SKRIPSI
DIAJUKAN OLEH:
Oleh:
Tim Penguji
Dr. L.M. Golok Jaya, S.T., M.T. Fitra Saleh, S.Pi., M.Sc.
NIP. 19761020 200501 1 002 NIP. 19861203 201504 1 002
ii
PEMANFAATAN CITRA MULTISPEKTRAL UNTUK MENGANALISIS
POTENSI BIOMASSA DAN CADANGAN KARBON HUTAN MENGROVE
DI TAMAN NASIONAL RAWA AOPA WATUMOHAI
Oleh:
Derick Christopher Ambo Masse
F1I113013
(Program Studi Geografi, Fakultas Ilmu dan Teknologi Kebumian,
Universitas Halu Oleo)
haibangder@gmail.com
ABSTRAK
iii
THE USE OF MULTISPECTRAL IMAGERY TO ANALYZE THE
POTENTIAL OF BIOMASS AND CARBON STOCKS OF MANGROVE
FORESTS IN TAMAN NASIONAL RAWA AOPA WATUMOHAI
Oleh:
Derick Christopher Ambo Masse
F1I113013
(Geopgraphy Study Program, Faculty of Science and Earth Technology,
Halu Oleo University)
haibangder@gmail.com
ABSTRACT
The existence of forest is the most effective carbon strage and can be
calculated by utilizing multispectral imagery. Forests can absorb carbon in the
atmosphere and store it in the form of biomass in various parts of plants.
Mangrove ecosystem area of Taman Nasional Rawa Aopa Watumohai Southeast
Sulawesi is one of the forests in Indonesia that has a large potential of biomass
and carbon stocks. This study aims to (1) identify the distribution of mangrove
forest ecosystems through remote sensing technology using multispectral imagery
(2) to determine the potential biomass and carbon stocks in the mangrove forest
ecosystem in Taman Nasional Rawa Aopa Watumohai. This study uses the
normalized difference vegetation index method to calculate the class area of
vegetation density and allometric analysis to calculate biomass and carbon stocks.
The results of this study are in the form of map of the distribution of biomass and
carbon stocks based on the class of vegetation density and the amount of biomass
and carbon stocks of mangrove forests in the Taman Nasional Rawa Aopa
Watumohai.
Keywords: Biomass, Multispectral Image, Carbon, Mangrove
iv
KATA PENGANTAR
Puji syukur penulis haturkan kepada Allah Subhanahu Wata’ala yang telah
Taman Nasional Rawa Aopa Watumohai” dengan baik. Shalawat serta salam
keluarganya, para sahabat, tabi’in, tabiut tabi’in, serta para pengikutnya hingga
akhir zaman kelak. Penulis menyadari sepenuhnya bahwa penyusunan skripsi ini
tidak akan selesai dan tersusun dengan baik tanpa adanya sumbang saran dan
bimbingan serta motivasi dari berbagai pihak. Oleh karena itu, ucapan terimakasih
Muhammad Golok Jaya, S.T., M.T selaku Pembimbing I dan Bapak Fitra Saleh,
S.Pi., M.Sc selaku pembimbing II yang telah meluangkan waktu, tenaga, pikiran,
tercinta Awaluddin Ambo Masse dan Ibunda tercinta (Alm). Yudea Efrata
Meinaldo dan Louisa Albertina terima kasih atas bantuan baik moril maupun
v
Penyusunan skripsi ini diajukan untuk memenuhi sebagian persyaratan
mencapai derajat sarjana pada Jurusan Geografi Fakultas Ilmu dan Teknologi
dan hambatan yang dihadapi oleh penulis, namun dengan usaha dan do’a serta
bantuan dari berbagai pihak yang tidak luput atas pertolongan dan kehendak Allah
sesuatu yang telah diberikan menjadi bermanfaat dan bernilai ibadah di hadapan
Pada kesempatan ini penulis juga menyampaikan terima kasih yang tulus
kepada:
1. Rektor Universitas Halu Oleo Bapak Prof. Dr. Muh. Zamrun F, S.Si., M.Si.,
2. Dekan Fakultas Ilmu dan Teknologi Kebumian Universitas Halu Oleo Bapak
Halu Oleo Bapak La Ode Muhammad Iradat S, S.Pd., S.T., M.Sc dan
4. Bapak Dr. Laode Restele, S.Pd M.Si, Bapak L. M. Iradat Salihin, S.Pd., S.T.,
M.Sc, dan Bapak Sawaludin, S.Pi., M.Sc selaku penguji yang telah
5. Bapak dan Ibu Dosen yang telah membimbing penulis selama menempuh
vi
6. Kepala Balai Taman Nasional Rawa Aopa Watumohai dan jajarannya yang
7. Papi Solichin Sjam, S.E, Mami Dra. Lusiana Yuliana Mustamu, Mama
penulis.
Putu Agus Putra Lantara, S.Geo, Erwin, Ka Anca, Porter dan Mba Ana.
S.Geo, Nurul Ainun Tangge, S.Geo, Muh. Arva Harun, adik-adik mahasiswa
Yusnan Iskandar Putra, Hardianto, Muh. Azharudin, Jul Hasan, Muh. Idham
Rahmi Diah Fatmi, Khofifah Awalya Ramadhani, Hazriani, Tania, dan adik-
adik mahasiswa Jurusan Geografi angkatan 2018; Afong, Efraim, Dandi, dan
10. Sahabat-sahabat Tim PHBD 2016; Nur Rahma Musdalifa, S.Ked, Siti Nur
Janna, S.Ked, L.M. Dzul Fijar, Aghust Merlinawati Sairi, S.H, L.M.
