalian sumber daya pesisir dan pulau-pulau
kecil yang dilakukan oleh Pemerintah dan Pemerintah Daerah, antarsektor, antara
ekosistem darat dan laut, serta antara ilmu pengetahuan dan manajemen untuk
meningkatkan kesejahteraan rakyat. UU No. 1 Tahun 2014 menjelaskan bahwa
wilayah pesisir dan pulau-pulau kecil memiliki keanekaragaman sumber daya
alam yang tinggi, dan sangat penting bagi pengembangan sosial, ekonomi,
budaya, lingkungan, dan penyangga kedaulatan bangsa. Berdasarkan undang-
undang tersebut keanekaragaman sumber daya hayati perlu dikelola secara
berkelanjutan untuk menunjang dalam perencanaan pengelolaan sumber daya
alam.
Informasi data spasial mengenai sumber daya hayati di Kepulauan
Karimunjawa dirasa masih kurang karena dilihat dari fungsi Kepulauan
2
Karimunjawa yang diperuntukan sebagai Balai Taman Nasional, yang memiliki
fungsi lindung untuk keanekaragaman hayati wilayah pesisir Indonesia.
Sumberdaya hayati menurut UU No.1 tahun 2014 berupa ikan, padang lamun,
terumbu karang, mangrove, dan biota laut lain. Sumberdaya nonhayati berupa air
laut, mineral dasar laut, dan pasir. Sehingga perlu adanya inventarisasi pemetaan
secara real-time dan berkelanjutan dengan tujuan pengawasan serta agar
mendapatkan gambaran secara utuh mengenai kondisi sumber daya alam hayati
wilayah pesisir di pulau yang akan dikaji serta dapat dijadikan sebagai informasi
dasar dalam melakukan perencanaan dan pengembangan suatu kawasan sehingga
pemanfaatan dapat dilakukan secara maksimal dan optimal.
Pemetaan membutuhkan teknologi yang mampu memberikan informasi
tentang habitat bentik secara efektif dan efisien serta akurat secara menyeluruh.
Penginderaan jauh merupakan teknologi yang mampu menjawab tantangan
tersebut (LIPI, 2014). Perkembangan teknologi dalam pemanfaatan dan
pengelolaan sumber daya alam menggunakan data penginderaan jauh dan sistem
informasi geografi merupakan salah satu langkah yang sangat tepat dalam
penyediaan informasi untuk mengetahui informasi mengenai habitat bentik di
Kepulauan Karimunjawa, khususnya dalam bidang penginderaan jauh dengan
memanfaatkan kualitas citra atau resolusi yang lebih baik. Pemanfaatan kualitas
citra pada saat ini dapat digunakan untuk inventarisasi dan monitoring suatu objek
di lapangan dengan tingkat keakuratan yang tinggi. Citra satelit sendiri banyak
dimanfaatkan karena mampu menggambarkan berbagai jenis objek permukaan
bumi secara spesifik dan efisien. Pemanfaatan data penginderaan jauh sudah
banyak digunakan untuk pemantauan aktifitas lingkungan, khususnya daerah
perairan pesisir dan laut dangkal, dengan demikian penginderaan jauh telah
memberikan kontribusi yang cukup signifikan dalam proses pemahaman kondisi
wilayah pesisir. Dalam penelitian ini akan dilakukan pemetaan habitat bentik
yang berada di Pulau Bengkoang Kepulauan Karimunjawa.
Pemanfaatan citra satelit dalam pemetaan habitat bentik di perairan Indonesia
dinilai berguna, dengan mengingat sulitnya memetakan habitat bentik jika
3
dilakukan secara konvensional karena akan membutuhkan banyak tenaga, waktu
dan biaya yang besar (Bima, 2015). Lokasi pemetaan yang dipilih adalah Pulau
Bengkoang, yang merupakan salah satu bagian dari Kepulauan Karimunjawa.
Pemetaan dilakukan di Pulau Bengkoang karena masih kurangnya pengelolaan
sumber daya alam di pulau ini, sehingga masih sedikit informasi mengenai
sebaran habitat bentik. Pulau Bengkoang dengan luas 105 Ha di perlukan
pemetaan habitat bentik secara detail, maka dibutuhkan citra dengan resolusi
spasial yang tinggi agar menghasilkan kenampakan objek habitat bentik yang jelas
sehingga memiliki akurasi yang cukup tinggi.
Pemetaan habitat bentik skala besar memerlukan citra dengan resolusi spasial
yang tinggi. Salah satunya adalah citra PlanetScope yang memiliki resolusi spasial
sebesar 3 m. Citra ini dalam melakukan perekaman menggunakan empat band
yang terdiri dari band 1 (blue), band 2 (green), band 3 (red), band 4 (near
infrared). Dengan resolusi spasial tersebut, citra PlanetScope diharapkan mampu
mengidentifikasi objek habitat bentik secara detail.
1.2 Rumusan Masalah
Pulau Bengkoang merupakan salah satu Pulau yang berada di Taman
Nasional Karimunjawa yang memiliki banyak sumber daya alam hayati
diantaranya habitat bentik yang terdiri dari pasir, lamun, makro alga, dan terumbu
karang. Namun, masih sedikit pemetaan mengenai habitat bentik, sehingga perlu
dilakukan pemetaan habitat bentik menggunakan citra PlanetScope.
1.3 Tujuan Penelitian
Memetakan habitat bentik di Pulau Bengkoang Kawasan Taman Nasional
Karimunjawa dengan menggunakan citra PlanetScope.
1.4 Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu dalam pengelolaan kawasan
Taman Nasional di Karimunjawa sehingga dapat merencanakan dan
mengembangkan serta mengatur strategi dalam pengelolaan kawasan habitat
4
bentik kedepannya agar lebih efisien dan dapat menambah informasi mengenai
habitat bentik di Pulau Bengkoang Taman Nasional Karimunjawa dan Indonesia.
1.5 Batasan Penelitian
1. Data pemginderaan jauh yang digunakan penelitian ini adalah citra
PlanetScope SR
2. Ruang lingkup penelitian ini adalah fokus pada habitat bentik di
Pulau Bengkoang Kepulauan Karimunjawa Kabupaten Jepara.
5
BAB II
TINJAUAN PUSTAKA
2.1 Perairan Laut
Perairan laut merupakan salah satu unsur yang memiliki banyak manfaat
bagi kehidupan manusia, hal ini lantaran didalam laut terdapat kekayaan yang bisa
dimaksimalkan dalam kehidupan. Menurut Adisasmita (2006), wilayah pesisir
dibedakan menjadi 4 zona/wilayah antara lain sebagai berikut.
1. Zona Lithoral
Zona lithoral adalah wilayah pantai atau pesisir atau shore. Zona
lithoral merupakan perbatasan atau pertemuan antara batas daratan dengan
batas laut yang mana terdapat pasang tertinggi dan pasang terendah.
Banyak potensi yang terdapat pada zona ini, seperti vegetasi ganggang
yang hidup sebagai bentos, teripang, binatang laut, udang, kepiting, cacing
laut, dan tanaman bakau atau mangrove.
Zona lithoral dipengaruhi oleh siklus harian pasang surut laut.
Organisme yang hidup di pantai memiliki adaptasi struktural sehingga
dapat melekat erat di substrat keras. Daerah paling atas pantai hanya
terendam saat pasang naik tinggi. Daerah ini dihuni oleh beberapa jenis
ganggang, moluska, dan remis yang menjadi konsumsi bagi kepiting dan
burung pantai. Daerah tengah pantai terendam saat pasang tinggi dan
pasang rendah. Daerah ini dihuni oleh ganggang, porifera, anemon laut,
remis dan kerang, siput herbivora dan karnivora, kepiting, landak laut,
bintang laut, dan ikan-ikan kecil. Daerah pantai terdalam terendam saat air
pasang maupun surut. Daerah ini dihuni oleh beragam invertebrata dan
ikan serta rumput laut.
2. Zona Meritic
Zona Meritic (wilayah laut dangkal), yaitu dari batas wilayah pasang
surut hingga kedalaman 150 m. Pada zona ini masih dapat ditembus oleh
sinar matahari sehingga wilayah ini paling banyak terdapat berbagai jenis
kehidupan baik hewan maupun tumbuhan-tumbuhan, contoh laut Jawa,
6
Laut Natuna, Selat Malaka dan laut-laut disekitar kepulauan Riau.
(Adisasmita, 2006).
3. Zona Bathyal
Zona Bathyal (wilayah laut dalam), adalah wilayah laut yang memiliki
kedalaman antara 150 hingga 1800 m. Zona ini memiliki kedalaman 200-
2500 meter dengan kondisi yang tidak lebih baik bagi kehidupan vegetasi
laut seperti di zona meritik. Zona ini kurang mendapat cahaya matahari
sampai ke dasar laut seperti di Zona meritik. Sehingga kehidupan vegetasi
laut jarang. Kehidupan laut di zona bathyal ini banyak dihuni oleh ikan –
ikan dengan ukuran yang cukup besar yang memiliki daya jelajah yang
luas seperti ikan hiu, paus, lumba – lumba, ikan marlin, dan ikan – ikan
lain. (Adisasmita, 2006).
4. Zona Abysal
Zona Abysal (wilayah laut sangat dalam), yaitu wilayah laut yang
memiliki kedalaman lebih dari 1800 m. Di wilayah ini suhunya sangat
dingin dan tidak ada tumbuh-tumbuhan, jenis hewan yang hidup di
wilayah ini sangat terbatas. Zona ini memiliki kedalaman rata – rata lebih
dari 1800 meter dimana kehidupan vegetasi laut sulit ditemukan di zona
ini. Hal ini karena tidak terdapatnya produsen makanan sehingga sulit bagi
ikan – ikan dan hewan laut lainnya untuk bertahan hidup. Zona ini sendiri
tidak terjangkau oleh cahaya matahari, sehingga memiliki kondisi yang
gelap dan dingin. Sama halnya dengan zona bathial daerah ini juga rawan
terjadinya gempa vulkanik dan tektonik yang berdampak pada terjadinya
tsunami (Adisasmita, 2006).
2.2 Habitat Bentik
Menurut FGDC (2010), laut dangkal optis merupakan perairan yang
memiliki kedalaman kurang dari 30 m. Laut dangkal optis merupakan perairan
yang mampu di tembus oleh sinar matahari hingga kedasar perairan tersebut.
Perairan laut dangkal dapat memiliki beberapa ekosistem habitat bentik yang
dikelaskan berdasarkan variasinya. Habitat bentik adalah ekosistem yang
7
terbentuk di bawah permukaan air baik air danau maupun laut. Habitat bentik
terdiri atas struktur sedimen dasar perairan, mikrodinamika kolom air dan cahaya
matahari yang menembus dari permukaan air (Green, et al., 1995 dalam Putra,
2014).
Menurut Wicaksono (2014), variasi klasifikasi habitat bentik di laut dangkal
secara garis besar dapat dikelompokkan ke dalam empat ekosistem dasar, yaitu
makroalga, substrat terbuka, terumbu karang, dan lamun. Tabel 2.1 menampilkan
tiga level skema klasifikasi kelas habitat bentik berdasarkan empat ekosistem
dasar .
Tabel 2.1. Hirarki skema klasifikasi habitat bentik.
Level 1 Level 2 Level 3
Makro alga
Alga terumbu karang Alga terumbukarang
Alga pasir Alga pasir
Alga rubble
Alga lamun Alga lamun
Makro alga Makro alga
Substrat terbuka
Pasir alga Pasir alga
Pasir terumbu karang Pasir terumbu karang
Pasir rubble
Pasir rubble
Rubble alga
Rubble
Pasir
Pasir lamun Pasir lamun
Terumbu karang
Terumbu karang pasir Terumbu karang rubble
Terumbu karang pasir
Terumbu karang Terumbu karang
Terumbu karang alga Terumbu karang alga
Lamun Lamun alga Lamun alga
Lamun pasir Lamun pasir
Sumber: Wicaksono (2014).
8
2.2.1 Terumbu karang
Terumbu karang dapat dikatakan sebagai hutan tropis ekosistem laut.
Ekosistem ini terdapat di laut dangkal dengan kedalaman kurang lebih 50 m
Ekosistem terumbu karang merupakan ekosistem yang sangat penting dan
memiliki keanekaragaman hayati yang sangat tinggi. Biasanya terumbu karang
hidup di perairan tropis dengan temperatur 21-30o
C. Menurut Zitello (2000),
terumbu karang dapat dibedakan berdasarkan lokasi komunitas bentik dan tidak
didasarkan pada tipe penutup komponen biologi.
2.2.2 Substrat terbuka
Substrat terbuka pada skema klasifikasi level satu terdiri dari pasir dan rubble
(pecahan terumbu karang). Pasir yang tergolong dalam klasifikasi ini adalah pasir
yang terendam oleh air laut yang terdapat pada perairan laut dangkal optis. Pasir
yang terendam adalah pasir yang tampak dan perairan laut dapat ditembus oleh
sinar matahari.
2.2.3 Lamun
Lamun merupakan satu-satunya kelompok tumbuh-tumbuhan berbunga yang
terdapat di perairan laut, seperti halnya rumput di darat, lamun memiliki tunas
berdaun yang tegak. Ciri utama dari tumbuhan lamun menurut Endrawati, et al.
(2000) adalah.
1) Memiliki toleransi yang tinggi terhadap kadar garam lingkugan;
2) Tumbuh pada perairan yang selamanya terendam;
3) Mampu bertahan dan mengakar pada lahan dari hempasan ombak dan
arus;
4) Menghasilkan benang sari yang tahan terhadap kondisi perairan.
2.2.4 Makro Alga
Menurut Kuncoro (2004), alga adalah golongan tumbuhan yang hidup baik di
air laut maupun air tawar, yang hidup menempel pada substrat tertentu, seperti
pasir, karang atau keduanya. Secara garis besar alga dapat digolongkan menjadi
mikroalga dan makroalga. Alga yang banyak hidup di air laut adalah jenis makro
alga. Makro alga yang tumbuh diperairan Indonesia meliputi 27 genus, yang
9
terbagi menjadi tiga kelas, yaitu Chyloropyceae, Phaeophyceae, dan
Rhodophyceae. Bentuk tanaman tersebut masing-masing berbeda pada susunan
kerangka antara akar, batang dan daun. Makro alga mampu tumbuh di seluruh
pantai hingga batas kedalaman 200 m. temperatur yang baik untuk pertumbuhan
makro alga adalah antara 27-300C di perairan laut tropis.
