Abstrak. Pemetaan jenis mangrove di Kota Langsa menggunakan metode segmentasi OBIA. Penelitian ini
dilakukan untuk mengetahui tingkat akurasi pemetaan jenis mangrove. Penelitian dilakukan melalui beberapa
tahapan kegiatan yaitu persiapan, pra pengolahan citra, analisis data, segmentasi dan klasifikasi, uji akurasi. Pada
penelitian ini proses klasifikasi yang telah selesai dilakukan mendapatkan 3 level kelas klasifikasi berupa vegetasi
dan non vegetasi, mangrove dan non mangrove, serta jenis-jenis mangrove yang terdiri dari Rhizopora sp., Ceriops
sp., Bruguiera gymnorizha, dan Xylocarpus granatum. Hasil ini diekspor ke dalam bentuk shapefile (.shp) untuk
dapat dihitung luas klasifikasi tiap level kelas pada perangkat lunak ArcGIS 10.8. level 1 terdiri atas kelas vegetasi
dan non vegetasi seluas 12.533,50 ha dan 8.856,80 ha, (ii) level 2 dari kelas vegetasi terdiri atas kelas mangrove
dan non mangrove dengan luasan 4.558,35 ha dan 7.975,15 ha, sedangkan level 3 dari kelas mangrove terdiri dari
Rhizopora sp seluas 1.184,55 ha, Ceriops sp seluas 1.159,10 ha, Bruguiera gymnorizha seluas 1.069,68 ha, dan
Xylocarpus granatum seluas 1.113.50 ha. pada kelas vegetasi dan non vegetasi adalah 100% dengan nilai kappa 1,
kemudian pada kelas mangrove dan non mangrove adalah 99% dengan nilai kappa 0.99, sedangkan pada kelas
jenis mangrove sebesar 100% dengan nilai kappa 1, dimana hasil uji akurasi tersebut termasuk ke dalam kelas
sangat kuat.
Abstract. Mapping of mangrove species in Langsa City using the OBIA. This research was conducted to determine
the level of accuracy of mapping mangrove species.The research was conducted through several stages of
activities, namely preparation, pre-image processing, data analysis, segmentation and classification, accuracy test.
In this study, the classification process that has been completed gets 3 levels of classification classes in the form
of vegetation and non-vegetation, mangrove and non-mangrove, as well as mangrove species consisting of
Rhizopora sp., Ceriops sp., Bruguiera gymnorizha, and Xylocarpus granatum. These results are exported in the
form of a shapefile (.shp) to be able to calculate the classification area for each class level in ArcGIS 10.8 software.
level 1 consists of vegetation and non-vegetation classes covering an area of 12,533.50 ha and 8,856.80 ha, (ii)
level 2 of the vegetation class consists of mangrove and non-mangrove classes with an area of 4,558.35 ha and
7,975.15 ha, while level 3 from the mangrove class consisting of Rhizopora sp covering an area of 1,184.55 ha,
Ceriops sp covering an area of 1,159.10 ha, Bruguiera gymnorizha covering an area of 1,069.68 ha, and Xylocarpus
granatum covering an area of 1,113.50 ha. in the vegetation and non-vegetation classes it is 100% with a kappa
value of 1, then in the mangrove and non-mangrove classes it is 99% with a kappa value of 0.99, while in the
mangrove species class it is 100% with a kappa value of 1, where the accuracy test results are included in very
strong class.
PENDAHULUAN
Hutan mangrove ialah formasi dari tanaman yang spesifik, serta biasanya berkembang serta
tumbuh di wilayah tepi pantai yang terlindung di kawasan tropis serta subtropis. Kata mangrove sendiri
berasal dari kombinasi bahasa Portugis, mangue, serta bahasa Inggris ialah grove (Macnae, 1968). Hutan
mangrove banyak ditemui di wilayah pinggir tepi pantai, muara serta sungai yang mengalami rembesan
air laut. Dengan demikian, hutan mangrove mempunyai 3 fungsi, yaitu fungsi fisik, biologi serta
ekonomi (Hardjanto, 2002).
Metodologi yang biasanya digunakan dalam pengolahan citra resolusi sangat tinggi adalah
melalui pendekatan berbasis objek (OBIA). Salah satu riset dilakukan oleh Wicaksono (2015)
menggunakan metode OBIA untuk membuat pemetaan famili mangrove dengan memakai citra
Worldview- 2. Object Based Image Analisys (OBIA) ialah pendekatan yang proses klasifikasinya tidak
hanya memanfaatkan aspek spektral tetapi juga aspek spasial objek. Objek dibangun lewat proses
segmentasi yang merupakan proses pengelompokan piksel bersebelahan dengan mutu yang sama
(kesamaan spektral). Sebagai aturan, siklus urutan yang menggunakan teknik OBIA melewati dua tahap
mendasar, yaitu segmentasi citra dan klasifikasi (Xiaoxia et al., 2004). Pendekatan OBIA dinilai lebih
baik daripada klasifikasi berbasis piksel. Selain itu, pendekatan berbasis objek yang memakai citra
resolusi tinggi ini kerap diterapkan untuk memetakan spesies mangrove (Pham, 2019). Tetapi
pemanfaatan metode OBIA masih tidak sering digunakan buat perencanaan pemetaan mangrove di
Indonesia dan lebih banyak diteliti di luar negeri.
Kesulitan inventarisasi di kawasan hutan mangrove diakibatkan luasnya kawasan hutan mangrove
dengan tingkatan kerapatan yang tinggi, serta dalam melakukan identifikasi wajib memakai citra satelit
resolusi tinggi yang memerlukan biaya yang lumayan besar untuk memperolehnya. Berdasarkan pada
penjelasan tersebut, penelitian ini dilakukan untuk dapat memetakan jenis mangrove dengan
pemanfaatan metode OBIA.
METODE PENELITIAN
Penelitian ini dilaksanakan di lahan mangrove di Kota Langsa.
Metode Penelitian
Adapun metode yang digunakan dalam penelitian adalah metode deskriptif, yaitu persiapan, pra
pengolahan citra, analisis data, segmentasi dan klasifikasi, uji akurasi.
Analisa Data
Analisis data dilakukan untuk menghitung uji akurasi. Perhitungan dilakukan dengan metode
confusions matrix table.
.
(a) (b) (c)
Gambar 1. Segmentasi multiresolusi pada kota Langsa dengan (a) scale 200, shape 0,1 dan compactness 0,5 (b)
scale 250, shape 0,1 dan compactness 0,5 (c) scale 250, shape 0,1 dan compactness 0,5
DAFTAR PUSTAKA
Hardjanto., 2002. Tinjauan perspektif pengelolaan kawasan mangrove dan peluang rehabilitasinya.
Institut Pertanian Stiper. Yogyakarta.
LAPAN. 2021. Pedoman Pengolahan Data Penginderaan Jauh SPOT 6. Jakarta: PUSFATJA.
Macnae, W. 1968. A general account of the fauna of the mangrove swamps on Inhaca Island,
Monzambique. Journal Ecolpgy. 50: 93- 128.
Pham, T., Yokoya., D. Bui., K. Yoshino., D. Friess. Remote sensing approaches for monitoring
mangrove species, structure, and biomass: Opportunities and challenges.Remote
Sens.2019,11, 230
Trimble. 2014. eCognition Developer 9.0 User Guide. Munich, Germany: Trimble Documentation.
Xiaoxia, S., Jixian, Z., dan Zhengjun, L., 2004. A Comparison of Object-Oriented and PixelBased
Classification Approachs Using Quickbird Imagery.Chinese Academy of Surveiing and
Mapping,Beijing, China.