Suhardiman S.T, Syahril Ramadhan, S.Sos, Lisa Iha, S.Si, Diah Astari Salam,
vii
S.Farm. Terimakasih telah memberikan dukungan dalam menyelesaikan
skripsi ini.
pertemanan yang sangat kuat, menyatukan energi dan menjadi manusia yang
Agustina, Agustina Iskandar, Rusdi Mubaraq, Ade Desi Israeni, saya punya
Penulis memahami sepenuhnya bahwa skripsi ini tak luput dari kesalahan.
Oleh karena itu, kritik dan saran yang membangun sangat diharapkan demi
bagi para pembaca untuk melakukan hal yang lebih baik lagi dan semoga
Penulis.
viii
DAFTAR ISI
Halaman
HALAMAN JUDUL i
HALAMAN PENGESAHAN ii
ABSTRAK iii
ABSTRACT iv
KATA PENGANTAR v
DAFTAR ISI ix
DAFTAR TABEL xi
DAFTAR GAMBAR xii
I. PENDAHULUAN
A. Latar Belakang 1
B. Rumusan Masalah 2
C. Tujuan Penelitian 3
D. Manfaat Penelitian 4
1. Manfaat Teoritis 4
2. Manfaat Praktis 4
E. Keaslian Penelitian 5
ix
F. Analisis Data 27
1. Analisis NDVI (Normalized Difference Vegetation Indeks) 27
2. Analisis Alometrik 28
3. Pendugaan Biomassa dan Cadangan Karbon Berdasarkan 29
Ekosistem
G. Diagram Alir Penelitian 30
DAFTAR PUSTAKA 52
LAMPIRAN 55
x
DAFTAR TABEL
Halaman
Tabel 1. Keaslian Penelitian 7
Tabel 8. Biomassa 40
Tabel 11. Total Biomassa dan Cadangan Karbon Perhitungan Data Lapangan 43
xi
DAFTAR GAMBAR
Halaman
Gambar 1. Peta Kawasan Ekosistem Mangrove 18
Gambar 4. Subset Citra (A) Citra Full Scene (B) Citra Telah Tersubset 33
xii
I. PENDAHULUAN
A. Latar Belakang
perubahan tinggi muka air laut, dan perubahan variabilitas iklim. Variabilitas
iklim adalah fluktuasi unsur iklim yang terjadi secara tiba-tiba namun tidak
mitigasi. Mitigasi adalah tindakan untuk mengurangi emisi gas rumah kaca dan
2011 tentang Rencana Aksi Nasional Penurunan Emisi Gas Rumah Kaca sebagai
acuan dasar pelaksanaan adaptasi dan mitigasi perubahan iklim oleh seluruh
Pemerintah Daerah di Indonesia. Salah satu sektor yang berperan penting terhadap
seluruh makhluk hidup untuk bernapas. Salah satu hutan di Indonesia yang
1
2
dapat dilihat dari tegakkan pohon yang banyak. Ekosistem hutan mangrove yang
Pemanfaatan teknologi penginderaan jauh dapat dijadikan solusi yang tepat untuk
melakukan penelitian berskala luas karena lebih efektif, efisien dan dapat
yang ada di TNRAW. Hal ini sangat dibutuhkan sebagai bahan pertimbangan
perubahan iklim.
B. Rumusan Masalah
peneliti untuk menjangkau seluruh bagian yang ada, sehingga dibutuhkan sebuah
yang berkaitan dengan perhitungan biomassa dan cadangan karbon yang ada pada
2) Berapa besar potensi biomassa dan cadangan karbon pada ekosistem hutan
C. Tujuan Penelitian
D. Manfaat Penelitian
Penelitian ini memiliki dua manfaat yaitu manfaat teoritis dan manfaat
praktis.
1. Manfaat Teoritis
2. Manfaat Praktis
Fakultas Ilmu dan Teknologi Kebumian Universitas Halu Oleo Kendari serta
penelitian ini.
E. Keaslian Penelitian
ketahui dalam keaslian penelitian adalah lokasi, tujuan, teknik analisis, dan hasil
penelitian.
mengangkat judul penelitian yaitu estimasi cadangan karbon bambu apus diatas
untuk mendapatkan gambaran sebaran serta mencari tahu kandungan karbon yang
Penelitian kedua dilakukan oleh Agil Riski, dkk (2016) dengan judul
pemanfaatan citra landsat 8 OLI untuk pemetaan kerapatan dan biomassa eceng
penelitian ini yaitu untuk memetakan kerapatan dan biomassa eceng gondok
biomassa dan kerapatan sehingga bisa dibuat dalam bentuk peta kerapatan dan
peta biomassa.
penginderaan jauh. Hasil yang diperoleh dalam penelitian ini adalah pembuktian
hutan.
merupakan hasil akhir dari penelitian yang penulis lakukan dan yang menjadi
cadangan karbon dibuat dalam bentuk peta sebaran biomassa dan cadangan
karbon di TNRAW.
Tabel 1. Keaslian Penelitian
Nama Judul Penelitian Tujuan Penelitian Metode Penelitian Hasil Penelitian
Aris Munandar (2016) Estimasi Cadangan Karbon 1. Mendapatkan gambaran Menggunakan persamaan 1. Diketahuinyasebaran bambu
Bambu Apus (Gigantochloa sebaran bambu apus alometrik (Purwanto, 2010) apus di Kecamatan Kambu.
Apus Kurs) Diatas Permukaan (Gigantochloa apus Kurz) untuk menghitung biomassa 2. Diketahuinya jumlah
Tanah Dikecamatan Kambu di Kecamataan Kambu. yang terdapat pada organ biomassa dan karbonyang
Kota Kendari 2. Untuk mengetahui tumbuhan serta menggunakan tersimpan pada organ
kandungan karbon yang hasil analisis Welkley and bambu apus yang terdapat di
tersimpan pada organ Black untuk menghitung Kecamatan Kambu.
bambu apus (Gigantochloa karbon.
apus Kurz) di atas
permukaan tanah di
Kecamatan Kambu.