2.3 Penginderaan Jauh
Penginderaan Jauh (remote sensing) adalah seni dan ilmu untuk
mendapatkan informasi tentang objek, area atau fenomena melalui
analisa terhadap data yang diperoleh dengan menggunakan alat tanpa kontak
langsung dengan objek, daerah ataupun fenomena yang dikaji (Lillesand dan
Kiefer, 1990). Alat yang dimaksud dalam pengertian diatas adalah alat
penginderan atau sensor. Data penginderaan jauh diperoleh dari hasil perekaman
suatu wahana satelit, pesawat udara, balon udara maupun wahana lainnya.
Dari pendapat beberapa ahli di atas dapat disimpulkan bahwa penginderaan
jauh terdiri atas tiga komponen utama yaitu objek yang diindera, sensor
untuk merekam objek, dan gelombang elektronik yang dipantulkan atau
dipancarkan oleh permukaan bumi. Interaksi dari ketiga komponen ini
menghasilkan data penginderaan jauh yang selanjutnya melalui proses
interpretasi dapat diketahui jenis objek area ataupun fenomena yang ada.
Penginderaan Jauh memiliki komponen – komponen seperti:
a. Sumber tenaga
Terdiri atas tenaga alamiah (sinar matahari) dan tenaga buatan (berupa
gelombang mikro).
b. Atmosfer
Atmosfer adalah lapisan udara yang terdiri atas berbagai jenis gas, antara
lain; karbondioksida,nitrogen dan oksigen. Oleh karena itu di dalam
penginderaan jauh terdapat istilah jendela atmosfer yaitu bagian spektrum
gelombang elektromagnetik yang dapat mencapai bumi.
c. Interaksi antara tenaga dan objek dapat terlihat pada rona yang dihasilkan.
d. Sensor dan wahana.
10
Sensor merupakan alat pemantau yang dipasang pada wahana. Sensor dapat
dibedakan menjadi dua.
- Sensor fotografik merekam objek melalui proses kimiawi yang dapat
dipasang pada pesawat udara maupun satelit.
- Sensor elektronik merupakan sensor yang bekerja secara elektrik dalam
bentuk sinyal, direkam pada pita magnetik selanjutnya dapat diproses
menjadi data visual atau digital dengan menggunakan komputer.
e. Wahana adalah kendaraan yang digunakan untuk membawa sensor yang
berguna untuk mendapatkan data penginderaan jauh. Wahana dapat
dibedakan menjadi tiga kelompok.
1) Pesawat terbang rendah sampai menengah (low to medium
altitude aircraft) yaitu ketinggian peredaran antara pesawat 1000 –
9.000 m diatas permukaan bumi
2) Pesawat terbang tinggi (high altitude aircraft), ketinggian
peredaran pesawat lebih dari 18.000 m diatas permukaan bumi
3) Satelit ketinggian peredaran satelit antara 400 – 900 km diatas
permukaan bumi.
f. Perolehan data
Secara manual diperoleh melalui interpretasi citra. Secara numerik diperoleh
dengan menggunakan komputer.
g. Pengguna data
Data penginderaan jauh sangat bermanfaat untuk memperoleh data spasial
yang dapat digunakan dalam berbagai bidang.
h. Citra penginderaan jauh adalah gambaran suatu objek sebagai hasil rekaman
dari sebuah sensor, baik dengan cara optik, maupun elektronik.
2.3 Citra PlanetScope
Tingkat ketelitian informasi geometrik citra dibedakan berdasarkan resolusi
spasial rendah, resolusi spasial sedang/menengah, dan resolusi spasial tinggi. Citra
dengan resolusi tinggi mampu menampilkan kenampakan objek permukaan bumi
yang detil sehingga menyerupai bentuk dan ukuran aslinya, dan salah satunya
11
adalah citra PlanetScope. PlanetScope yang dikembangkan oleh Planet Labs Inc,
yang didirikan oleh tim mantan NASA Robbie Schingler, Will Marshall, dan
Chris Boshuizen di Mountain View, California. Planet Labs Inc yang sejak 12
juni 2016 telah berganti nama menjadi Planet ini meluncurkan 6 Skysat dan empat
Flocks 3 m yang termasuk PlanetScope didalamnya memiliki tujuan untuk
melakukan perekaman seluruh bumi pada setiap hari dalam resolusi tinggi. Citra
ini memiliki resolusi spasial 3 m dan mampu merekam 150 juta km2/hari. Citra
resolusi tinggi ini memiliki 4 band terdiri dari band 1 (blue), band 2 (green), band
3 (red), band 4 (near infrared). Spesifikasi lebih rinci dapat dilihat pada Tabel 2.2
sebagai berikut.
Tabel 2.2. Spesifikasi citra PlanetScope.
Missions
Characteristics
International Space Station
Orbit Sun-synchronous Orbit
Orbit altitude
(Reference) 400 km (51,6
o Inclination) 475 km (~ 98
o inclination)
Max/Min Latitude
Coverage ± 52
o (depending on season) ± 81,5
o (depending on season)
Equator Crossing Time Variable 9.30-11.30 (Local Solar Time)
Spectral Bands
Blue Green Red NIR
455–515 nm 500–590 nm 590-670 nm 780-860 nm
Sensor Type Three-band frame imager or four-band frame imager with a
split-frame NIR filter
Ground Sample
Distance (nadir) 3,0 m ( approximate )
3,5 – 4,0 m (depending on
flock)
Frame Size 20 x 12 km ( approximate )
24,6 x 16,4 km
(approximate)
12
Missions
Characteristics
International Space Station
Orbit Sun-synchronous Orbit
Maximum Image Strip
per Orbit 8.100 km
2 20.000 km
2
Revisit Time Variable Daily at nadir (early 2017)
Image Capture
Capacity Variable 340 million km
2 /day
Camera Dynamic
Range 12 – bit 12 – bit
Sumber: www.planet.com/docs/spec-sheets/sat-imagery/ (diakses 6 Juli 2018
pukul 16.34 WIB.
2.5 Klasifikasi Hybrid OBIA-Supervised
Klasifikasi hybrid adalah metode pengolahan citra untuk mengelompokan
suatu objek berdasarkan karakteristik tertentu yang terbentuk dari dua klasifikasi
yang berbeda, yaitu pendekatan objek dan piksel. Metode hybrid OBIA-
supervised dapat digunakan dalam aplikasi berbagai tema dan mampu menjadi
acuan ilmiah untuk analisis integrasi data penginderaan jauh secara kuantitatif
(Ma et al., 2017). Penelitian ini menggunakan metode hybrid OBIA-supervised
karena mampu mengintegrasikan pendekatan objek dan piksel, sehingga
kemampuan tersebut memungkinkan untuk melakukan penilaian kualitas sebuah
klasifikasi secara kuantitatif (Lazuardi, 2018).
2.5.1 Klasifikasi Berbasis Objek (OBIA)
OBIA adalah sebuah metode klasifikasi citra berbasis objek yang
berdasarkan aspek bentuk, tekstur, dan hubungan antar objek (Mafanya et al.,
2017 dalam Lazuardi, 2018). Klasifikasi berbasis objek memiliki keunggulan pada
pemisahan antar objek yang sangat akurat dan presisi. Selain itu klasifikasi ini
melakukan klasifikasi berdasarkan segmentasi objek, bukan hanya berdasarkan
13
piksel tetapi juga aspek spasialnya, klasifikasi digital ini juga memiliki kelebihan
dalam efisiensi waktu pengerjaan. Penelitian ini tidak menggunakan OBIA karena
proses OBIA dalam melakukan klasifikasi data penginderaan jauh sangat
dipengaruhi oleh rule yang dibangun. Sedangkan kesalahan atau kebenaran rule
yang dibangun sulit untuk diketahui secara pasti, sehingga dalam membangun
rule membutuhkan pengetahuan dan pengalaman yang baik. Maka dari itu,
pembuatan rule sangat dipengaruhi oleh jumlah kelas yang akan digunakan. Jika
jumlah kelas sangat banyak, maka rule yang dibangun harus memakan waktu
yang sangat lama, karena membutuhkan percobaan berulang untuk memperoleh
rule yang baik untuk setiap kelasnya.
2.5.2 Klasifikasi Multispektral Supervised (Maximum Likelihood)
Klasifikasi supervised adalah proses pengkelasan objek yang terekam
pada citra satelit penginderaan jauh dengan didasari pada sampel yang
dimasukkan oleh operator seperti melakukan klasifikasi manual, namun dalam
hal ini dapat terjadi perbedaan persepsi terhadap sampel antara analis dan
komputer. Operator menginterpretasi citra yang tampak pada layar monitor
komputer sebagai objek yang menempati ruang misalnya pasir, lamun, dan
terumbu karang, namun komputer hanya akan mengenali sebagai kumpulan
piksel dengan nilai di tiap pikselnya yang kemudian dilakukan komputasi
statistik terhadap sampel yang telah diberikan oleh operator. Penelitian ini
menggunakan klasifikasi supervised maximum likelihood. Menurut Danoedoro
(2012), klasifikasi multispektral maximum likelihood adalah algoritma
klasifikasi yang paling bagus. Hal ini dikarenakan algoritma ini mengkelaskan
piksel sebagai suatu objek menggunakan dasar perhitungan probabilitas, bukan
berdasarkan pengukuran jarak seperti pada algoritma lainnya. Shresta (1991)
dalam Danoedoro (2012) menerangkan pada algortima ini, piksel yang
dikelaskan sebagai objek spesifik bukan karena jarak, melainkan berdasarkan
bentuk, ukuran, dan orientasi sampel pada feature space. Algortitma maximum
likelihood diasumsikan bahwa semua objek memiliki kemungkinan yang sama
tetapi pada kenyataannya tidak semua kelas diperlakukan sama yang mana
14
setiap kelas memiliki faktor pembobot masing-masing yang akan ditampilkan
pada citra (Curran, 1985 dalam Danoedoro, 2012).
2.6 Penginderaan Jauh untuk Habitat Bentik
Pentingnya sumber daya alam wilayah pesisir akan berdampak pula pada
pentingnya inventarisasi pemetaan secara real-time dan berkelanjutan guna
melakukan monitoring terhadap objek kajian. Peran penginderaan jauh akan
sangat membantu dalam hal tersebut, mengingat bahwa kajian ilmu dan terapan
penginderaan jauh mampu mengakomodir berbagai jenis fenomena dipermukaan
bumi tanpa harus melakukan survei lapangan. Apabila kegiatan monitoring
kekayaan bahari Indonesia dilakukan dengan survei lapangan secara real-time
maka akan dibutuhkan biaya yang sangat tinggi mengingat bahwa Indonesia
memiliki kekayaan bahari yang sangat luas di samping wilayah keseluruhannya
yang luas. Solusi terbaik dalam menjawab kebutuhan monitoring kekayaan bahari
tersebut adalah penggunaan data Penginderaan Jauh multispektral (Green et al.
2000).
Salah satu kegunaan penginderaan jauh untuk aplikasi pesisir dan kelautan
adalah melakukan pemetaan kondisi tutupan dasar perairan. Kondisi tutupan dasar
yang dipetakan oleh data penginderaan jauh adalah kedalaman dasar perairan
yang masih dapat dipenetrasi oleh panjang gelombang penginderaan jauh. Pada
kondisi perairan yang jernih seperti perairan Karimunjawa, panjang gelombang
penginderaan jauh saluran biru, mampu melakukan penetrasi kedalaman hingga
25 m (Jupp, 1998). Akan tetapi kemampuan penetrasi akan semakin berkurang
pada perairan yang semakin keruh (Wicaksono, 2010). Data penginderaan jauh
yang digunakan adalah PlanetScope yang memiliki resolusi tinggi yaitu 3 m. citra
tersebut juga memiliki resolusi temporal yang waktu perekaman dilakukan setiap
hari.
Kepulauan Karimunjawa sebagai salah satu objek wisata bahari di
Indonesia yang terkenal hingga mancanegara menyajikan berbagai objek wisata
bahari yang beragam, mulai dari ekosistem terumbu karang yang juga merupakan
habitat ikan-ikan karang dan invertebrata, ekosistem padang lamun, ekosistem
15
hutan mangrove, ekosistem hutan pantai, serta makro alga (Karimunjawa Escort,
2005). Turis-turis baik dari lokal maupun mancanegara yang semakin bertambah
tiap tahunnya membuat kekayaan bahari Taman Nasional Karimunjawa perlu
untuk dimonitor karena kekayaan tersebut merupakan potensi utama wilayah
pesisir dan pulau-pulau kecil di Taman Nasional Karimunjawa. Salah satunya
adalah Pulau Bengkoang yang merupakan bagian dari Taman Nasional
Karimunjawa. Pulau yang memiliki luas sebesar 105 Ha ini masih sedikit
memiliki informasi mengenai sumber daya alam pesisirnya khususnya habitat
bentik.
2.7 Kerangka Pemikiran
Penelitian ini bertujuan untuk pemetaan habitat bentik di Kepulauan
Karimunjawa yang tepatnya pada Pulau Bengkoang. Pemetaan habitat dilakukan
karena Indonesia memiliki kekayaan sumber daya bahari yang melimpah dan
masih kurangnya informasi spasial mengenai sumber daya alamnya khususnya
habitat bentik. Salah satu wilayah Indonesia yang memiliki potensi untuk
dikembangkan sumber daya baharinya adalah Kepulauan Karimunjawa,
khususnya Pulau Bengkoang. Salah satu cara yang dapat diterapkan untuk
mengembangkan sumber daya alam Indonesia yang dilakukan adalah melakukan
pemetaan. Pemetaan yang digunakan sebagai informasi dasar untuk melakukan
perencanaan dan pengembangan sumber daya alam wilayah pesisir.
Penginderaan Jauh dapat memudahkan dalam melakukan penelitian ini,
mengingat bahwa kajian ilmu dan terapan penginderaan jauh mampu
mengakomodir pengamatan berbagai jenis fenomena dipermukaan bumi.
Pemetaan dengan menggunakan metode klasifikasi berbasis objek dengan
memanfaatkan data penginderaan jauh citra PlanetScope dengan resolusi sebesar
3 m yang dirasa cukup untuk mengambil informasi terkait habitat bentik secara
real-time dan detil. Secara sederhana kerangka pemikiran digambarkan pada
Gambar 2.1 sebagai berikut.
16
Gambar 2.1. Diagram alir kerangka pemikiran penelitian.
