Pemetaan Kawasan Mangrove Menggunakan Citra Satelit Sentinel-2B dengan Klasifikasi Berbasis Objek di Gili Sulat, Lombok Timur

Abstract

Mangrove merupakan salah satu ekosistem yang memiliki peran penting di kawasan pesisir. Mangrove merupakan penyusun utama Gili Sulat, Lombok Timur. Penelitian tentang pemetaan mangrove di kawasan ini masih sangat sedikit sehingga penelitian ini penting untuk dilakukan guna memberikan informasi terbaru terkait Gili Sulat. Penelitian ini bertujuan untuk menguji kemampuan citra Sentinel-2B dalam pemetaan kawasan mangrove menggunakan klasifikasi Support Vector Machine (SVM) dan decision tree yang diterapkan pada klasifikasi berbasis objek. Selanjutnya penelitian ini akan mencoba mengestimasi luasan mangrove di lokasi kajian serta menganalisis hubungan antara tutupan kanopi dan nilai Normalized Difference Vegetation Index (NDVI) dari citra satelit Sentinel-2B. Lokasi penelitian dilaksanakan di Pulau Sulat atau lebih dikenal dengan Gili Sulat, Lombok Timur. Kawasan ini termasuk dalam Kawasan Konservasi Laut Daerah (KKLD) Gili Sulat dan Gili Lawang. Survei lapangan dilakukan sebanyak 1 minggu pada bulan Oktober 2017. Bahan yang digunakan adalah citra satelit Sentinel-2B yang telah diakuisisi pada tanggal 25 Oktober 2017. Pengambilan data lapangan dilakukan dengan metode stratified random sampling dengan jumlah data yang diperoleh sebanyak 147 titik. Metode yang digunakan adalah metode transek kuadrat yang berukuran 10x10 m. Metode ini dikombinasikan dengan metode hemispherichal photography. Pendekatan berbasis objek (OBIA) diterapkan pada penelitian ini. Segmentasi menjadi salah satu bagian penting dari OBIA karena akan berdampak pada hasil akhir nilai akurasi. Optimasi segmentasi dilakukan dengan metode trial and error dengan melakukan uji coba pada parameter skala. Beberapa percobaan dengan nilai 20, 40, 60, 80, 100, 120, 140, 160, 180 dan 200 menghasilkan nilai 60 sebagai nilai dengan akurasi tertinggi pada SVM. Sedangkan decision tree menghasilkan akurasi tertinggi pada skala 100. Namun secara keseluruhan berdasarkan pengujian terhadap nilai skala, SVM memberikan nilai akurasi lebih baik dibandingkan dengan decisionTree. Hasil klasifikasi berbasis objek menggunakan SVM, diperoleh nilai overall accuracy sebesar 96,04% (kappa=0,89) sedangkan klasifikasi decision tree diperoleh nilai overall accuracy sebesar 91,09% (kappa=0,77). Kelas mangrove menghasilkan nilai user’s accuracy sebesar 100 %, sedangkan decision tree sebesar 98,64%. Selanjutnya, nilai producer’s accuracy dari kelas mangrove adalah 96,25% dan 91,25 % secara berurutan. Hasil penelitian ini menunjukkan bahwa algoritma klasifikasi SVM dapat menjadi pilihan yang menjanjikan untuk pemetaan mangrove. Berdasarkan hasil pengukuran, luasan mangrove di Gili Sulat dengan klasifikasi SVM adalah 654,42 Ha sedangkan dengan Decisision Tree sebesar 625 Ha. Hubungan antara tutupan kanopi dan nilai NDVI tinggi (r=0,86) dan koefien determinasi sebesar r2=0,75 yang berarti tutupan kanopi mangrove berpengaruh terhadap nilai NDVI sedangkan sisanya dipengaruhi oleh variabel lainnya.