Agil Rizki Tidar, Prima Pemanfaatan Citra Landsat 8 1. Pemetaan kerapatan eceng Metode yang digunakan yaitu 1. Nilai NDVI dan kelas
Dinta Rahma Syam, OLI Untuk Pemetaan gondok didanau Rawa dengan pengolahan kerapatan berbanding lurus
Pramaditya Wicaksono Kerapatan Dan Biomassa Pening dengan pemanfaatan transformasi index vegetasi dengan estimasi biomassa
(2016) Eceng Gondok (Eichhornia Citra Lndsat 8 OLI NDVI (Normalized Difference eceng gondok.
Crassipes) (Studi Kasus: (operational Land Imager) Vegetation Index) lalu 2. Data Citra Landsat 8 OLI
Rawa Pening Kecamatan multi temporal tahun dilakukan analisis regresi dan dapat digunakan untuk
Ambarawa Kabupaten perekaman 2016. dikorelasikan dengan nilai estimasi biomassa eceng
Semarang) 2. Pemetaan biomassa eceng biomassa yang didapatkan dari gondok.
gondok didanau Rawa hasil pengukuran lapangan.
Pening dengan pemanfaatan
Citra Lndsat 8 OLI
(operational Land Imager)
multi temporal tahun
perekaman 2016.
Nurlita Indah Wahyuni Integrasi Penginderaan Jauh Untuk memberikan informasi Metode yang digunakan Diketahui bahwa formula NDVI
(2012) Dalam Penghitungan tentang pemanfaatan teknologi teknologi penginderaan jauh dalam teknologi penginderaan
Biomassa Hutan penginderaan jauh dalam rangka untuk menghitung biomassa jauh dan persamaan alometrik
perhitungan biomassa hutan. hutan dengan menggunakan dapat digunakan untuk
formula NDVI dan persamaan menghitung biomassa hutan.
alometrik.
7
Nama Judul Penelitian Tujuan Penelitian Metode Penelitian Hasil Penelitian
Eddy Handoko, Bintal Analisis Biomassa Dan 1. Untuk menganalisis Metode yang digunakan dalam 1. Potensi biomassa mangrove
Amin, Sofyan Husein Cadangan Karbon Pada kemampuan ekosistem penelitian ini adalah metode berbanding lurus dengan
Siregar (2016) Ekosistem Mangrove Di mangrove menyimpan survey pengambilan sampel cadangan karbon mangrove
Kawasan Selatan Pulau Rupat karbon pada suatu satuan dan selanjutnya sampel dan potensi serapan gas
luas area. dianalisis di laboratorium, CO2.
2. Untuk menganalisis kemudian data yang diperoleh 2. Semakin tinggi nilai
perbedaan biomassa, diolah dan disajikan dalam biomassa maka semakin
cadangan karbon dan bentuk tabel dan grafik serta tinggi pula nilai karbon dan
serapan gas CO2 antar dibahas secara deskriptif. kemampuan menyerapnya.
stasiun pada kondisi hutan
mangrove yang diteliti.
Derick Christopher Ambo Pemanfaatan Citra 1. Mengidentifikasi sebaran Metode yang digunakan yaitu 1. Diketahuinya sebaran tiap
Masse (2018) Multispektral Untuk ekosistem hutan melalui dengan menggunakan formula tiap ekosistem hutan yang
Menganalisis Potensi teknologi penginderaan jauh NDVI (Normalized Difference ada di TNRAW.
Biomassa Dan Cadangan dengan menggunakan data Vegetation Index) untuk 2. Diketahuinya potensi
Karbon Hutan Mangrove Di multispektral. melihat sebaran dan kerapatan biomassa dan cadangan
Taman Nasional Rawa Aopa 2. Menduga potensi biomassa tiap-tiap ekosistema lalu karbon yang ada pada
Watumohai dan cadangan karbon pada dilakukan analisis regresi dan ekosistem hutan di
ekosistem hutan yang ada di dikorelasikan dengan nilai TNRAW.
TNRAW. biomassa yang didapatkan dari
3. hasil pengukuran lapangan
dan perhitungan alometrik.
8
II. TINJAUAN PUSTAKA
A. Data Multispektral
pada objek (permukaan bumi) yang diperoleh tanpa kontak langsung dengan
Menurut Jaya (2010) Penginderaan jarak jauh, khususnya satellite remote sensing
dengan citra landsat merupakan sarana yang banyak digunakan untuk kegiatan
pemetaan. Salah satu bentuk pemetaan yang dilakukan adalah pemetaan tutupan
lahan.
dari balon udara pada tahun 1887, berlanjut pada era penginderaan jauh satelit
yang ditandai dengan peluncuran ERTS-1 yang saat ini dikenal dengan nama
platform dan sensor. Potret udara masuk kedalam penginderaan jauh pesawat
(airbone MSS) dan side looking airbone radar (SLAR). Sedangkan sensor pada
landsat masuk pada penginderaan jauh satelit (satellite remote sensing, SRS) yang
IRS dan sebagainya (Jaya 2010). Untuk citra muktispektral, masing-masing piksel
mempunyai beberapa Digital Number (DN), sesuai dengan jumlah band yang
DN dari 7 band yang dimiliki. Citra bisa ditampilkan untuk masing-masing band
9
10
dalam bentuk hitan putih maupun kombinasi 3 band sekaligus, yang disebut
merupakan satelit sumber daya milik Amerika Serikat yang diluncurkan pada 11
Februari 2013. Satelit ini membawa dua sensor yaitu sensor Operational Land
Imager (OLI) dan sensor Thermal Infrared Sensor (TIRS). Sensor OLI
mempunyai tujuh band dengan resolusi spasial yang sama dengan Landsat-7 yaitu
sebesar 30 meter. Untuk band 8 berbeda nilai resolusi spasialnya yaitu 15 meter.