Pemetaan Habitat Bentik menggunakan
citra PlanetScope (Surface Reflectance)
Penentuan Jumlah Kelas Habitat
Bentik
Peta Habitat Bentik Pulau
Bengkoang
Klasifikasi Hybrid OBIA
Supervised (Maximum Likelihood)
Survei Lapangan
Uji Akurasi
17
2.8 Penelitian Sebelumnya
Tabel 2.3 Penelitian sebelumnya yang terkait dengan pemetaan habitat bentik.
Peneliti dan Judul
Penelitian Tujuan Penelitian Metode Penelitian Hasil Penelitian
Dwianasari (2016)
Kajian Koreksi Kolom Air
untuk Pemetaan Habitat
Bentik Melalui Citra
Penginderaan Jauh Resolusi
Spasial Tinggi di Sebagian
PerairanTaman Nasional
Karimunjawa, Kabupaten
Jepara.
- Memetakan Habitat
Bentik di perairan
Karimunjawa.
- Membandingan
akurasi pemetaan
dengan dan tanpa
koreksi kolom air
- Mengkaji faktor
yang berpengaruh
terhadap koefisien
kolom air.
- Interpretasi citra dengan
algoritma Lyzenga
- Pengambilan sampel
lapangan menggunakan
metode transek garis
- Hasil klasifikasi citra terkoreksi kolom air luas
wilayah alga lebih luas dibandingkan dengan alga
yang terdapat pada hasil akurasi citra tanpa koreksi
kolom
- Hasil uji akurasi dari klasifikasi citra tanpa koreksi
kolom air kelas major menunjukan akurasi sebesar
76,53% dan kelas detail sebesar 58,16%, sedangkan
hasil klasifikasi dengan koreksi kolom air kelas
detail menunjukan akurasi sebesar 73,46% dan
kelas detail sebesar 53,06%. Akurasi antara citra
sebelum dan sesudah koreksi terdapat perbedaan
sebesar 3,07% pada kelas major, sedangkan pada
kelas detail 5,1%.
- Faktor yang berpengaruh terhadap nilai koefisien
kolom air adalah lokasi pengambilan titik sampel
dan banyaknya jumlah sampel tetapi kedua faktor
tersebut tidak berpengaruh pada hasil klasifikasi
citra serta uji akurasi citra.
18
Peneliti dan Judul
Penelitian Tujuan Penelitian Metode Penelitian Hasil Penelitian
Adhimah (2016)
Perbandingan Klasifikasi
Berbasis Piksel dan
Klasifikasi Berbasis Objek
pada Citra Satelit Pleiades-
1A untuk Pemetaan Habitat
Bentik di Pulau Kemujan
Kepulauan Karimunjawa
- Membandingkan
akurasi pemetaan
dengan
menggunakan
klasifikasi berbasis
piksel dan klasifikasi
berbasis objek .
- Klasifikasi berbasis objek
dan Klasifikasi berbasis
piksel.
- Hasil klasifikasi berbasis piksel dan berbasis objek
(OBIA) pada citra Pléiades-1A menghasilkan overall
accuracy masing-masing sebesar 71,52% dan 86,89%.
Hasil uji akurasi pada skema klasifikasi 7 kelas habitat
bentik dengan menggunakan klasifikasi OBIA
memberikan hasil yang baik dengan adanya
peningkatan akurasi sebesar 15,37% lebih tinggi dari
hasil klasifikasi berbasis piksel.
Aviezena (2017)
Aplikasi Citra Sentinel-2
untuk Pemetaan Habitat
Bentik di Wilayah Taman
Nasional Baluran Kabupaten
Situbondo
- Mengkaji Citra
sentinel dalam
ekstraksi data habitat
bentik
- Memetakan sebaran
habitat bentik di
perairan Bama
- Interpretasi citra
menggunakan Algoritma
Lyzenga
- Pengambilan sampel
lapangan menggunakan
metode transek garis
- Habitat bentik memiliki akurasi total sebesar 70,80%
yang di koreksi kolom air dan pada hasil klasifikasi
habitat bentik menggunakan citra yang telah
terkoreksi kolom air memiliki akurasi total sebesar
72,99%.
- Objek habitat bentik yang terklasifikasi
menggunakan citra Sentinel-2 pada laut dangkal
onjek substrat dan lamun lalu diikuti terumbu karang
dan makro alga.
19
Peneliti dan Judul
Penelitian Tujuan Penelitian Metode Penelitian Hasil Penelitian
Wicaksono (2015)
Pemetaan Habitat Bentik
Sebagai Dasar Pengelolaan
Wilayah Pesisir dan Pulau-
Pulau Kecil, Studi Kasus
Pulau Menjangan Besar dan
Menjangan Kecil
Kepualauan Karimunjawa
- Memetakan habitat
bentik di pulau
Mejangan Besar dan
Menjangan Kecil
menggunakan integrasi
data PJ dan survei
lapangan.
- Klasifikasi berbasis objek
- Klasifikasi berbasis piksel
- Pemodelan empiris
- Citra WorldView-2 menghasilkan peta habitat bentik
dengan akurasi 69,87% dari klasifikasi per-piksel
dan 70,68% dari klasifikasi segmentasi. Persentase
tutupan terumbu karang hidup dapat dipetakan
dengan SE sebesar 27,47% melalui pemodelan
empiris dan 64,46% melalui klasifikasi
segmentasi. Hasilnya menunjukkan bahwa
terumbu karang di kedua pulau masih baik dengan
tutupan dominan adalah kelas tutupan 50-75% yang
diprediksi seluas 172,88 - 179,54 ha dan diikuti
dengan kelas tutupan 75-100% seluas 40,66 - 47,63
ha.
Wicaksono dan Adhimah
(2016)
Accuracy Assessments of Pan-sharpened Image for Benthic Habitats Mapping
- Membandingkan
akurasi pemetaan
habitat bentik
menggunakan band
asli dengan band
pankromatik yang
ditajamkan
- Mengkaji
kemampuan band
pankromatik yang
ditajamkan untuk
melakukan pemetaan
habitat bentik
- Klasifikasi berbasis Piksel
- Klasifikasi berbasis objek
- Tranformasi PCA
(Principle Component
Analysis)
- Image Sharpening
- Terjadi penurunan akurasi pada hasil pemetaan
tingkat kasar hingga 10,20% menggunakan DII dan
PCA dibandingkan dengan band asli, sementara ada
peningkatan akurasi hasil pemetaan sebesar 6,12%
untuk hasil IM.
- Pemetaan detail habitat bentik menggunakan band
pankromatik yang ditajamkan menghasilkan akurasi
yang lebih rendah hingga 11,58%.
20
2.9 Batasan Istilah
1. Penginderaan jauh adalah ilmu dan seni yang digunakan untuk
mendapatkan informasi atau fenomena melalaui analisis data yang
diperoleh dari hasil rekaman objek, daerah atau fenomenya yang dikaji
tanpa adanya kontak langsung dengan objek terkait (Lillesand dan Kiefer,
1990).
2. Habitat bentik adalah ekosistem yang terbentuk di bawah permukaan baik
air danau maupun laut. Habitat bentik terdiri atas struktur sedimen dasar
perairan, mikrodinamika kolom air dan cahaya matahari yang menembus
dari permukaan air (Green, et al., 1995 dalam Putra, 2014).
3. Laut dangkal optis merupakan perairan yang memiliki kedalaman kurang
dari 30 m (FGDC, 2010).
4. Alga adalah golongan tumbuhan yang hidup baik di air laut maupun air
tawar, yang hidup menempel pada substrat tertentu, seperti pasir, karang
atau keduanya (Kuncoro, 2014).
5. Resolusi spektral adalah kemampuan sistem perekaman penginderaan jauh
untuk membedakan jenis objek berdasarkan pantulannya atau pancaran
spektralnya (Danoedoro, 2012).
6. Resolusi spasial adalah ukuran terkecil objek yang dapat direkam oleh
sistem perekaman citra (Jensen, 2016).
21
BAB III
METODE PENELITIAN
3.1 Deskripsi Wilayah
Berdasarkan Surat Keputusan Menhut No. 74/Kpts-II/2001 pada tanggal 15
Maret 2001 Kepulauan Karimunjawa merupakan salah satu area yang memiliki
keanekaragaman biota laut terbesar. Menurut Lembaga Konservasi Kawasan dan
Jenis Ikan, Kepulauan Karimunjawa memiliki 45 spesies mangrove, 34 spesies
flora hutan pantai, 11 spesies lamun, dan 18 spesies rumput laut. Kondisi tersebut
Kepulauan Karimunjawa ditetapkan sebagai kawasan pelestarian alam (KPA).
Penelitian ini dilakukan di Pulau Bengkoang yang terdapat pada Gambar 3.1.
Pulau yang tidak berpenduduk ini berada pada posisi geografis 05° 46' 24" LS
sampai 05° 59' 16" LS dan 110° 24' 28" BT sampai 110° 29' 38" BT dengan luas
wilayah Pulau sebesar 105 Ha (Direktori Pendayagunaan Pulau-Pulau Kecil, 2012).
Batas-batas wilayah Pulau Bengkoang adalah sebagai berikut:
o Sebelah Utara : Laut Jawa
o Sebelah Timur : Laut Jawa
o Sebelah Selatan : Pulau Karimunjawa
o Sebelah Barat : Laut Jawa
22
Gambar 3.1. Lokasi Penelitian Pulau Bengkoang Kepulauan Karimunjawa.
23
3.2 Alat dan Bahan Penelitian
3.2.1 Alat
1. Seperangkat Laptop.
2. Perangkat lunak pengolahan data ;
a. ArcGIS 10.2 untuk pengolahan data shapefile dan layouting
peta
b. ENVI 5.0 untuk pengolahan citra
c. IDRISI SELVA 17.0 untuk pengolahan citra
3. Perangkat lunak pendukung:
a. Microsoft Office 2010 untuk penyajian, pengolahan data
dan penyusunan laporan.
b. DNR Garmin untuk geotagging Sampel foto.
4. Peralatan pendukung survei:
a. GPS Garmin Dakota 10 (penentuan posisi objek di
lapangan)
b. Alat dasar selam untuk snorkling (pengamatan objek di
lapangan) dan kamera (untuk dokumentasi)
c. Kapal (transportasi menuju titik penelitian)
3.2.2 Bahan
Data citra PlanetScope level 3B (3m) Pulau Bengkoang
perekaman 3 Agustus 2018
3.3 Tahap Pra-Lapangan
3.3.1 Koreksi Citra
Citra multispektral yang digunakan adalah PlanetScope (3 m) yang tanggal
perekamannya sebisa mungkin disesuaikan dengan pengambilan data lapangan.
Citra PlanetScope yang digunakan memiliki level koreksi 3B yang menunjukkan
bahwa citra tersebut telah terkoreksi geometri dan radiometrik, sehingga proses
koreksi selanjutnya dilanjutkan dengan koreksi sunglint dan kolom air.
24
3.3.1.1 Koreksi Sunglint
Koreksi sunglint dilakukan untuk menghilangkan efek cermin atau
pantulan sinar yang terjadi pada perairan. Pengaruh sunglint dapat diketahui
dengan membandingkan antara band visible dan band NIR yang dapat dilihat
dengan menetapkan training area pada citra yang mengandung sunglint
(Anggoro, 2014). Koreksi ini menggunakan formula sebagai berikut (Hedley, et
al. 2005):
Bi [L (Nir) Lmin (Nir)…….(3.1)
Keterangan:
Li (Vis)’ = Saluran terkoreksi sunglint
Li (Vis) = Saluran visible
Bi = Nilai regression slope
L (Nir) = Saluran NIR
Lmin (Nir) = Nilai piksel minimum dari Saluran NIR
Koreksi kolom air
Koreksi kolom air pada citra menggunakan pendekatan algoritma yang
dikembangkan oleh Lyzenga (1978). Koreksi kolom air dilakukan dengan
mengambil training area untuk substrat pasir yang terendam pada kedalaman
yang berbeda. Persamaan Algoritma Lyzenga (1978) sebagai berikut:
*(
) +
√
25
Keterangan :
Ln (Bi) = Nilai Ln dari Band i
Var (Bi) = Nilai varian dari Ln band i
Cov (Bij) = Nilai covarian dari Ln Band i dan Band j
Pengambilan area of interest untuk substrat pasir dilakukan pada daerah
pasir yang berada pada berbagai kedalaman, yaitu pada pasir terendam dangkal,
terendam sedang dan terendam dalam.
3.3.2 Masking Citra
Masking citra digunakan untuk proses memisahkan antara wilayah daratan
dengan wilayah perairan laut dangkal dan wilayah perairan laut dalam. Proses ini
dilakukan agar wilayah daratan dan perairan laut dalam tidak ikut
terklasifikasikan karena yang akan diklasifikasikan adalah objek bawah air
perairan laut dangkal berupa habitat bentik. Adapun band yang digunakan sebagai
acuan dalam melakukan proses masking adalah band 4 yaitu Near Infrared. Band
4 digunakan karena memiliki rona yang cukup gelap sehingga dinilai mampu
memisahkan kedua objek secara jelas dengan interpretasi visual saja. Proses
masking citra dapat dilakukan secara manual yaitu melakukan digitisasi batas
antara wilayah perairan laut dalam, wilayah perairan laut dangkal dan wilayah
daratan.
3.3.3 Pembuatan Peta Survei Lapangan
Peta survei lapangan pemetaan habitat bentik dibuat menggunakan metode
klasifikasi unsupervised. Klasifikasi unsupervised yang digunakan adalah Isodata
pada software ENVI. Jumlah kelas yang digunakan adalah 4 kelas mayor habitat
bentik yaitu pasir, lamun, makro alga dan terumbu karang. Hasil klasifikasi
unsupervised digunakan untuk penentuan jalur transek. Jalur survei berbentuk
transek lurus yang dipilih berdasarkan keberagaman kelas yang ada pada citra
hasil klasifikasi.
26
3.4 Tahap Lapangan
3.4.1 Rencana Transek Sampel Lapangan
Transek sampel lapangan ditentukan berdasarkan pada daerah yang
memiliki kenampakan habitat bentik yang bervariasi berdasarkan kelas mayor dan
memperhatikan pasang surut air laut agar mampu mewakili kenampakan objek
pada kondisi lingkungan perairan laut dangkal yang berbeda (Gambar 3.2).
Transek dilakukan pada daerah perairan laut dangkal optis dengan batas jurang
laut atau tubir pantai. Garis transek digunakan untuk memperoleh sampel habitat
bentik yang bervariasi di lapangan.
Gambar 3.2 Rencana transek pengambilan sampel.
3.4.2 Pengambilan Data Lapangan
Metode pengambilan sampel yang digunakan adalah metode foto transek
(Gambar 3.3) (Roelfsema and Phinn, 2009). Pengambilan foto habitat bentik
membutuhkan peralatan berupa alat snorkeling, GPS handheld dan kamera
underwater. Metode ini memanfaatkan fitur tracking point yang ada pada
perangkat GPS, fitur ini merupakan fitur untuk melakukan plotting lokasi sesuai
dengan koordinat objek dan interval waktu.
27
Gambar 3.3 Gambar pengambilan sampel dengan Transek Foto Bawah Air
(UPT) (Roelfsema and Phinn, 2009, halaman 15).
Pengambilan sampel foto habitat bentik menggunakan kamera underwater
dengan melakukan snorkeling di perairan laut dangkal optis. Proses pengambilan
sampel foto habitat bentik dengan variasi kedalaman objek habitat bentik yang
berbeda diatur menggunakan bandul sehingga memiliki area luasan yang sama.
GPS diatur kedalam mode tracking berdasarkan interval waktu 5 detik dan
kamera disamakan waktu dengan GPS. Penyamaan waktu tersebut bertujuan
untuk memudahkan dalam melakukan plotting dan sinkronisasi foto dengan
koordinat tracking pada GPS berdasarkan kesamaan waktu keduanya.
3.5 Tahap Pasca Lapangan
3.5.1 Identifikasi Foto Sampel
Informasi atau data sampel mengenai persebaran habitat bentik yang akan
digunakan untuk melakukan pemetaan habitat bentik diperoleh dengan identifikasi
sampel foto hasil survei secara manual dengan menyesuaikan jam perekaman
antara sampel foto dengan koordinat titik sampelnya. Kelas yang digunakan untuk
interpretasi foto terdiri dari kategori kelas mayor (habitat bentik). Golongan kelas
mayor yang digunakan terdiri dari kelas terumbu karang, lamun, makro alga, dan
substrat terbuka, identifikasi foto menggunakan data atribut titik sampel dengan
foto sampel.
3.5.2 Klasifikasi Citra
Klasifikasi citra dilakukan dengan proses klasifikasi berbasis objek dan
kalsifikasi supervised yaitu maximum likelihood. Skema klasifikasi dilakukan
dengan dasar kelas habitat bentik level 1 berjumlah empat kelas. Proses klasifikasi
citra dilakukan menggunakan software IDRISI Selva Versi 17.
28
3.5.2.1 Klasifikasi berbasis Objek (Hybrid OBIA Supervised)
Klasifikasi berbasis objek pada penelitian ini dilakukan melalui proses
Multiresolution segmentation, Multiresolution segmentation merupakan langkah
segmentasi objek kajian yang mengelompokkan berdasarkan area yang memiliki
kemiripan dan piksel bersebelahan kedalam sebuah objek berdasarkan ciri-ciri
homogenitasnya. Tingkat heterogenitas segmen objek yang dihasilkan akan
dipengaruhi oleh nilai parameter skala segmen yang digunakan dalam
pembentukan segmen, nilai window width sebesar 3, weight mean factor sebesar
0,5, similarity tolerance sebesar 10, dan weight variance factor sebesar 0,5. Nilai
parameter skala segmen yang digunakan sesuai dengan default dari software,
karena penelitian ini tidak mengkaji nilai parameter skala segmen yang optimal
pada citra. Segmentasi yang didapatkan kemudian diklasifikasi supervised
menggunakan maximum likelihood.
3.5.2.2 Klasifikasi Supervised (Maximum Likelihood)
Proses klasifikasi merupakan tahap mengelompokan objek berdasarkan
suatu karakteristik. Metode klasifikasi yang digunakan adalah klasifikasi
supervised maximum likelihood. Maximum likelihood merupakan metode
klasifikasi yang menghasilkan akurasi pemetaan yang paling tinggi dibandingkan
dengan skema klasifikasi lainnya (Wicaksono, 2014). Klasifikasi supervised
dilakukan dengan menggunakan titik data sampel hasil dari hasil survei lapangan
yang telah diidentifikasi dengan cara menyesuaikan waktu perekaman titik
koordinat dan foto sampel.
3.5.3 Uji Akurasi
Uji akurasi hasil klasifikasi habitat bentik dilakukan menggunakan teknik
confusion matrix Metode confusion matrix akan menghasilkan nilai akurasi user’s
accuracy, producer’s accuracy, dan overall accuracy untuk menunjukan akurasi
dari tiap kelas habitat bentik pada skema klasifikasi. Uji akurasi dilakukan
menggunakan data hasil survei lapangan.
29
Tabel 3.1. Tabel Uji Akurasi Kelas Habitat Bentik.
Perhitungan akurasi:
% Akurasi Interpretasi Keseluruhan = (Jumlah sampel benar/Jumlah
sampel keseluruhan) x 100 % .......................................(3.5)
Confusion matrix digunakan untuk membandingkan antara hasil klasifikasi
citra dengan data validasi sampel lapangan yang dianggap benar dari skema
klasifikasi. Besarnya persentase akurasi yang diperoleh akan tergantung pada
kesesuaian antara hasil klasifikasi citra dengan data validasi sampel lapangan.
Penelitian ini melakukan proses perhitungan akurasi hasil klasifikasi citra habitat
bentik dengan validasi sampel lapangan.
Uji Lapangan Makro
Karang Pasir Lamun
Total User’s Accuracy Hasil
Alga
Klasifikasi
Karang
Makro Alga
Pasir
Lamun
Total
Producer’s
Accuracy
Overall Accuracy
30
3.5.4 Layouting Peta
Layout peta merupakan tahapan paling akhir dari penelitian. Layout peta
dilakukan pada data hasil pengolahan data atau hasil dari klasifikasi OBIA yang
telah di uji akurasinya. Layout peta dilakukan dengan mengikuti aturan kartografi
yang mengutamakan komponen tepi peta, seperti judul, grid, orientasi arah utara,
legenda, inset peta, dan skala.
31
3.6 Diagram Alir Penelitian
Diagram alir penelitian pemetaan habitat bentik di pulau Bengkoang
Kepulauan Karimunjawa dapat dilihat pada Gambar 3.4 sebagai berikut.
Keterangan :
: Data
: Proses
: Output
Gambar 3.4. Diagram alir penelitian.
Citra PlanetScope Level 3B
Koreksi Sunglint
Koreksi Kolom Air
Masking Daerah Kajian
Klasifikasi ISODATA
kelas mayor Habitat
Bentik
Peta Tentatif Habitat Bentik
Pulau Bengkoang
Data
Klasifikasi
Peta Habitat Bentik Pulau
Bengkoang
Data Uji
Akurasi Klasifikasi hybrid OBIA
supervised
Uji Akurasi
Survei Lapangan
32
BAB IV
HASIL DAN PEMBAHASAN
4.1 Pra-Lapangan
Kegiatan pra-lapangan dilakukan sebagai langkah awal menentukan citra
yang akan digunakan dan menentukan cakupan daerah kajian pemetaan habitat
bentik, serta disesuaikan dengan tujuan pemetaan yang akan dilakukan. Selain
menentukan citra yang akan digunakan, kegiatan pra-lapangan ini juga melakukan
studi literatur terkait metode penelitian, dan konsep pengambilan sampel habitat
bentik. Pengolahan data citra yang akan dilakukan untuk pemetaan habitat bentik
terdiri dari beberapa proses diantaranya, koreksi sunglint, koreksi kolom air,
masking citra dan klasifikasi unsupervised untuk penentuan jalur survei lapangan.
4.1.1 Koreksi Sunglint
Koreksi sunglint digunakan untuk menghilangkan efek pantulan matahari
seperti cermin dan tekstur gelombang akibat ombak pada permukaan perairan.
Pengaruh sunglint dapat diketahui dengan membandingkan antara band visible
dan band NIR yang dapat dilihat dengan menetapkan training area. Pemilihan
titik sampel dilakukan dengan memilih objek homogen yang merupakan efek
pantulan matahari seperti cermin pada permukaan perairan.
Gambar 4.1. Tampilan sampel training area sunglint.
33
Sampel yang telah dipilih lalu di eksport menjadi data ASCII untuk
mencari nilai regresi menggunakan software Microsoft Excel. Nilai regresi
dihasilkan dari perbandingan nilai reflectance band red, green, blue masing-
masing dengan band near infrared menggunakan scatter plot. Hasil nilai regresi
perbandingan antar band citra adalah sebagai berikut
Tabel 4.1 Perbandingan nilai regresi koreksi Sunglint.
Perbandingan Band
Koefisien Nilai Regresi
(R2)
Blue vs Infrared 0,964
Green vs Infrared 0,967
Red vs Infrared 0,966
y = 0.4502x - 54.295 R² = 0.9646
0
200
400
600
800
1000
1200
1400
1600
0 500 1000 1500 2000 2500 3000 3500
Ba
nd
1
Band 4
Band 1 vs Band 4
B1vB4
34
Gambar 4.2. Scatter Plot perbandingan nilai piksel koreksi Sunglint.
y = 0.4447x + 1.2098 R² = 0.9679
0
200
400
600
800
1000
1200
1400
1600
0 500 1000 1500 2000 2500 3000 3500
Ba
nd
2
Band 4
Band 2 vs Band 4
B2vB4
y = 0.4348x + 87.414 R² = 0.9667
0
200
400
600
800
1000
1200
1400
1600
0 500 1000 1500 2000 2500 3000 3500
Ba
nd
3
Band 4
Band 3 vs Band 4
B3vB4
35
a. Sebelum koreksi
b. Sesudah koreksi
Gambar 4.3. Tampilan citra sebelum dan sesudah terkoreksi sunglint.
4.1.3 Masking Wilayah Kajian
Masking citra dilakukan untuk menampilkan wilayah kajian penelitian
secara spesifik pada peta pemetaan habitat bentik. Masking citra meliputi
pemisahan antara daratan dan lautan. Adapun band yang digunakan sebagai acuan
dalam proses masking tersebut adalah band 4 yaitu near infrared. Pemilihan band
near infrared mampu memisahkan kedua objek secara jelas dengan interpretasi
visual karena memiliki rona gelap dan terang pada masing-masing objek. Hasil
36
pemisahan daratan dan lautan merupakan shapefile hasil digitasi visual pada citra,
untuk selanjutnya dijadikan data training area untuk ditampalkan pada citra. Hasil
dari masking citra adalah sebagai berikut:
Gambar 4.4. Tampilan citra hasil Masking.
4.1.3 Koreksi Kolom Air
Koreksi kolom air dilakukan untuk menghilangkan efek kedalaman
perairan pada citra. Efek kedalaman perairan dapat mengganggu akurasi
klasifikasi sehingga koreksi ini perlu dilakukan dan juga untuk memunculkan
variasi warna pada permukaan laut, khususnya perairan dangkal. Metode koreksi
kolom air yang digunakan adalah metode algoritma Lyzenga. Metode ini
menggunakan perbandingan nilai pantulan pada band red, green dan blue untuk
menghasilkan nilai piksel baru. Nilai piksel baru dihasilkan melalui perhitungan
nilai variansi, kovariansi, dan koefisien ateunasi kolom air. Perhitungan tersebut
memerlukan training area untuk mendapatkan nilai pantulan dari masing-masing
saluran.
Pemilihan training area untuk koreksi kolom air diperlukan objek yang
homogen dan mudah dikenali pada tiga tempat berbeda yaitu perairan dangkal,
agak dangkal dan perairan dalam. Penelitian ini menggunakan sampel perairan
dangkal terwakili oleh sebaran substrat pasir karena objek pasir yang dianggap
37
lebih mudah dikenali dibandingan dengan objek lain, sementara pada kedalaman
sedang hingga tinggi terwakili oleh terumbu karang. Penentuan objek pada variasi
kedalaman untuk sampel koreksi kolom air juga berpengaruh pada hasil peta yang
didapatkan, serta hasil klasifikasi multispectral citra yang dilakukan. Banyaknya
jumlah sampel yang digunakan untuk proses klasifikasi juga mempengaruhi
persebaran habitat bentik pada peta yang dihasilkan.
Gambar 4.5. Tampilan sampel objek pasir pada kedalaman berbeda.
Sampel objek pasir dengan variansi kedalaman yang telah dipilih
digunakan untuk menghitung nilai regresi dari korelasi kedalaman setiap saluran.
Nilai regresi dihasilkan dari scatter plot perbandingan nilai pantulan antara band
red, green, dan blue. Nilai regresi yang dihasilkan adalah sebagai berikut
Tabel 4.2. Perbandingan nilai regresi koreksi kolom air.
Perbandingan Band Koefisien Nilai Regresi (R2)
Blue vs Green 0,981
Green vs Red 0,938
Blue vs Red 0,905
38
Gambar 4.6. Scatter Plot perbandingan nilai piksel koreksi kolom air.
y = 1.2086x - 286.78 R² = 0.9816
0
500
1000
1500
2000
2500
3000
0 500 1000 1500 2000 2500
Ba
nd
1
Band 2
Blue vs Green
B1vB2
Linear (B1vB2)
y = 1.5191x - 1472.7 R² = 0.9388
0
500
1000
1500
2000
2500
0 1000 2000 3000
Ba
nd
2
Band 3
Green vs Red
B2vB3
Linear (B2vB3)
y = 1.82x - 1876.2 R² = 0.9056
0
500
1000
1500
2000
2500
0 500 1000 1500 2000 2500
Ba
nd
1
Band 3
Blue vs Red
B1vB3
Linear (B1vB3)
39
Nilai regresi digunakan untuk menghitung nilai variansi, kovariansi dan
juga nilai koefisien atenuasi kolom air. Nilai variansi digunakan untuk
mengetahuti sebaran data pada setiap saluran dengan variasi kedalaman dan
dikaitkan dengan nilai pelemahan kolom air. Nilai kovariansi digunakan untuk
mengetahui nilai keterkaitan antar band yang berpengaruh terhadap nilai
pelemahan kolom air. kedua nilai ini juga digunakan untuk melakukan
perhitungan nilai koefisien atenuasi kolom air.
Tabel 4.3. Perbandingan Nilai Variansi.
Band Nilai Variansi
Blue 0,008
Green 0,010
Red 0,043
Tabel 4.4 Perbandingan nilai kovariansi dan nilai koefisien atenuasi kolom air.