Sensor OLI dilengkapi dengan dua band baru yaitu band 1 dengan panjang
gelombang 0,43 – 0,45 m untuk aerosol garis pantai dan band-9 dengan panjang
gelombang 1,36 – 1,38 m untuk deteksi awan cirrus. Sedangkan untuk sensor
TIRS dilengkapi dengan dua band dengan resolusi spasial sebesar 100 m untuk
bumi (geo-referenced data), baik posisi (sistem koordinat lintang dan bujur)
sensor. Namun kesalahan eksternal yang terjadi akibat fenomena wahana saat
geometrik ini adalah untuk menempatkan kembali posisi piksel pada posisi yang
11
menggunakan 2 citra yang sama persis secara geometrik dan geografi, sehingga
elemen-elemen yang muncul di lokasi sama dengan elemen yang ada di citra
(Danoedoro, 1996).
nilai-nilai piksel yang tidak sesuai dengan nilai pantulan atau pancaran spektral
radiometrik harus dilakukan supaya nilai spektral terbebas dari kesalahan sebelum
atmosfer, geometri sensor terhadap matahari, dan kesalahan pada sensor itu
memiliki nilai yang sama dengan nilai pantulan di permukaan bumi, namun
pantulan spektral pada gelombang tampak dan sebagian inframerah dekat (0,36 -
0,9 μm) mengandung bias karena hamburan, pantulan, dan serapan oleh atmosfer,
terutama oleh partikel aerosol, uap air, dan debu. Koreksi kesalahan tersebut
dilakukan untuk mengembalikan nilai spektral citra, sesuai atau mendekati kondisi
C. Transformasi Indeks
algoritma yang diterapkan pada citra multi saluran untuk menonjolkan aspek
kerapatan vegetasi ataupun aspek lain yang berkaitan dengan kerapatan, misalnya
biomasa, Leaf Area Index (LAI), konsentrasi klorofil dan fenomena vegetasi
bayangan pada vegetasi lereng, menekan efek perubahan nilai untuk vegetasi yang
berbeda (berdaun lebar dan berdaun jarum) dan baik untuk perbedaan litologi
NDVI merupakan indeks vegetasi yang banyak dipakai untuk tutupan lahan,
aktifitas fotosintesis tumbuhan, permukaan air, leaf area index dan jumlah
merah yang sensitif terhadap informasi vegetasi. Nilai rentangan piksel NDVI
samping saluran inframerah dekat dan saluran merah. Saluran hijau jarang
13
dimanfaatkan dalam analisis indeks vegetasi, meskipun saluran hijau baik untuk
sensitif terhadap Vegetation Fraction karena adanya pengaruh dari saluran biru.
vegetasi yang lebih tinggi terhadap rasio noise tanah. Kaufman dan Tanré (1992)
antara saluran biru dan saluran merah yang dikenal sebagai ARVI. GEMI
dikembangkan oleh Pinty dan Verstraete (1991) dalam Wicaksono dkk (2011)
Hairiah dan Murdiyarso (2007) jumlah seluruh cadangan karbon di alam sekitar
48.000 Gt. 80% cadangan atau sekitar 39.000 Gt karbon alam tersimpan di lautan
dan sekitar 6000 Gt tersimpan di fosil. Vegetasi merupakan salah satu kantong
cadangan karbon. Cadangan karbon di hutan yang meliputi biomasa pohon dan
Biomassa adalah total berat atau volume organisme dalam suatu area atau
materi hidup di atas permukaan pada suatu pohon dan dinyatakan dengan satuan
Jumlah vegetasi hidup (biomasa) dalam suatu lahan bisa digunakan untuk
yang diserap oleh tanaman tersebut. Sedangkan pengukuran karbon yang masih
tersimpan dalam bagian tumbuhan yang telah mati (nekromasa) secara tidak
untuk estimasi biomasa di tingkat regional di mana data lapangan sulit didapat dan
lapangan tidak didesain untuk data penginderaan jauh dan adanya saturasi pada
yaitu (i) pendekatan langsung dengan membuat persamaan allometrik; (ii) dan
hubungan antara ukuran pohon (diameter atau tinggi) dengan berat (kering) pohon
karbon adalah 46% dari biomasa. Hal ini hampir sama dengan Wicaksono (2011),
yang menyatakan bahwa terdapat 0,464gC per 1 g biomasa atau 46,4% karbon
dari biomasa. Potter dkk. (2008) dalam Ren dan Wei (2011), berpendapat bahwa
F. Kerangka Pikir
Mulai
Identifikasi masalah
Regresi Korelasi
Pengamatan lapangan
Hasil
III. METODOLOGI PENELITIAN
taman nasional ini memiliki ciri khas dan keunikan, karena merupakan asosiasi
antara padang rumput dengan tumbuhan agel, lontar dan bambu duri serta semak
savana tersebut. TNRAW termasuk salah satu taman nasional tua yang
dikukuhkan di Indonesia, yaitu tahun 1990 atau tahun yang sama dengan
lainnya di Indonesia.
Timur dan 4°22’ - 4°39’ Lintang Selatan dengan luas wilayah sekitar 105.194 Ha.