Band Kovariansi Koefisien a Rasio Atenuasi
kolom air
Blue dan Green 0,008 -0,146 0,864
Green dan Red 0,020 -0,800 0,480
Blue dan Red 0,017 -1,016 0,409
Perhitungan nilai variansi dan kovariansi yang menghasilkan nilai
koefisien atenuasi kolom air. Nilai tersebut akan digunakan untuk menghitung
nilai piksel baru dengan menggunakan algoritma Lyzenga. algoritma Lyzenga
mentranformasikan nilai pantulan saluran citra menjadi nilai piksel yang baru,
sehingga menghilangkan efek kedalaman perairan dan memberikan variasi rona
pada citra.
40
Tabel 4.5. Rumus algoritma Lyzenga.
Band Algoritma Lyzenga
Blue dan Green (alog(B1))-( 0,864093027*(alog(B2))) Green dan Red (alog(B2))-( 0,48053749*(alog(B3))) Blue dan Red (alog(B1))-( 0,409336834*(alog(B3)))
Gambar 4.7. Tampilan citra Planetscope sebelum terkoreksi kolom air (kiri) dan
setelah terkoreksi kolom air (kanan).
Citra hasil koreksi kolom air dengan algoritma Lyzenga tidak memiliki
perbedaan yang signifikan secara visual daripada citra yang belum terkoreksi
41
kolom air, hal ini dikarenakan dalam pemgambilan sampel kolom air pada citra
yang telah terkoreksi kolom air terlihat memiliki variasi rona pada wilayah
perairan dangkal. Citra yang belum terkoreksi cenderung memiliki rona warna
yang sama dan memiliki tidak lebih banyak variasi rona dibanding dengan citra
yang telah terkoreksi. Citra hasil koreksi kolom air kemudian diolah untuk
menentukan jalur survei lapangan terkait pemetaan habitat bentik.
4.1.4 Pembuatan Peta Survei Lapangan
Peta survei lapangan digunakan sebagai acuan dalam penentuan jalur
pengambilan sampel lapangan. Peta survei lapangan dibuat menggunakan
klasifikasi unsupervised. Klasifikasi unsupervised Isodata dalam pembuatan peta
survei lapangan adalah Isodata dengan menggunakan software ENVI. Klasifikasi
objek kemudian dibagi kedalam 4 kelas yang terdiri dari objek makro alga, lamun,
pasir dan terumbu karang.
Gambar 4.8. Hasil Klasifikasi Unsupervised Isodata pada software ENVI.
Pemilihan lokasi jalur pengambilan titik sampel untuk survei berdasarkan
keragaman dari hasil klasifikasi unsupervised yang memiliki tingkat variasi kelas
objek yang banyak dengan menarik garis transek lurus dari tepi pantai.
Panjangnya garis transek ditentukan sesuai dengan banyaknya variasi objek.
Terdapat total 6 transek survei lapangan yang tersebar di seluruh area kajian.
42
Gambar 4.9. Peta rencana survei lapangan perairan Pulau Bengkoang.
43
4.2. Survei Lapangan
Kegiatan survei lapangan memiliki tujuan untuk mengetahui objek
bawah air berupa habitat bentik berdasarkan peta rencana survei lapangan
klasifikasi unsupervised. Survei lapangan ini menggunakan 2 alat utama dalam
melakukan survei lapangan yaitu GPS handheld sebagai alat untuk merekam
titik koordinat lokasi objek habitat bentik yang serta kamera underwater untuk
memotret objek bawah air berupa habitat bentik di lapangan. Pemilihan 2 alat
tersebut untuk mengidentifikasi kenampakan objek bawah air. Alat kamera
yang digunakan belum mendukung fitur geotagging sehingga data foto objek di
lapangan tidak memiliki informasi koordinat, sehingga hasil foto sampel akan
disinkronkan dengan titik koordinat GPS berdasarkan waktu perekaman. Selain
GPS dan kamera underwater ada beberapa alat pendukung lainya yaitu alat
snorkel untuk membantu mengamati objek bawah air dengan jelas, sepatu
katak untuk membantu dalam berenang, safety jacket sebagai alat keamanan,
dry bag untuk membantu GPS mengapung, dry bag untuk melindungi
perangkat GPS handheld mengapung, serta perahu sebagai alat transportasi
menuju lokasi survei.
Lokasi survei lapangan pengambilan sampel ditentukan berdasarkan
peta rencana survei lapangan klasifikasi unsupervised. Survei dilakukan dengan
metode transek garis yang telah ditentukan berdasarkan keragaman objek
bawah air habitat bentik pada peta rencana survei lapangan hasil klasifikasi
unsupervised. Survei dilakukan selama 1 hari pada tanggal 11 september 2018
pada pukul delapan siang hingga pukul empat sore. Kegiatan survei lapangan
hanya dilakukan 1 hari karena melihat kondisi angin musim timur dan
gelombang air laut yang cukup besar sehingga terlalu berbahaya untuk
melakukan survei. Lokasi survei yang lumayan jauh dari wilayah Karimunjawa
yang mampu ditempuh dengan kapal nelayan dengan waktu lebih dari 1 jam.
44
Gambar 4.10. Foto kegiatan menuju lokasi survei (kiri) dan kegiatan snorkel
(kanan).
Pengambilan data sampel habitat bentik berupa foto yang diambil
menggunakan kamera dengan mengacu pada kayuhan saat melakukan snorkel
yang disesuaikan dengan waktu perekaman titik koordinat tracking area. Sebelum
pengambilan sampel lapangan terlebih dahulu mengatur kalibrasi alat dengan
menyesuaikan waktu lokal wilayah kajian pada alat GPS dan kamera underwater.
Kemudian mengambil foto sampel habitat bentik sesuai jalur transek yang telah
ditentukan. Interval waktu yang digunakan untuk tracking GPS adalah 10 detik,
dan pengambilan foto yang dilakukan dengan interval setiap 2-4 kayuhan. Hasil
dari kegiatan survei lapangan menghasilkan data titik koordinat dengan
keterangan waktu dan foto objek habitat bentik, yang akan digunakan sebagai ROI
(Region of Interest) untuk klasifikasi Hybrid OBIA supervised untuk pemetaan
habitat bentik. Sampel lapangan terbagi menjadi dua yaitu sampel untuk
klasifikasi dan sampel untuk melakukan uji akurasi.
A
(a) (b) (c) (d)
Gambar 4.11. Foto sampel lapangan (a) pasir (b) lamun (c) makro alga
(d) terumbu karang.
45
Objek habitat bentik yang ada di wilayah perairan pulau Bengkoang
terbagi dengan baik yang mana pada sekitar pantai terdiri atas pasir kemudian
padang lamun. Pada wilayah perairan yang tepatnya pada batas pecah gelombang
di sebelah timur ke selatan wilayah perairan Pulau Bengkoang hingga selatan
terdapat objek terumbu karang, pada wilayah utara dengan arus yang tenang
cenderung didominasi oleh lamun dengan kepadatan yang tinggi. Objek makro
alga banyak tersebar antara lamun dan terumbu karang di sekeliling perairan pulau
Bengkoang.
Data sampel survei lapangan dengan rencana 6 jalur hanya memperoleh 3
jalur transek dikarenakan tidak memungkinkannya pengambilan sampel pada
daerah tertentu di perairan pulau Bengkoang. Kendala yang di alami dalam
pengambilan sampel data yang hanya memperoleh 3 jalur transek tidak sesuai
dengan rencana awal 6 jalur transek adalah pada bagian barat pulau terdapat
banyak ikan pari dan ular laut yang membahayakan dalam pengambilan data
sampel di daerah tersebut, sedangkan daerah utara sampai timur pulau memiliki
arus yang sangat deras dan gelombang yang cukup besar sehubung dengan musim
angin timur sehingga tidak memungkinkan dan membahayakan mengambil data
sampel pada bagian wilayah tersebut. Terdapat 405 foto sampel yang diperoleh
dari 3 jalur transek survei lapangan wilayah perairan pulau Bengkoang. 405
sampel terdiri dari 120 sampel makro alga, 120 sampel terumbu karang, 85
sampel lamun dan juga 80 sampel pasir. Berikut adalah peta transek habitat
bentik di perairan Pulau Bengkoang, Taman Nasional Karimunjawa
46
Gambar 4.12. Citra transek Habitat Bentik perairan pulau Bengkoang.
47
4.3. Pasca Lapangan
4.3.1. Identifikasi Sampel Habitat Bentik
Identifikasi habitat bentik menggunakan hasil foto sampel dilapangan
disesuaikan berdasarkan waktu perekaman titik koordinat tracking GPS. Sampel
titik koordinat hasil survei lapangan dilakukan pengecekan akurasi sehingga titik
sampel dapat mewakili satu piksel dalam klasifikasi yang dilakukan. Hal ini
digunakan agar ketika data bergeser melebihi resolusi citra maka data dapat
diperbaiki. Hasil pengecekan control point adalah 3 m sehingga data titik
koordinat sampel GPS dapat digunakan. Data titik koordinat yang digunakan
sebagai acuan sinkronisasi dengan foto adalah informasi waktu perekaman lokal
pada titik koordinat GPS. Data tracking kemudian di download dengan format
data berupa .shp untuk kemudian melakukan select by atribut pada data shapefile
hasil download gps kemudian memilih informasi pada atribut ltime yang
disesuaikan dengan informasi direktori foto sampel berupa waktu perekaman.
Gambar 4.13. Proses sinkronisasi data foto dengan data tracking GPS.
Sampel hasil sinkronisasi waktu perekaman foto dengan titik koordinat
kemudian dilakukan identifikasi habitat bentik yang terdiri dari makro alga,
lamun, pasir dan terumbu karang. Identifikasi habitat bentik tersebut juga
dilakukan penentuan kelas habitat bentik dengan melihat kelas dominan tutupan
permukaan dan hal ini didasarkan pada objek yang terekam pada citra merupakan
48
objek yang berada di permukaan. Seperti halnya terumbu karang yang ditutup
oleh makro alga sehingga di identifikasi sebagai makro alga dan juga lamun yang
tumbuh di atas pasir dan lebih dominan oleh lamun sehingga di identifikasi objek
lamun. Hasil dari identifikasi tersebut kemudian digunakan sebagai data sampel
klasifikasi multispectral melalui koversi menjadi training area dari koordinat
GPS yang telah ditambahkan atribut kelas mayor habitat bentik.
Tabel 4.6. Sebagian Data Sampel Lapangan Kelas Habitat Bentik.
4.3.2. Klasifikasi Hybrid OBIA Supervised (Maximum Likelihood)
Metode klasifikasi untuk pemetaan habitat bentik di pulau Bengkoang
Taman Nasional Karimunjawa menggunakan metode klasifikasi supervised.
Metode klasifikasi supervised metode yang menggunakan data lapangan untuk
sabagai data acuan dalam melakukan pengkelasan objek. Klasifikasi yang
digunakan untuk mengkelaskan habitat bentik adalah klasifikasi multispektral
supervised Maximum Likelihood, mengingat metode klasfikasi ini menggunakan
perhitungan probabilitas dan tidak menggunakan perhitungan jarak sehingga
dianggap sesuai untuk melakukan pemetaan habitat bentik. Selain itu, menurut
No Koordinat Y Koordinat X Tanggal dan waktu Keterangan
1 9364949.344 434789.462 2018/09/11 13:07:00 Lamun
2 9364948.243 434793.671 2018/09/11 13:07:10 Lamun
3 9364947.475 434799.651 2018/09/11 13:07:20 Lamun
4 9364935.887 434818.265 2018/09/11 13:08:10 Lamun
5 9364885.517 434857.181 2018/09/11 13:11:20 Makro Alga
6 9364880.543 434857.186 2018/09/11 13:11:30 Makro Alga
7 9364874.686 434859.628 2018/09/11 13:11:40 Makro Alga
8 9364869.161 434861.405 2018/09/11 13:11:50 Makro Alga
9 9364954.496 434747.270 2018/09/11 13:06:00 Substrat
10 9364953.731 434755.686 2018/09/11 13:06:10 Substrat
11 9364954.733 434762.439 2018/09/11 13:06:20 Substrat
12 9364955.624 434769.193 2018/09/11 13:06:30 Substrat
13 9364797.027 434591.088 2018/09/11 12:34:00 Terumbu Karang
14 9364804.097 434586.098 2018/09/11 12:34:10 Terumbu Karang
15 9364808.072 434581.776 2018/09/11 12:34:20 Terumbu Karang
49
Danoedoro (2012), klasifikasi supervised Maximum Likelihood dianggap sebagai
metode klasifikasi paling bagus.
Klasifikasi Maximum Likelihood dalam melakukan pengelompokan objek
habitat bentik memerlukan data sampel berupa training area yang telah
didapatkan melalui kegiatan survei lapangan yang di lakukan pada tanggal 11
september 2018. Data titik koordinat sampel memiliki akurasi rata-rata 3 m
sehingga sampel tersebut dapat digunakan dan dapat diolah. Data yang diperoleh
sebanyak 405 sampel, data tersebut dibagi menjadi dua data sampel untuk
klasifikasi dan untuk uji akurasi. Data sampel hasil survei lapangan di konversi
menjadi Region of Interest (ROI) untuk dapat dilakukan klasifikasi Maximum
Likelihood.
Gambar 4.14. Sampel training area proses klasifikasi Maximum Likelihood.
Data sampel penelitian berjumlah 405 yang terbagi dalam kelas mayor
habitat bentik yaitu terumbu karang, lamun, alga dan pasir. Jumlah sampel
tersebut dibagi menjadi 2 yaitu sampel untuk uji akurasi dan klasifikasi. Data
lapangan yang dirasa telah mewakili sampel pada setiap piksel citra PlanetScope
yaitu data yang terdapat satu kelas habitat bentik yang ada didalamnya. Akurasi
data sampel yang dapat digunakan harus sesuai dengan resolusi spasial citra
planetscope yang memiliki resolusi 3x3 m. Berikut hasil klasifikasi Supervised
Maximum Likelihood perairan pulau Bengkoang Taman Nasional Karimunjawa.
50
Gambar 4.15. Klasifikasi Supervised Maximum Likelihood.
Pemetaan habitat bentik dilakukan dengan menerapkan skema klasifikasi
yang dibangun dengan metode Supervised Maximum Likelihood pada citra
PlanetScope dengan input citra yang telah terkoreksi hingga level koreksi kolom
air. Skema klasifikasi pada citra tersebut nantinya akan diterapkan pada hasil
segmen objek habitat bentik pada citra hasil masking yang menggunakan software
IDRISI. Hasil segmentasi yang telah di proses akan diterapkan pada citra hasil
klasifikasi maximum likelihood sehingga klasifikasi dalam pemetaan kelas habitat
bentik yang selanjutnya akan dikelaskan berdasarkan piksel dan dikelaskan ulang
berdasarkan bentuk objek yang telah terkelaskan pada klasifikasi Maximum
Likelihood.
51
Gambar 4.16. Hasil Segmentasi citra dengan software IDRISI.
4.3.3 Uji Akurasi
Uji akurasi dilakukan untuk mengetahui akurasi dari hasil klasifikasi
Hybrid OBIA supervised. Uji akurasi menggunakan metode confusion matrix.
Metode menggunakan ground truth ROI hasil klasifikasi dan roi reklasifikasi
menggunakan software pengolahan citra yaitu ENVI. Adapun hasil dari uji
akurasi dari klasifikasi multispectral Hybrid OBIA Supervised Maximum
Likelihood adalah sebagai berikut.
Berdasarkan hasil uji akurasi total akurasi yang diperoleh adalah 62,96%.
Hasil tersebut dapat dikatakan baik berdasarkan SNI 7716:2011 tentang Pemetaan
Habitat dasar perairan laut dangkal, yaitu sebesar 60%. Besaran nilai producer’s
accuracy adalah besaran nilai akurasi klasifikasi, yang didapatkan dari jumlah
benar sampel yang terklasifikasikan pada setiap kategori habitat bentik, sementara
untuk nilai user’s accuracy yaitu besaran keandalan sampel yang digunakan
peneliti yang didapatkan dari hasil nilai benar sampel reklasifikasi dibagi dengan
jumlah piksel di setiap kelas habitat bentik.
52
Tabel 4.7. Uji Akurasi Kelas Habitat Bentik.
Hasil uji akurasi yang mencapai angka 62% dengan 4 kelas habitat bentik
dari hasil sampel sejumlah 405 dan 3 jalur transek di bagian selatan pulau
bengkoang. Hal ini di karenakan objek habitat bentik di perairan pulau Bengkoang
cenderung memiliki susunan habitat bentik yang teratur. Objek habitat bentik
yang paling dekat dengan pantai adalah Pasir , lalu objek selanjutnya lamun,
berikutnya makro alga, dan objek bawah air yang paling jauh dan sekaligus
berada di zona pecah gelombang adalah terumbu karang. Sehingga sampel yang
hanya berada pada selatan dirasa cukup dalam melakukan pemetaan habitat bentik
walaupun tidak maksimal.
4.3.4 Luas dan Persentase Persebaran Habitat Bentik Perairan Bengkoang
Perhitungan persentase luasan habitat bentik menggunakan software
pengolahan SIG yaitu ArcGIS dengan menampilkan luasan dari masing-masing
habitat bentik hasil klasifikasi. Adapun metode yang digunakan dengan menu
Uji Lapangan Hasil
Klasifikasi
Makro
Karang Pasir Lamun
Total User’s Accuracy
Alga
%
Karang 88 13 1 5 185
82,84
Makro Alga 23 99 43 20 101
53,51
Pasir 0 1 10 1 12 83,33
Lamun 10 7 26 58 107
57,43
Total 121 120 80 84 405
Producer’s 72,73 82,50 12,50 69,05 Accuracy
%
Overall Accuracy
(255/405) 62,96 %
53
calculate geometry. Berikut adalah hasil luasan dan persentase habitat bentik
perairan Pulau Bengkoang Taman Nasional Karimunjawa.
Tabel 4.8. Luas dan Persentase Habitat Bentik perairan Bengkoang.
NO Habitat Bentik Luas (Ha) Persentase (%)
1 Terumbu Karang 54,3 25,9
2 Makro Alga 23,5 11,2
3 Lamun 116,4 55,6
4 Pasir 15,2 7,3
Total Luasan Area 209,2 100
Hasil klasifikasi habitat bentik menggunakan citra PlanetScope
menghasilkan nilai akurasi sebesar 62,96%. Hasil klasifikasi habitat bentik
menggunakan citra PlanetScope pada wilayah kajian perairan Pulau Bengkoang
memiliki luas sebesar 209,2 ha. Ditinjau dari hasil perhitungan luas sebaran kelas
habitat bentik, objek lamun adalah kelas terluas dengan luas sebesar 116,2 ha,
sedangkan objek makro alga dan terumbu karang memiliki luas sebesar 23,5 dan
54,3 ha dan objek pasir adalah kelas dengan luas tersempit dengan luas sebesar
15,2 ha hanya 7,3% dari wilayah kajian.
Peta habitat bentik yang diperoleh memiliki sebaran objek yang sesuai
dengan kondisi lapangan, dengan 4 kelas habitat bentik adalah pasir, lamun,
terumbu karang dan makro alga. objek lamun yang terklasifikasi mengalami
overestimate pada bagian timur pulau dan perairan agak dalam, objek makro alga
yang terdistribusi acak sedikit overestimate, dan sebaran objek pasir dan terumbu
karang underestimate. Banyak sedikitnya misklasifikasi objek habitat bentik dapat
dipengaruhi oleh banyak tidaknya jumlah sampel yang digunakan untuk proses
klasifikasi, hal ini juga mempengaruhi persebaran habitat bentik pada peta yang
dihasilkan.
54
Gambar 4.17. Peta Habitat Bentik Klasifikasi Hybrid OBIA Supervised (Maximum Likelihood).
55
BAB V
KESIMPULAN DAN SARAN
5.1 KESIMPULAN
Pemetaan habitat bentik menggunakan citra PlanetScope level 3B
terkoreksi hingga kolom air dengan menggunakan klasifikasi Hybrid OBIA
Supervised dengan algoritma Maximum Likelihood di Pulau Bengkoang,
Taman Nasional Karimunjawa dengan luas perairan sebesar 209,2 ha
menghasilkan 4 kelas habitat bentik yaitu pasir dengan luas sebesar 15,2
ha, lamun sebesar 116,4 ha , makro alga sebesar 23,5 ha, dan terumbu
karang sebesar 54,3 ha dengan nilai akurasi keseluruhan hasil klasifikasi
sebesar 62,96%.
5.2 SARAN
Pemilihan citra dan metode penelitian juga harus memperhatikan objek
dan wilayah kajian yang akan di teliti yang nantinya akan berpengaruh terhadap
hasil akhir penelitian tersebut.
56
DAFTAR PUSTAKA
Adisasmita, R. (2006). Pembangunan Kelautan dan Kewilayahan. (Danoedoro,
2012) Yogyakarta: Graha Ilmu. (Danoedoro, 2012) (Danoedoro, 2012)
Anggoro, A. (2014). Pengaruh Sunglint dari Citra Worldview-2 untuk Klasifikasi
Habitat Bentik Perairan Dangkal di Perairan Pulau Panggang. Bogor:
Institut Pertanian Bogor.
Anggoro, A. (2015). Pemetaan Zona Geomorfologi dan Habitat Bentik
Menggunakan Citra Worldview-2 dengan Metode OBIA di Gugus Pulau
Pari. Bogor: Institut Pertanian Bogor.
Bima, D. P. S. (2015). Pemetaan Ekologi dan Morfologi Habitat Bentik
Menggunakan Citra Penginderaan Jauh Resolusi Tinggi di Pulau
Kemujan Karimunjawa Provinsi Jawa Tengah. Yogyakarta: Universitas
Gadjah Mada.
Danoedoro, P. (2012). Pengantar Penginderaan Jauh Digital. Yogyakarta.
Penerbit ANDI
Kuncoro, E. B. (2004). Akuarium Laut. Yogyakarta: Penerbit Kanisius (Anggota
IKAPI).
Lazuardi, W. (2018). Kajian Citra Multiresolusi untuk Pemetaan Life-Form
Terumbu Karang Studi Kasus Pulau Parang, Kepulauan Karimunjawa.
Skripsi. Fakultas Geografi Universitas Gadjah Mada.
Lillesand, T., & Kiefer, R. (1990). Penginderaan Jauh dan Interpretasi Citra
(Diterjemahkan oleh Dulbahri, Prapto Suharsono, Hartono, dan
Suharyadi) Yogyakarta: Gadjah Mada University Press.
Lyzenga, D. R. (1981). Passive Remote Sensing Techniques for Mapping Water
Depth and Bottom Features. Applied Optics, 379–383.
57
Putra, F. M. G. (2014). Pemetaan Habitat Bentik Menggunakan Citra Quickbird
di Sebagian Pulau Kemunjan Kepulauan Karimunjawa. Skripsi. Fakultas
Geografi Universitas Gadjah Mada.
Planet Labs Inc. (2018).Spesification Planet Imagery. (Online). Diakses pada
tanggal 6 Juli 2018 (pukul 16.34 WIB). www.planet.com/docs/spec-
sheets/sat-imagery/.
Ramadhani, Y. H., Rokhmatullah, Aris P. K., & Rahmatia S. (2015). Pemetaan
Pulau Kecil dengan Pendekatan Berbasis Objek Menggunakan Data
Unmanned Aerial Vehicle (Studi Kasus di Pulau Pramuka, Kepulauan
Seribu). Majalah Ilmiah Globe Volume 17 No. 2 desember 2015: 125 –
134.
Supriharyono. (2000). Pengelolaan Ekosistem Terumbu Karang. Jakarta:
Djambatan.
Sutanto. (1992). Penginderaan Jauh Jilid 1. Yogyakarta: Gadjah Mada
University Press.
Undang-undang Republik Indonesia Nomor 1 Tahun 2014 tentang Pengelolaan
Wilayah Pesisir dan Pulau-Pulau Kecil. Lembaran Negara Republik
Indonesia Nomor 2 Tahun 2014. Direktorat Jenderal Peraturan
Perundang-undangan Kementrian Hukum dan HAM, Jakarta.
Wicaksono, P. (2010). Integrated Model of Water Column Correction Technique
for Improving Satellite-based Benthic Habitat Mapping, A Case Study on
Part of Karimunjawa Islands, Indonesia. Universitas Gadjah Mada.
Yogyakarta: Faculty of Geography, Universitas Gadjah Mada.
Wicaksono, P. (2014). The Use of Image Rotations on Multispectral-Based
Benthic Habitats Mapping. The 12t h
Biennial Conference of PORSEC
2014. Denpasar, Bali: PORSEC.
58
Wicaksono, P., Prama, A., & Hidayat, A. (2015). Pemetaan Habitat Bentik
Sebagai Dasar Pengelolaan Wilayah Pesisir dan Pulau-Pulau Kecil
(Studi Kasus Pulau Menjangan Besar dan Menangan Kecil Kepulauan
Karimunjawa). Seminar Nasional Pengelolaan Pesisir & Daerah Aliran
Sungai ke-1, 370-383.
Zitello, G. A., Laurie, B., Tmothy, B., Peter, M., Matthew, K., Mark, M.
(2009). Shallow-Water Benthics Habitats of St. John. US. Virgin
Islands. NOAA Technical Memorandum NOS NCCOS 96. Silver
Spring, MD. 53 pp.
59
LAMPIRAN
60
61
Lampiran 2. Tabel Uji Akurasi.
Lampiran 3. Tabel Luas dan Persentase Habitat Bentik.
No Habitat Bentik Luas (Ha) Persentase (%)
1 Terumbu Karang 54,3 25,9
2 Makro Alga 23,5 11,2
3 Lamun 116,4 55,6
4 Pasir 15,2 7,3
Total Luasan Area 209,2 100
Uji Lapangan Hasil
Klasifikasi
Makro
User’s Accuracy % Karang Pasir Lamun
Total
Alga
Karang 88 13 1 5 185 82,84
Makro Alga 23 99 43 20 101
53,51
Pasir 0 1 10 1 12 83,33
Lamun 10 7 26 58 107 57,43
Total 121 120 80 84 405
Producer’s
Accuracy
% 72,73 82,50 12,50 69,05
Overall Accuracy
(255/405) 62,96 %
62
Lampiran 4. Tabel Kelas Habitat Bentik
Koordinat Y Koordinat X Tanggal dan waktu Keterangan
9364949.344 434789.462 2018/09/11 13:07:00 Lamun
9364948.243 434793.671 2018/09/11 13:07:10 Lamun
9364947.475 434799.651 2018/09/11 13:07:20 Lamun
9364935.887 434818.265 2018/09/11 13:08:10 Lamun
9364932.573 434820.815 2018/09/11 13:08:20 Lamun
9364929.922 434822.478 2018/09/11 13:08:30 Lamun
9364927.823 434824.141 2018/09/11 13:08:40 Lamun
9364926.609 434825.803 2018/09/11 13:08:50 Lamun
9364924.179 434828.353 2018/09/11 13:09:00 Lamun
9365061.534 434346.664 2018/09/11 14:00:38 Lamun
9365061.312 434345.890 2018/09/11 14:00:48 Lamun
9365061.091 434345.890 2018/09/11 14:00:58 Lamun
9365060.648 434345.005 2018/09/11 14:01:08 Lamun
9365060.648 434345.005 2018/09/11 14:01:18 Lamun
9365060.648 434345.005 2018/09/11 14:01:28 Lamun
9365060.648 434345.005 2018/09/11 14:01:38 Lamun
9365060.759 434345.004 2018/09/11 14:01:48 Lamun
9365051.554 434317.111 2018/09/11 14:02:48 Lamun
9365050.336 434314.676 2018/09/11 14:02:58 Lamun
9365049.562 434314.677 2018/09/11 14:03:08 Lamun
9365047.679 434311.247 2018/09/11 14:03:18 Lamun
9365047.675 434307.039 2018/09/11 14:03:28 Lamun
9365048.779 434305.377 2018/09/11 14:03:38 Lamun
9365048.330 434299.398 2018/09/11 14:03:48 Lamun
9365046.005 434296.079 2018/09/11 14:03:58 Lamun
9365047.109 434294.306 2018/09/11 14:04:08 Lamun
9365046.773 434290.099 2018/09/11 14:04:18 Lamun
9365044.339 434288.440 2018/09/11 14:04:28 Lamun
9365043.895 434286.780 2018/09/11 14:04:38 Lamun
9365044.001 434282.572 2018/09/11 14:04:48 Lamun
9365043.336 434280.801 2018/09/11 14:04:58 Lamun
9365041.676 434279.142 2018/09/11 14:05:08 Lamun
9365039.797 434279.144 2018/09/11 14:05:18 Lamun
9365037.465 434269.071 2018/09/11 14:05:58 Lamun
9365145.118 434249.471 2018/09/11 14:24:38 Lamun
9365147.224 434255.337 2018/09/11 14:24:48 Lamun
9365149.439 434258.768 2018/09/11 14:24:58 Lamun
63
9365152.871 434263.857 2018/09/11 14:25:08 Lamun
9365154.091 434268.064 2018/09/11 14:25:18 Lamun
9365157.523 434272.268 2018/09/11 14:25:28 Lamun
9365160.512 434276.472 2018/09/11 14:25:38 Lamun
9365167.367 434277.351 2018/09/11 14:25:48 Lamun
9365176.100 434277.342 2018/09/11 14:25:58 Lamun
9365183.291 434282.428 2018/09/11 14:26:08 Lamun
9365188.934 434287.405 2018/09/11 14:26:18 Lamun
9365196.012 434290.830 2018/09/11 14:26:28 Lamun
9365200.105 434293.372 2018/09/11 14:26:38 Lamun
9365206.851 434295.912 2018/09/11 14:26:48 Lamun
9365216.471 434298.449 2018/09/11 14:26:58 Lamun
9365220.564 434300.881 2018/09/11 14:27:08 Lamun
9364779.563 434593.653 2018/09/11 12:33:30 Lamun
9364814.478 434576.787 2018/09/11 12:34:30 Lamun
9364820.886 434572.572 2018/09/11 12:34:40 Lamun
9364862.427 434442.427 2018/09/11 12:41:32 Lamun
9364856.893 434435.678 2018/09/11 12:41:42 Lamun
9364852.685 434428.928 2018/09/11 12:41:52 Lamun
9364850.140 434426.384 2018/09/11 12:42:02 Lamun
9364847.483 434422.955 2018/09/11 12:42:12 Lamun
9364847.483 434422.955 2018/09/11 12:42:22 Lamun
9364845.935 434422.070 2018/09/11 12:42:32 Lamun
9364841.067 434418.754 2018/09/11 12:42:42 Lamun
9364841.067 434418.754 2018/09/11 12:42:52 Lamun
9364841.067 434418.754 2018/09/11 12:43:02 Lamun
9364841.067 434418.754 2018/09/11 12:43:12 Lamun
9364840.072 434417.869 2018/09/11 12:43:22 Lamun
9364808.762 434394.317 2018/09/11 12:44:02 Lamun
9364778.450 434372.314 2018/09/11 12:45:02 Lamun
9364778.843 434432.327 2018/09/11 12:52:02 Lamun
9364781.945 434438.192 2018/09/11 12:52:12 Lamun
9364783.718 434442.508 2018/09/11 12:52:22 Lamun
9364785.047 434444.943 2018/09/11 12:52:32 Lamun
9364787.928 434451.805 2018/09/11 12:52:42 Lamun
9364789.701 434455.125 2018/09/11 12:52:52 Lamun
9364792.580 434460.215 2018/09/11 12:53:02 Lamun
9364794.353 434464.421 2018/09/11 12:53:12 Lamun
9364796.460 434470.287 2018/09/11 12:53:22 Lamun
9364799.228 434474.492 2018/09/11 12:53:32 Lamun
9364799.342 434477.924 2018/09/11 12:53:42 Lamun
64
9364801.116 434483.016 2018/09/11 12:53:52 Lamun
9364805.209 434486.333 2018/09/11 12:54:02 Lamun
9364808.087 434489.763 2018/09/11 12:54:12 Lamun
9364812.954 434492.305 2018/09/11 12:54:22 Lamun
9364817.158 434495.622 2018/09/11 12:54:32 Lamun
9364822.135 434498.164 2018/09/11 12:54:42 Lamun
9364826.670 434500.706 2018/09/11 12:54:52 Lamun
9364885.517 434857.181 2018/09/11 13:11:20 Makro Alga
9364880.543 434857.186 2018/09/11 13:11:30 Makro Alga
9364874.686 434859.628 2018/09/11 13:11:40 Makro Alga
9364869.161 434861.405 2018/09/11 13:11:50 Makro Alga
9364861.976 434862.188 2018/09/11 13:12:00 Makro Alga
9364856.227 434861.419 2018/09/11 13:12:10 Makro Alga
9364851.359 434857.991 2018/09/11 13:12:20 Makro Alga
9364848.811 434852.125 2018/09/11 13:12:30 Makro Alga
9364844.494 434847.036 2018/09/11 13:12:40 Makro Alga
9364839.073 434842.834 2018/09/11 13:12:50 Makro Alga
9364832.437 434839.409 2018/09/11 13:13:00 Makro Alga
9364826.574 434836.093 2018/09/11 13:13:10 Makro Alga
9364789.070 434808.229 2018/09/11 13:14:20 Makro Alga
9364783.207 434804.027 2018/09/11 13:14:30 Makro Alga
9364777.455 434800.601 2018/09/11 13:14:40 Makro Alga
9364771.146 434793.078 2018/09/11 13:15:00 Makro Alga
9364740.058 434769.415 2018/09/11 13:16:10 Makro Alga
9364735.633 434766.873 2018/09/11 13:16:20 Makro Alga
9364725.897 434759.353 2018/09/11 13:16:40 Makro Alga
9364722.466 434755.039 2018/09/11 13:16:50 Makro Alga
9364703.327 434741.550 2018/09/11 13:17:30 Makro Alga
9364699.786 434738.232 2018/09/11 13:17:40 Makro Alga
9364642.044 434701.973 2018/09/11 13:19:40 Makro Alga
9364635.518 434698.548 2018/09/11 13:19:50 Makro Alga
9364632.309 434696.004 2018/09/11 13:20:00 Makro Alga
9364616.156 434683.398 2018/09/11 13:20:40 Makro Alga
9364611.844 434682.517 2018/09/11 13:20:50 Makro Alga
9364612.286 434681.741 2018/09/11 13:21:00 Makro Alga
9364612.397 434682.516 2018/09/11 13:21:10 Makro Alga
9364612.397 434682.516 2018/09/11 13:21:20 Makro Alga
9364612.397 434682.516 2018/09/11 13:21:30 Makro Alga
9364612.397 434682.516 2018/09/11 13:21:40 Makro Alga
9364612.728 434681.741 2018/09/11 13:21:50 Makro Alga
9364612.728 434681.741 2018/09/11 13:22:00 Makro Alga
65
9364612.728 434681.741 2018/09/11 13:22:10 Makro Alga
9364612.728 434681.741 2018/09/11 13:22:20 Makro Alga
9364612.948 434680.855 2018/09/11 13:22:30 Makro Alga
9364612.948 434680.855 2018/09/11 13:22:40 Makro Alga
9364612.948 434680.855 2018/09/11 13:22:50 Makro Alga
9364612.948 434680.855 2018/09/11 13:23:00 Makro Alga
9364612.948 434680.855 2018/09/11 13:23:10 Makro Alga
9364612.948 434680.855 2018/09/11 13:23:20 Makro Alga
9364612.948 434680.855 2018/09/11 13:23:24 Makro Alga
9364612.948 434680.855 2018/09/11 13:23:32 Makro Alga
9365038.357 434276.599 2018/09/11 14:05:28 Makro Alga
9365037.691 434273.278 2018/09/11 14:05:38 Makro Alga
9365037.909 434270.731 2018/09/11 14:05:48 Makro Alga
9365035.359 434263.094 2018/09/11 14:06:08 Makro Alga
9365034.139 434259.773 2018/09/11 14:06:18 Makro Alga
9365036.347 434257.224 2018/09/11 14:06:28 Makro Alga
9365037.119 434254.677 2018/09/11 14:06:38 Makro Alga
9365035.235 434250.471 2018/09/11 14:06:48 Makro Alga
9365033.903 434245.379 2018/09/11 14:06:58 Makro Alga
9365034.124 434245.379 2018/09/11 14:07:08 Makro Alga
9365034.454 434243.717 2018/09/11 14:07:18 Makro Alga
9365035.001 434238.623 2018/09/11 14:07:28 Makro Alga
9365031.572 434236.080 2018/09/11 14:07:58 Makro Alga
9365031.239 434235.195 2018/09/11 14:08:08 Makro Alga
9365031.681 434234.419 2018/09/11 14:08:18 Makro Alga
9365031.789 434232.648 2018/09/11 14:08:28 Makro Alga
9365031.232 434227.666 2018/09/11 14:08:38 Makro Alga
9365030.455 434225.120 2018/09/11 14:08:48 Makro Alga
9365030.233 434224.234 2018/09/11 14:08:58 Makro Alga
9365030.343 434223.459 2018/09/11 14:09:08 Makro Alga
9365029.790 434223.459 2018/09/11 14:09:18 Makro Alga
9365029.787 434220.913 2018/09/11 14:09:28 Makro Alga
9365029.120 434216.706 2018/09/11 14:09:38 Makro Alga
9365029.230 434216.706 2018/09/11 14:09:48 Makro Alga
9365029.340 434215.820 2018/09/11 14:09:58 Makro Alga
9365029.116 434213.273 2018/09/11 14:10:08 Makro Alga
9365029.664 434208.179 2018/09/11 14:10:18 Makro Alga
9365029.329 434204.858 2018/09/11 14:10:28 Makro Alga
9365029.329 434204.858 2018/09/11 14:10:38 Makro Alga
9365028.220 434202.312 2018/09/11 14:10:48 Makro Alga
9365027.998 434201.427 2018/09/11 14:10:58 Makro Alga
66
9365028.215 434197.219 2018/09/11 14:11:08 Makro Alga
9365028.102 434194.672 2018/09/11 14:11:18 Makro Alga
9365026.770 434189.580 2018/09/11 14:11:28 Makro Alga
9365025.876 434180.280 2018/09/11 14:11:58 Makro Alga
9365091.496 434137.140 2018/09/11 14:18:38 Makro Alga
9365095.037 434140.569 2018/09/11 14:18:48 Makro Alga
9365096.475 434141.453 2018/09/11 14:18:58 Makro Alga
9365096.146 434143.889 2018/09/11 14:19:08 Makro Alga
9365096.370 434146.436 2018/09/11 14:19:18 Makro Alga
9365097.145 434147.321 2018/09/11 14:19:28 Makro Alga
9365096.925 434148.207 2018/09/11 14:19:38 Makro Alga
9365096.925 434148.207 2018/09/11 14:19:48 Makro Alga
9365097.367 434148.206 2018/09/11 14:19:58 Makro Alga
9365096.372 434148.207 2018/09/11 14:20:08 Makro Alga
9365102.145 434171.786 2018/09/11 14:21:18 Makro Alga
9365112.447 434192.038 2018/09/11 14:22:38 Makro Alga
9365114.330 434196.244 2018/09/11 14:22:48 Makro Alga
9365114.330 434196.244 2018/09/11 14:22:58 Makro Alga
9365116.102 434198.789 2018/09/11 14:23:08 Makro Alga
9365116.102 434198.789 2018/09/11 14:23:18 Makro Alga
9365116.102 434198.789 2018/09/11 14:23:28 Makro Alga
9365120.200 434206.425 2018/09/11 14:23:38 Makro Alga
9365122.194 434210.630 2018/09/11 14:23:48 Makro Alga
9365124.741 434214.835 2018/09/11 14:23:58 Makro Alga
9364709.193 434641.005 2018/09/11 12:31:10 Makro Alga
9364729.411 434629.247 2018/09/11 12:31:30 Makro Alga
9364732.723 434625.036 2018/09/11 12:31:40 Makro Alga
9364736.477 434620.714 2018/09/11 12:31:50 Makro Alga
9364741.007 434618.163 2018/09/11 12:32:00 Makro Alga
9364744.210 434614.838 2018/09/11 12:32:10 Makro Alga
9364746.750 434612.289 2018/09/11 12:32:20 Makro Alga
9364750.947 434608.962 2018/09/11 12:32:30 Makro Alga
9364774.689 434370.657 2018/09/11 12:45:12 Makro Alga
9364773.030 434369.773 2018/09/11 12:45:22 Makro Alga
9364773.030 434369.773 2018/09/11 12:45:32 Makro Alga
9364767.061 434369.779 2018/09/11 12:45:42 Makro Alga
9364742.855 434374.122 2018/09/11 12:49:32 Makro Alga
9364744.739 434378.328 2018/09/11 12:49:42 Makro Alga
9364746.623 434382.534 2018/09/11 12:49:52 Makro Alga
9364748.286 434387.625 2018/09/11 12:50:02 Makro Alga
9364751.055 434392.605 2018/09/11 12:50:12 Makro Alga
67
9364771.086 434413.733 2018/09/11 12:51:22 Makro Alga
9364773.855 434418.823 2018/09/11 12:51:32 Makro Alga
9364775.405 434421.368 2018/09/11 12:51:42 Makro Alga
9364777.289 434425.574 2018/09/11 12:51:52 Makro Alga
9364954.496 434747.270 2018/09/11 13:06:00 Substrat
9364953.731 434755.686 2018/09/11 13:06:10 Substrat
9364954.733 434762.439 2018/09/11 13:06:20 Substrat
9364955.624 434769.193 2018/09/11 13:06:30 Substrat