17
Gambar 1. Peta Kawasan Ekosistem Mangrove
18
19
1. Alat
2. Bahan
berikut:
mangrove, lahan terbangun, lahan tidak terbangun, dan awan yang ada di
terbangun, lahan tidak terbangun dan awan serta untuk mengetahui tingkat
pengamatan pada setiap kelas penutup lahan. Unit sampel yang digunakan berupa
berikut:
(1)
Keterangan:
A = Ukuran transek pengambilan sampel dilapangan
P = Ukuran piksel citra
L = Perkiraan akurasi lokasi (0,5 piksel)
menjadi 3 kelas yaitu kerapatan tinggi, kerapatan sedang dan kerapatan rendah.
30 m × 30 m.
21
D. Langkah Penelitian
a. Data Primer
ini. Data tersebut didapatkan dengan cara melakukan pengunduhan di situs resmi
USGS (United States Geological Survey). Selain itu, survei lapangan dilakukan
antara lain: penyesuaian titik koordinat lokasi sampel, deskripsi sampel, kegiatan
b. Data Sekunder
digunakan dalam penelitian ini. Hal ini berguna untuk menambah pengetahuan
Selain itu, data berupa peta kawasan TNRAW, peta infrastruktur TNRAW dan
2. Tahap Persiapan
3. Tahap Pelaksanaan
informasi yang didapatkan dari hasil telaah pustaka dirasa sudah cukup,
primer dan data sekunder sebagai penunjang dalam penyelesaian masalah yang
diteliti.
23
E. Pengolahan Data
dengan peta dunia yang sesungguhnya. Posisi geografis citra pada saat
pengambilan data dapat menimbulkan distorsi karena perubahan posisi dan juga
ketinggian sensor. Akibat dari kesalahan geometrik ini, posisi piksel dari citra
sebuah lokasi yang berada pada citra dengan posisi yang ada pada peta yang
sudah tersedia sebelumnya. GCP adalah suatu lokasi pada permukaan bumi yang
citra, dalam hal memperbaiki nilai piksel yang tidak sesuai dengan nilai pantulan
dilakukan pada penelitian ini yaitu Top of Atmosphere (ToA) Reflectance dan Sun
Elevation pada masing-masing saluran yang ada pada Citra Landsat 8. Adapun
(2)
24
Keterangan:
= Hasil pengolahan ToA dengan menggunakan sudut pengambilan
matahari
= Nilai piksel (DN), diisi berdasarkan band yang digunakan
= Konstanta rescalling (REFLECTANCE_MULT_BAND_x) dimana x
adalah band yang digunakan
= Konstanta penambah (REFLECTANCE_ADD_BAND_x) dimana x
adalah band yang digunakan
SE = Sun Elevation
dan ukuran. Interpretasi visual dilakukan pada citra hardcopy ataupun citra yang
1) Rona atau warna (tone/color). Rona adalah tingkat kegelapan atau kecerahan
objek pada citra, sedangkan warna adalah wujud yang tampak oleh mata. Rona
kerangka suatu objek. Bentuk merupakan atribut yang jelas sehingga banyak
3) Ukuran (size) adalah atribut objek yang antara lain berupa jarak, luas, tinggi,
pengulangan rona terhadap objek yang terlalu kecil untuk dibedakan secara
individual.
5) Pola (pattern) adalah hubungan susunan spasial objek. Pola merupakan ciri
ini yaitu:
3. Transformasi Indeks
ekosistem mangrove dan ekosistem hutan lahan kering. Transformasi indeks yang
penelitian yaitu data diameter untuk menghitung keliling pohon yang terdapat
F. Analisis Data
yang digunakan untuk mengetahui tingkat kehijauan, yang sangat baik sebagai
pengukuran parameter biofisik seperti biomassa, klorofil, LAI (Leaf Area Index),
dan lain-lain (Jensen. 1986). Untuk memisahkan area vegetasi dan area non
vegetasi pada citra satelit, digunakan metode NDVI (Danoedoro. 1996) dengan
persamaan berikut:
(3)
Keterangan:
NDVI = Normalized difference vegetation index
IR = Band inframerah
R = Band merah
sebagai anareg adalah metode yang digunakan untuk mengukur pengaruh variabel
bebas terhadap variabel tergantung. Analisis regresi juga bisa digunakan untuk
akan didapat citra baru yang sudah dianalisis, lalu diklasifikasikan menjadi
2. Analisis Alometrik
biomasa dan bahan organik pada carbon pool. Pendugaan potensi biomassa
spesies tidak hanya tergantung pada kondisi fisik vegetasi, tapi juga keberadaan
vegetasi itu sendiri. Misalnya vegetasi di hutan beriklim sedang, kurang tepat jika
(4)
Keterangan:
D = Diameter pohon setinggi dada (cm)
adalah 46% dari biomasa. Hal ini hampir sama dengan Wicaksono (2011), yang
menyatakan bahwa terdapat 0,464gC per 1 g biomasa atau 46,4% karbon dari
biomasa. Potter et al. (2008) dalam Ren (2011), berpendapat bahwa pada biomasa
terkandung 50% karbon. Untuk penelitian ini akan menggunakan 46% cadangan
karbon yang terkandung dalam setiap 100% biomasa, sesuai dengan penelitian
Hairiah dan Rahayu (2007). Penggunaan 46% cadangan karbon ini berdasarkan
asumsi bahwa penelitian yang dilakukan oleh Hairiah dan Rahayu (2007) adalah
nilai NDVI berdasarkan persamaan regresi dari plot sampel modeling Citra
Koreksi Geometrik
Koreksi Radiometrik
Hasil Pengamatan
Uji Korelasi
Analisis Spasial
A. Hasil
mangrove, hutan lahan kering, hutan hujan pegunungan rendah, hutan rawa air
tawar dan savana. TNRAW merupakan salah satu taman nasional tertua di
lainnya di Indonesia.
121°44’ - 122°44’ Bujur Timur dan 4°22’ - 4°39’ Lintang Selatan kawasan ini
menjadi tempat perlindungan satwa-satwa langka dan endemik. Tercatat ada 155
jenis burung dengan 37 jenis burung endemik dan 32 jenis burung langka. Hewan
langka seperti anoa, babirusa, buaya muara, rusa, musang sulawesi dan beberapa
jenis primata seperti tangkasi dan monyet hitam juga terdapat di kawasan ini.
Selain satwa langka, kawasan ini juga memiliki 323 spesies tanaman.
31
32
posisi citra agar sesuai dengan posisi sebenarnya dan mengembalikan nilai-nilai
piksel yang rusak karena adanya kesalahan pada perekaman gambar. Citra yang
telah terkoreksi masih dalam bentuk full scene dengan identitas citra Landsat ID
“LC81130632018236LGN00”.
kawasan non mangrove dengan sangat jelas. Selain itu, pemilihan saluran 5-6-4
Different Vegetation Index (NDVI). Perbandingan warna komposit 4-3-2 dan 5-6-
dilakukan subset pada citra tersebut dengan memanfaatkan data vektor. Shapefile
kawasan TNRAW dengan total luas 105.194 ha menjadi acuan untuk melakukan
subset data citra. Subset data citra dilakukan dengan menggunakan tool Extract by
Mask pada aplikasi ArvGIS 10.2 sehingga citra yang masih full scene akan
a b
Gambar 4. Subset Citra (a) Citra Full Scene (b) Citra Telah Tersubset
dapat dilakukan karena citra yang akan diinterpretasi adalah citra yang telah
Sebaran hutan mangrove pada citra dapat dikenali dengan melihat warna
kemerahan pada citra dan juga posisi hutan yang berada disekitaran sungai.
software ArcGIS 10.2 sehingga menghasilkan shapefile baru yang berisi informasi
hasil digitasi on screen diketahui bahwa luas sebaran hutan mangrove dikawasan
TNRAW adalah 6.219 Ha. Sebaran hutan mangrove dikawasan TNRAW dapat
indeks vegetasi. Indeks vegetasi adalah suatu algoritma yang diterapkan pada citra
multi saluran untuk menunjukkan aspek kerapatan vegetasi ataupun aspek lain
yang berkaitan dengan kerapatan, misalnya biomassa, Leaf Area Indeks (LAI),
kerapatan vegetasi yaitu kerapatan tinggi, kerapatan sedang dan kerapatan rendah.
Setiap kelas kerapatan memiliki nilai masing-masing untuk kerapatan tinggi 0,4 –
1, kerapatan sedang 0,2 – 0,39 dan kerapatan rendah 0 – 0,19. Pembagian skor
Vegetasi dengan tingkat kerapatan rendah diberi warna hijau, kerapatan sedang
warna kuning dan warna merah untuk vegetasi dengan kerapatan tinggi. Hasil dari
kondisi hutan yang masih lebat, jumlah individu yang tumbuh masih sangat
36
37
Ukuran plot sampel sesuai dengan persamaan 1 harus 2 kali lebih besar atau
setara dengan ukuran piksel citra yang digunakan. Citra yang digunakan adalah
citra Landsat 8 dengan ukuran piksel 30 m X 30 m dan ukuran plot sampel sesuai
dengan ukuran piksel citra. Pengambilan titik koordinat pada plot sampel berada
Y
Gambar 6. Lokasi Pengambilan Titik Koordinat
Jumlah plot sampel secara keseluruhan adalah 9 plot sampel dimana setiap
hanya menggunakan 7 plot sampel untuk tingkat kerapatan vegetasi tinggi 3 pot
sampel, kerapatan vegetasi rendah 3 plot sampel dan kerapatan vegetasi rendah 1
plot sampel. Penentuan jumlah plot sampel ini berdasarkan banyaknya kelas
kerapatan pada analisis indeks vegetasi. Penentuan lokasi plot sampel berdasarkan
untuk mewakilkan sampel pada proses pengambilan data lapangan. Lokasi plot
sampel ditentukan dengan akses terdekat dan termudah yang berada dikawasan
muara dan hewan buas lainnya seperti ular, kera hitam dan anoa.
keliling lingkar batang setinggi dada tiap-tiap individu mangrove yang masuk
38
dalam plot sampel. Nilai keliling lingkar batang setinggi dada dibawah 10 cm
b
39
d
Gambar 7. (a,b,c,d) Proses Pengambilan Data Lapangan di Balai Taman Nasional
Rawa Aopa Watumohai (Dok. Pribadi). Koordinat 4030’14,8”, 12205’24,8”
diperoleh nilai biomassa untuk kerapatan vegetasi tinggi masing masing pada plot
Tabel 8. Biomassa
Biomassa (Ton/Piksel) Berdasarkan Indeks Vegetasi
Plot Sampel
Tinggi Sedang Rendah
1 135,997 17,989 7,497
2 173,837 10,150 -
3 73,464 50,433 -
Sumber: Hasil analisis data (2018)
merupakan nilai 46% dari total biomassa dalam plot sampel. Setelah melakukan
perhitungan, diperoleh nilai cadangan karbon untuk kerapatan vegetasi tinggi pada
plot 1 sebanyak 62,559 Ton/Piksel, plot 2 sebanyak 79,965 Ton/Piksel dan plot 3
B. Pembahasan
tanah terdapat pada batang, ranting, daun, bunga dan buah sedangkan biomassa
dibawah permukaan tanah terdapat pada akar. Beberapa cara yang dilakukan
yaitu citra Landsat 8. Teknik penginderaan jauh digunakan karena lebih mudah
dan efisien untuk menghitung biomassa dan cadangan karbon dengan cakupan
karena tidak adanya alih fungsi lahan berdampak pada biomassa dan cadangan
karbon dari hutan mangrove tersebut. Pertumbuhan tanaman mangrove yang terus
pada hutan mangrove dikawasan TNRAW yang berdampak pada penyerapan gas
karbondioksida (CO2). Gas CO2 diserap oleh tanaman mangrove untuk melakukan
fotosintesis dan menghasilkan oksigen (O2) yang digunakan oleh manusia untuk
bernafas.