9364953.420 434775.949 2018/09/11 13:06:40 Substrat
9364953.096 434783.590 2018/09/11 13:06:50 Substrat
9364943.506 434809.731 2018/09/11 13:07:40 Substrat
9364940.192 434812.281 2018/09/11 13:07:50 Substrat
9364938.759 434816.490 2018/09/11 13:08:00 Substrat
9364921.750 434830.902 2018/09/11 13:09:10 Substrat
9364919.210 434833.451 2018/09/11 13:09:20 Substrat
9364919.212 434835.112 2018/09/11 13:09:30 Substrat
9364917.335 434837.661 2018/09/11 13:09:40 Substrat
9364913.579 434840.211 2018/09/11 13:09:50 Substrat
9364912.034 434842.759 2018/09/11 13:10:00 Substrat
9364910.047 434845.308 2018/09/11 13:10:10 Substrat
9364907.507 434847.857 2018/09/11 13:10:20 Substrat
9364905.964 434852.842 2018/09/11 13:10:30 Substrat
9364903.314 434855.391 2018/09/11 13:10:40 Substrat
9364900.331 434857.166 2018/09/11 13:10:50 Substrat
9364895.578 434857.946 2018/09/11 13:11:00 Substrat
9364892.814 434857.949 2018/09/11 13:11:10 Substrat
9364768.270 434791.420 2018/09/11 13:15:10 Substrat
9364752.676 434784.571 2018/09/11 13:15:40 Substrat
9364748.249 434779.593 2018/09/11 13:15:50 Substrat
9364744.374 434774.504 2018/09/11 13:16:00 Substrat
9364717.598 434751.722 2018/09/11 13:17:00 Substrat
9364711.294 434748.296 2018/09/11 13:17:10 Substrat
9364707.090 434744.978 2018/09/11 13:17:20 Substrat
9364628.437 434692.686 2018/09/11 13:20:10 Substrat
9364624.896 434689.258 2018/09/11 13:20:20 Substrat
9364620.581 434685.940 2018/09/11 13:20:30 Substrat
9365060.200 434339.137 2018/09/11 14:01:58 Substrat
9365061.742 434334.042 2018/09/11 14:02:08 Substrat
9365057.869 434329.838 2018/09/11 14:02:18 Substrat
9365056.646 434323.085 2018/09/11 14:02:28 Substrat
9365055.648 434320.539 2018/09/11 14:02:38 Substrat
68
9365027.098 434186.258 2018/09/11 14:11:38 Substrat
9365026.430 434181.166 2018/09/11 14:11:48 Substrat
9365024.657 434176.960 2018/09/11 14:12:08 Substrat
9365104.694 434177.763 2018/09/11 14:21:28 Substrat
9365105.248 434179.423 2018/09/11 14:21:38 Substrat
9365105.248 434179.423 2018/09/11 14:21:48 Substrat
9365105.248 434179.423 2018/09/11 14:21:58 Substrat
9365105.802 434180.197 2018/09/11 14:22:08 Substrat
9365105.802 434180.197 2018/09/11 14:22:18 Substrat
9365109.676 434185.287 2018/09/11 14:22:28 Substrat
9365130.941 434224.130 2018/09/11 14:24:08 Substrat
9365137.365 434235.971 2018/09/11 14:24:18 Substrat
9365141.685 434244.381 2018/09/11 14:24:28 Substrat
9364630.512 434668.214 2018/09/11 12:27:50 Substrat
9364630.512 434668.214 2018/09/11 12:28:00 Substrat
9364630.512 434668.214 2018/09/11 12:28:10 Substrat
9364630.512 434668.214 2018/09/11 12:28:20 Substrat
9364645.204 434658.012 2018/09/11 12:29:10 Substrat
9364655.481 434653.794 2018/09/11 12:29:20 Substrat
9364655.481 434653.794 2018/09/11 12:29:30 Substrat
9364677.582 434646.131 2018/09/11 12:30:30 Substrat
9364704.663 434642.781 2018/09/11 12:30:50 Substrat
9364704.663 434642.781 2018/09/11 12:31:00 Substrat
9364755.698 434606.411 2018/09/11 12:32:40 Substrat
9364760.780 434602.973 2018/09/11 12:32:50 Substrat
9364766.747 434601.306 2018/09/11 12:33:00 Substrat
9364772.382 434597.868 2018/09/11 12:33:10 Substrat
9364776.469 434594.542 2018/09/11 12:33:20 Substrat
9364825.301 434566.589 2018/09/11 12:34:50 Substrat
9364830.602 434560.715 2018/09/11 12:35:00 Substrat
9364833.309 434506.567 2018/09/11 12:40:02 Substrat
9364832.991 434412.894 2018/09/11 12:43:42 Substrat
9364824.031 434406.924 2018/09/11 12:43:52 Substrat
9364799.580 434387.572 2018/09/11 12:44:12 Substrat
9364794.822 434383.369 2018/09/11 12:44:22 Substrat
9364787.523 434380.830 2018/09/11 12:44:32 Substrat
9364786.306 434379.946 2018/09/11 12:44:42 Substrat
9364781.326 434374.858 2018/09/11 12:44:52 Substrat
9364758.106 434369.013 2018/09/11 12:45:52 Substrat
9364755.230 434367.355 2018/09/11 12:46:02 Substrat
9364751.690 434365.587 2018/09/11 12:46:12 Substrat
69
9364747.598 434363.931 2018/09/11 12:46:22 Substrat
9364829.329 434505.796 2018/09/11 12:55:02 Substrat
9364945.712 434805.521 2018/09/11 13:07:30 Terumbu Karang
9364820.050 434834.439 2018/09/11 13:13:20 Terumbu Karang
9364813.967 434831.013 2018/09/11 13:13:30 Terumbu Karang
9364808.214 434826.811 2018/09/11 13:13:40 Terumbu Karang
9364803.014 434822.609 2018/09/11 13:13:50 Terumbu Karang
9364798.144 434817.520 2018/09/11 13:14:00 Terumbu Karang
9364793.275 434812.432 2018/09/11 13:14:10 Terumbu Karang
9364764.289 434790.538 2018/09/11 13:15:20 Terumbu Karang
9364757.765 434788.884 2018/09/11 13:15:30 Terumbu Karang
9364730.433 434762.670 2018/09/11 13:16:30 Terumbu Karang
9364694.698 434734.804 2018/09/11 13:17:50 Terumbu Karang
9364691.600 434732.261 2018/09/11 13:18:00 Terumbu Karang
9364685.073 434728.060 2018/09/11 13:18:10 Terumbu Karang
9364680.094 434723.858 2018/09/11 13:18:20 Terumbu Karang
9364675.116 434720.541 2018/09/11 13:18:30 Terumbu Karang
9364669.806 434717.114 2018/09/11 13:18:40 Terumbu Karang
9364665.828 434718.004 2018/09/11 13:18:50 Terumbu Karang
9364661.181 434714.576 2018/09/11 13:19:00 Terumbu Karang
9364656.867 434712.034 2018/09/11 13:19:10 Terumbu Karang
9364651.779 434708.718 2018/09/11 13:19:20 Terumbu Karang
9364647.354 434706.175 2018/09/11 13:19:30 Terumbu Karang
9365035.001 434238.623 2018/09/11 14:07:38 Terumbu Karang
9365033.342 434237.739 2018/09/11 14:07:48 Terumbu Karang
9365024.983 434171.866 2018/09/11 14:12:18 Terumbu Karang
9365023.763 434167.660 2018/09/11 14:12:28 Terumbu Karang
9365023.763 434167.660 2018/09/11 14:12:38 Terumbu Karang
9365023.763 434167.660 2018/09/11 14:12:48 Terumbu Karang
9365025.419 434165.997 2018/09/11 14:12:58 Terumbu Karang
9365024.862 434161.790 2018/09/11 14:13:08 Terumbu Karang
9365027.292 434160.016 2018/09/11 14:13:18 Terumbu Karang
9365029.281 434159.239 2018/09/11 14:13:28 Terumbu Karang
9365033.148 434157.463 2018/09/11 14:13:38 Terumbu Karang
9365036.131 434155.024 2018/09/11 14:13:48 Terumbu Karang
9365039.003 434153.250 2018/09/11 14:13:58 Terumbu Karang
9365039.003 434153.250 2018/09/11 14:14:08 Terumbu Karang
9365039.885 434150.702 2018/09/11 14:14:18 Terumbu Karang
9365045.521 434149.035 2018/09/11 14:14:28 Terumbu Karang
9365049.612 434149.917 2018/09/11 14:14:38 Terumbu Karang
9365049.502 434149.917 2018/09/11 14:14:48 Terumbu Karang
70
9365049.502 434149.917 2018/09/11 14:14:58 Terumbu Karang
9365049.833 434149.917 2018/09/11 14:15:08 Terumbu Karang
9365054.475 434148.251 2018/09/11 14:15:18 Terumbu Karang
9365058.008 434144.815 2018/09/11 14:15:28 Terumbu Karang
9365061.432 434141.489 2018/09/11 14:15:38 Terumbu Karang
9365064.746 434138.939 2018/09/11 14:15:48 Terumbu Karang
9365066.510 434134.619 2018/09/11 14:15:58 Terumbu Karang
9365068.278 434133.842 2018/09/11 14:16:08 Terumbu Karang
9365068.278 434133.842 2018/09/11 14:16:18 Terumbu Karang
9365068.278 434133.842 2018/09/11 14:16:28 Terumbu Karang
9365071.150 434132.178 2018/09/11 14:16:38 Terumbu Karang
9365072.033 434130.406 2018/09/11 14:16:48 Terumbu Karang
9365072.033 434130.406 2018/09/11 14:16:58 Terumbu Karang
9365072.033 434130.406 2018/09/11 14:17:08 Terumbu Karang
9365077.006 434128.740 2018/09/11 14:17:18 Terumbu Karang
9365077.337 434127.854 2018/09/11 14:17:28 Terumbu Karang
9365077.337 434127.854 2018/09/11 14:17:38 Terumbu Karang
9365078.218 434125.417 2018/09/11 14:17:48 Terumbu Karang
9365078.992 434125.416 2018/09/11 14:17:58 Terumbu Karang
9365081.537 434127.849 2018/09/11 14:18:08 Terumbu Karang
9365084.967 434130.392 2018/09/11 14:18:18 Terumbu Karang
9365087.291 434132.937 2018/09/11 14:18:28 Terumbu Karang
9365096.373 434148.982 2018/09/11 14:20:18 Terumbu Karang
9365096.153 434150.644 2018/09/11 14:20:28 Terumbu Karang
9365096.822 434155.736 2018/09/11 14:20:38 Terumbu Karang
9365097.043 434155.736 2018/09/11 14:20:48 Terumbu Karang
9365097.043 434155.736 2018/09/11 14:20:58 Terumbu Karang
9365099.153 434165.035 2018/09/11 14:21:08 Terumbu Karang
9364613.488 434669.007 2018/09/11 12:25:30 Terumbu Karang
9364613.488 434669.007 2018/09/11 12:25:40 Terumbu Karang
9364613.488 434669.007 2018/09/11 12:25:50 Terumbu Karang
9364613.488 434669.007 2018/09/11 12:26:00 Terumbu Karang
9364613.600 434669.892 2018/09/11 12:26:10 Terumbu Karang
9364613.600 434669.892 2018/09/11 12:26:20 Terumbu Karang
9364613.600 434669.892 2018/09/11 12:26:30 Terumbu Karang
9364613.600 434669.892 2018/09/11 12:26:40 Terumbu Karang
9364615.148 434669.891 2018/09/11 12:26:50 Terumbu Karang
9364616.583 434668.228 2018/09/11 12:27:00 Terumbu Karang
9364618.462 434668.226 2018/09/11 12:27:10 Terumbu Karang
9364623.878 434667.335 2018/09/11 12:27:20 Terumbu Karang
9364623.878 434667.335 2018/09/11 12:27:30 Terumbu Karang
71
9364623.878 434667.335 2018/09/11 12:27:40 Terumbu Karang
9364632.058 434666.441 2018/09/11 12:28:30 Terumbu Karang
9364632.058 434666.441 2018/09/11 12:28:40 Terumbu Karang
9364632.058 434666.441 2018/09/11 12:28:50 Terumbu Karang
9364645.204 434658.012 2018/09/11 12:29:00 Terumbu Karang
9364668.300 434649.573 2018/09/11 12:29:40 Terumbu Karang
9364668.300 434649.573 2018/09/11 12:29:50 Terumbu Karang
9364668.300 434649.573 2018/09/11 12:30:00 Terumbu Karang
9364668.300 434649.573 2018/09/11 12:30:10 Terumbu Karang
9364670.289 434648.685 2018/09/11 12:30:20 Terumbu Karang
9364691.066 434643.571 2018/09/11 12:30:40 Terumbu Karang
9364721.788 434633.463 2018/09/11 12:31:20 Terumbu Karang
9364787.187 434590.323 2018/09/11 12:33:40 Terumbu Karang
9364791.720 434591.094 2018/09/11 12:33:50 Terumbu Karang
9364797.027 434591.088 2018/09/11 12:34:00 Terumbu Karang
9364804.097 434586.098 2018/09/11 12:34:10 Terumbu Karang
9364808.072 434581.776 2018/09/11 12:34:20 Terumbu Karang
9364738.528 434358.847 2018/09/11 12:46:32 Terumbu Karang
9364738.528 434358.847 2018/09/11 12:46:42 Terumbu Karang
9364733.109 434356.306 2018/09/11 12:46:52 Terumbu Karang
9364729.348 434354.649 2018/09/11 12:47:02 Terumbu Karang
9364729.348 434354.649 2018/09/11 12:47:12 Terumbu Karang
9364728.575 434354.650 2018/09/11 12:47:22 Terumbu Karang
9364718.618 434347.906 2018/09/11 12:47:32 Terumbu Karang
9364717.845 434347.906 2018/09/11 12:47:42 Terumbu Karang
9364717.845 434347.906 2018/09/11 12:47:52 Terumbu Karang
9364716.407 434347.908 2018/09/11 12:48:02 Terumbu Karang
9364718.067 434349.567 2018/09/11 12:48:12 Terumbu Karang
9364720.611 434350.450 2018/09/11 12:48:22 Terumbu Karang
9364724.483 434352.993 2018/09/11 12:48:32 Terumbu Karang
9364728.575 434354.650 2018/09/11 12:48:42 Terumbu Karang
9364731.565 434359.740 2018/09/11 12:48:52 Terumbu Karang
9364734.442 434363.059 2018/09/11 12:49:02 Terumbu Karang
9364736.767 434366.489 2018/09/11 12:49:12 Terumbu Karang
9364740.862 434370.692 2018/09/11 12:49:22 Terumbu Karang
9364752.165 434396.922 2018/09/11 12:50:22 Terumbu Karang
9364753.935 434398.581 2018/09/11 12:50:32 Terumbu Karang
9364762.227 434399.348 2018/09/11 12:50:42 Terumbu Karang
9364765.881 434405.323 2018/09/11 12:50:52 Terumbu Karang
9364767.873 434406.982 2018/09/11 12:51:02 Terumbu Karang
9364770.088 434411.187 2018/09/11 12:51:12 Terumbu Karang
72
Lampiran 5. Foto Lapangan
Foto 1. Objek Terumbu Karang
Foto 2. Objek Terumbu Karang
Foto 3.Objek Makro Alga
Foto 4. Objek Makro Alga
Foto 5. Objek Pasir
Foto 6. Objek Pasir
73
Foto 7. Objek Lamun
Foto 8. Objek Lamun
Foto 9. Navigasi menuju lokasi survei
transek
Foto 10. Survei transek tanggal 11
September 2018 menggunakan kapal
Foto 11. Alat survei lapangan berupa
(kiri-kanan) pelampung, snorkel, GPS
Dakota 10, dan Pita ukur.
Foto 12. Pengambilan salah satu
sampel.