42
plot 1 kerapatan vegetasi tinggi dengan lokasi 122 o5’24,8” dan 4o30’14,8”,
terdapat 118 individu tanaman mangrove dengan diameter batang setinggi dada
mulai dari 5,5 cm – 120 cm. Dari hasil perhitungan, diketahui jumlah biomassa
pada plot 1 sebanyak 135,997 Ton/Piksel dan cadangan karbon sebanyak 62,559
Ton/Piksel. Plot 2 ditandai pada lokasi 122 o5’46,4” dan 4o5’30,7”. Pada plot 2
terdapat 96 individu tanaman mangrove dengan diameter setinggi dada mulai dari
5,5 cm – 145 cm. Jumlah biomassa pada plot 2 sebanyak 173,837 Ton/Piksel dan
dan 4o31’18,6”. Lokasi plot 3 terdapat 105 individu tanaman mangrove dengan
diameter setinggi dada mulai dari 5,5 cm – 108 cm. Jumlah biomassa pada plot 3
dengan menggunakan 3 plot sampel dengan luas plot 1 piksel. Plot 1 diambil pada
dengan diameter batang setinggi dada mulai dari 5,5 cm – 49 cm. Dari hasil
dan cadangan karbon sebanyak 8,275 Ton/Piksel. Plot 2 ditandai pada lokasi
43
dengan diameter setinggi dada mulai dari 6 cm – 31 cm. Jumlah biomassa pada
plot 2 sebanyak 10,150 Ton/Piksel dan cadangan karbon sebanyak 4,669 Ton/
Piksel. Lokasi plot 3 adalah 122o4’11,7” dan 4o32’22,1”. Lokasi plot 3 terdapat 56
individu tanaman mangrove dengan diameter setinggi dada mulai dari 5,5 cm –
103,5 cm. Jumlah biomassa pada plot 3 sebanyak 50,433 Ton/Piksel dan cadangan
dengan menggunakan 1 plot sampel dengan luas plot 1 piksel. Plot sampel dengan
indeks vegetasi kerapatan rendah diambil pada lokasi 122 o5’24,8” dan 4o30’14,8”,
mulai dari 6,5 cm – 36 cm. Dari hasil perhitungan, diketahui jumlah biomassa
pada plot 1 sebanyak 7,497 Ton/Piksel dan cadangan karbon sebanyak 3,449
Ton/Piksel.
perhitungan data lapangan ditiap kerapatan vegetasi dapat dilihat pada tabel 11.
Tabel 11. Total Biomassa dan Cadangan Karbon Perhitungan Data Lapangan
Kelas Kerapatan Vegetasi Biomassa (Ton/Piksel) Cadangan Karbon (Ton/Piksel)
Tinggi 383,344 176,317
Sedang 78,572 36,143
Rendah 7,497 3,449
Sumber: Hasil analisis data (2018)
Dapat dilihat pada tabel 8 dan 9 tentang biomassa dan cadangan karbon
bahwa setiap plot sampel memiliki jumlah biomassa dan cadangan karbon yang
cadangan karbon terbesar sampai terkecil pada masing-masing plot adalah plot 2
44
biomassa dan cadangan karbon terbesar sampai terkecil pada masing-masing plot
sampel adalah plot 3 kemudian plot 1 lalu plot 2. Sedangkan untuk kerapatan
jumlah individu yang terdapat pada masing-masing plot sampel. Selain jumlah
individu, jumlah biomassa dan cadangan karbon juga dipengaruhi oleh nilai
Kondisi tanah secara tidak langsung juga mempengaruhi jumlah biomassa dan
cadangan karbon. Jumlah biomassa dan cadangan karbon jauh lebih banyak jika
kondisi kesuburan tanahnya baik. Biomassa dan cadangan karbon terbesar pada
tanaman mangrove terdapat pada batang karena pada batang tanaman mangrove
terdapat lebih banyak lignin atau salah satu sel pembentuk kayu yang
mengandung karbon. Jumlah kayu pada batang lebih banyak dibandingkan pada
cabang atau ranting sehingga jumlah karbon yang tersimpan pada batang jauh
tinggi, 219.204,618 Ton untuk kerapatan vegetasi sedang dan 134,421 Ton untuk
Ton untuk kerapatan tinggi, 100.834,124 Ton untuk kerapatan sedang dan 61,833
Ton untuk kerapatan rendah. Nilai biomassa ini didapat dengan mengalikan
45
keseluruhan dari setiap kelas kerapatan vegetasi. Total biomassa dan cadangan
karbon kawasan ekosistem mangrove TNRAW dapat dilihat pada tabel 12.
untuk kelas kerapatan tinggi lebih banyak jika dibandingkan dengan kelas
sebaran biomassa dan cadangan karbon untuk kerapatan tinggi lebih banyak jika
dibandingkan dengan kelas kerapatan sedang dan rendah namun memiliki rasio
perbandingan yang lebih kecil apabila dibandingkan dengan sebaran biomassa dan
karbon kelas kerapatan vegetasi tinggi dapat dilihat pada gambar 8, sebaran
biomassa dan cadangan karbon kelas kerapatan vegetasi sedang pada gambar 9
dan gambar 10 untuk sebaran biomassa dan cadangan karbon kerapatan vegetasi
rendah.
Gambar 8. Peta Sebaran Biomassa Kerapatan Vegetasi Tinggi
46
Gambar 8. Peta Sebaran Biomassa Kerapatan Vegetasi Sedang
47
Gambar 8. Peta Sebaran Biomassa Kerapatan Vegetasi Rendah
48
49
3. Uji Korelasi
digunakan untuk mencari hubungan antara dua variabel yang bersifat kuantitatif.
Hubungan dua variabel tersebut dapat terjadi karena adanya hubungan sebab
akibat atau dapat pula terjadi karena kebetulan saja. Dua variabel dikatakan
berkorelasi apabila perubahan pada variabel yang satu akan diikuti perubahan
pada variabel yang lain secara teratur dengan arah yang sama (korelasi positif)
tingkatannya. Beberapa tingkatan korelasi yang telah dikenal selama ini antara
lain adalah korelasi sederhana, korelasi parsial dan korelasi ganda. Korelasi
kekuatan hubungan antara dua variabel dan juga untuk dapat mengetahui bentuk
hubungan keduanya dengan hasil yang bersifat kuantitatif. Korelasi parsial adalah
suatu metode pengukuran keeratan hubungan antara variabel bebas dan variabel
tidak bebas dengan mengontrol salah satu variabel bebas untuk melihat korelasi
natural antara variabel yang tidak terkontrol. Korelasi ganda adalah bentuk
korelasi yang digunakan untuk melihat hubungan antara tiga variabel atau lebih
variabel.
berarti hubungan antara dua variabel semakin kuat. Sebaliknya, jika nilai
mendekati nol berarti hubungan antara dua varibel semakin lemah. Nilai positif
50
Korelasi yang digunakan pada penelitian ini adalah korelasi sederhana untuk
untuk estimasi biomassa yang diteliti oleh Willy Margaretha pada tahun 2013
yaitu:
aplikasi microsoft office excel pada setiap plot sampel masing-masing indeks
(=CORREL(array1;array2)) (6)
Hasil uji korelasi dari variabel tersebut adalah 0,71 yang berarti kedua
A. Kesimpulan
B. Saran
penginderaan jauh. Semakin kecil resolusi spasial citra yang digunakan maka
besar resolusi spasial citra yang digunakan maka tingkat ketelitian hasil
51
DAFTAR PUSTAKA
Campbell, J.B., 2002, Introduction to Remote Sensing, The Guilford Press, New
York.
Danoedoro, P., 1996, Pengolahan Citra Digital: Teori dan Aplikasinya dalam
Bidang Penginderaan Jauh, Fakultas Geografi Universitas Gajah Mada,
Yogyakarta.
Gitelson, A.A., Kaufman, Y.J., Stark, R.R.D., 2002, Novel Algorithms for
Estimation of Vegetation Fraction, Remote Sensing of Environment,
80:76-87.
Hairiah, K., Murdiyarso, D., 2007, Alih Guna Lahan dan Neraca Karbon
Teresterial, World Agroforestry Centre ICRAF Southeast Asia Regional
Office.
Jaya, I.N.S., 2010, Analisis Citra Digital: Perspektif Penginderaan Jauh Untuk
Pengelolaan Sumber Daya Alam, Fakultas Kehutanan Institut Pertanian
Bogor, Bogor.
Kamal. M., 2010, Panduan Tutorial dan Analisis Citra Digital, Fakultas Geografi
Universitas Gajah Mada, Yogyakarta.
Ketterings, Q.M., Coe, R., Norwijk, M.V., Ambagu, Y., Palm, C.A., 2001,
Reducing Uncertainty In The Use of Allometric Biomass Equation For
Predicting Aboveground Tree Biomass In Mixed Secondary Forests, Forest
Ecology and Management, 120:199-209.
Lillesan, T.M,, Kiefer, R.W., 1990, Penginderaan Jauh dan Interpretasi Citra,
Gajah Mada University Press, Yogyakarta.
Liu, G.R., Liang, C.K., Kuo, T.H., Huang, S.J., 2004, Comparison of the NDVI,
ARVI and AFRI Vegetation Index, Along with Their Relation with the AOD
using SPOT4 Vegetation Data, TAO, (15):15-31.
Murti., Sgit, H.B.S., Sutanto., Sinaga, M., 2002, Koreksi Pengaruh Lereng
Terhadap Nilai Spektral Tanaman Karet pada Citra Landsat Thematic
Mapper, Technosains, 15(3):435-447.
Qi, J., Chehbouni, A., 1994, A Modified Soil Adjusted Vegetation Index, Remote
Sensing Enviroment, 48: 119-126.
Ren, Y., Wei, X., 2011, Relationship between vegetation carbon storage and
urbanization: A case study of Xiamen, China, Forest Ecology and
Management, 261:1214-1223.
Sutaryo, D., 2009, Penghitungan Biomasa: Sebuah pengantar untuk studi karbon
dan perdagangan karbon, Wetlands International Indonesia Programme.
Suwargana, N., 2013, Resolusi Spasial, Temporal dan Spektral Pada Citra Satelit
Landsat, Spot dan Ikonos, Jurnal Ilmiah Widya, 1 (2):167-174.
United States Geological Survey [USGS], 2014, Landsat 8 OLI (Operational Land
Imager) and TIRS (Thermal Infrared Sensor), http://landsat.usgs.gov (akses
tanggal 5 November 2017).
54
Wicaksono, P., Danoedoro, P., Hartono., Nehren, U., Ribble, L., 2011,
Prelimenary Work of Mangrove Ecosystem Carbon Stock Mapping in Small
Islands Using Remote Sensing: Above and Below Ground Carbon Stock
Mapping on Medium Resolution Satellite Image. Remote Sensing for
Agriculture, Ecosystems and Hydrology (XIII).
56
Metadata: