Patty Jurnal Ilmiah Platax Vol.

10:(2), July-December 2022

Analisis Sebaran dan Kerapatan Vegetasi Mangrove Menggunakan Citra

Landsat 8 di Bolaang Mongondow Timur, Sulawesi Utara
(Analysis of Mangrove Vegetation and Distribution Using Landsat 8 Images
In Bolaang Mongondow East, North Sulawesi)
Simon I. Patty1, Doni Nurdiansah1, Marenda Pandu Rizqi1, Rikardo Huwae1
1 Pusat Riset Oseanografi, Badan Riset Dan Inovasi Nasional
*Corresponding author: [email protected]

Abstract
Mangrove is one of the objects that can be identified by remote sensing technology using
satellite imagery. Analysis of the distribution and density of mangrove vegetation using Landsat
8 imagery was carried out in Bolaang Mongondow Timur, North Sulawesi in September 2020.
This study aims to map the distribution of mangroves and determine the correlation between
NDVI values, canopy cover, and mangrove density. The data analysis used Landsat 8 images
with ENVI 5.3 and ArcGIS 10.1 software. Maximum likelihood classification is used to separate
mangrove and non-mangrove features. The calculation of mangrove vegetation density using
the NDVI algorithm and single-channel classification using the density slice method to divide
mangrove density based on the range of pixel values of the NDVI image. Next, to test the
accuracy of the classification results using an error matrix (confusion matrix) and the NDVI
vegetation index correlation test compared with canopy cover and density data. The
classification resulted in four different land cover classes with an overall accuracy of 97.70% and
a kappa coefficient of 0.9688. The mangrove vegetation distribution from the classification
results is 524.75 ha. The NDVI correlation with the percentage of canopy cover is very
significant with a correlation coefficient (r) = 0.9516, while the NDVI correlation with density
resulted in moderate correlation (r = 0.5315).
Keywords: density; mangrove; Landsat 8; NDVI

Abstrak
Mangrove merupakan salah satu objek yang dapat diidentifikasi menggunakan teknologi
penginderaan jauh yakni memanfaatkan citra satelit. Analisis sebaran dan kerapatan vegetasi
mangrove menggunakan citra Landsat 8 telah dilakukan di Bolaang Mongondow Timur,
Sulawesi Utara pada bulan September 2020. Penelitian ini bertujuan untuk memetakan sebaran
mangrove dan mengetahui hubungan korelasi antara nilai NDVI dengan tutupan kanopi dan
kerapatan mangrove. Pengolahan data citra Landsat 8 dengan perangkat lunak ENVI 5.3 dan
ArcGIS 10.1. Klasifikasi maximum likelihood digunakan untuk memisahkan fitur mangrove dan
non mangrove. Perhitungan kerapatan vegetasi mangrove dengan algoritma NDVI dan
klasifikasi saluran tunggal menggunakan metode density slice untuk membagi kerapatan
mangrove berdasarkan rentang nilai piksel citra NDVI. Uji akurasi hasil klasifikasi menggunakan
matriks kesalahan (confussion matriks) dan uji korelasi indeks vegetasi NDVI dengan data
tutupan kanopi dan kerapatan. Hasil klasifikasi mendapatkan empat kelas tutupan lahan yang
berbeda dengan overall akurasi sebesar 97,70 % dengan kappa coefisien sebesar 0,9688. Luas
sebaran vegetasi mangrove dari hasil klasifikasi adalah 524,75 ha. Korelasi NDVI dengan
persentase tutupan kanopi termasuk korelasi sangat kuat dengan koefisien korelasi r = 0,9516
sedangkan korelasi NDVI dengan kerapatan termasuk korelasi sedang (r = 0,5315).
Kata kunci: kerapatan; mangrove; Landsat 8; NDVI

PENDAHULUAN satunya ekosistem hutan mangrove

(Bengen, 2001). Hutan mangrove
Indonesia memiliki sumberdaya
merupakan ekosistem yang kompleks
pesisir yang sangat luas, baik hayati
terdiri atas flora dan fauna daerah pantai.
maupun non hayati. Wilayah pesisir
Selain menyediakan keanekaragaman
merupakan ekosistem transisi yang
hayati (biodiversity), ekositem mangrove
dipengaruhi daratan dan lautan, yang
juga sebagai flasma nutfah (genetic fool)
mencakup beberapa ekosistem, salah

http://ejournal.unsrat.ac.id/index.php/platax 10.35800/jip.v10i2.40841
251
Patty Jurnal Ilmiah Platax Vol. 10:(2), July-December 2022

dan menunjang keseluruhan kehidupan di citra satelit penginderaan jauh, dimana

sekitarnya. Sebagai salah satu letak geografi ekosistem mangrove yang
sumberdaya pesisir, hutan mangrove berada pada daerah peralihan darat dan
memiliki fungsi sosial ekonomi, fungsi laut memberikan efek perekaman yang
ekologis dan fungsi fisik (Bengen, 2001). khas jika dibandingkan objek vegetasi
Hutan mangrove berfungsi sebagai darat lainnya (Faizal dan Amran, 2005).
pencegah intrusi air laut, sebagai Selain itu, nilai spektral pada citra satelit
kawasan penyangga dan melindungi garis dapat diekstraksi menjadi informasi
pantai agar terhindar dari abrasi, sebagai vegetasi mangrove pada kisaran spektrum
daerah pemijah, mencari makan dan tampak dan infra merah dekat
asuhan berbagai jenis ikan, udang dan (Suwargana, 2008). Identifikasi kerapatan
biota laut lainnya. Kayu hutan mangrove vegetasi dengan cara interpretasi citra
dimanfaatkan sebagai bahan bangunan, menggunakan indeks vegetasi
daerahnya dijadikan lahan tambak dan berdasarkan algoritma NDVI. Tujuan
lokasi pariwisata. Besarnya fungsi dan penelitian ini adalah untuk memetakan
manfaat hutan mangrove tersebut sebaran mangrove dan mengetahui
memberikan konsekuensi bagi ekosistem hubungan korelasi antara nilai NDVI
mangrove itu sendiri, dimana semakin dengan tutupan kanopi dan kerapatan
tinggi pembangunan ekonomi dan mangrove.
pertambahan penduduk akan
METODE PENELITIAN
mengakibatkan pemanfaatan sumberdaya
alam secara berlebihan (Supardjo, 2008) Penelitian dilaksanakan pada bulan
Komunitas mangrove di Bolaang September 2020 di Bolaang Mongondow
Mongondow Timur terpencar hampir Timur, Sulawesi Utara (Gambar 1). Data
diseluruh pesisir pantai dan yang digunakan dalam penelitian ini
pertumbuhannya sangat baik. Wilayah ini adalah citra Landsat 8 OLI path/row
sering dijadikan sebagai area perikanan, 112/59 dengan waktu akusisi 28 Pebruari
pemukiman dan pariwisata sehingga 2020 dan data ground truth (survei
dapat memberikan tekanan cukup lapangan). Proses pengambilan dan
signifikan bagi keberlangsungan pengolahan data kerapatan pohon dan
ekosistem mangrove. Melihat besarnya persentase tutupan kanopi mangrove
fungsi mangrove bagi makhluk hidup, didasarkan pada metode Hemispherical
maka sangat perlu dilakukan kajian Photography (Dharmawan dan Pramudji,
tentang kondisi mangrove di wilayah ini. 2014). Ukuran plot 15 x 15 meter
Salah satu upaya untuk mengetahui disesuaikan dengan resolusi spasial citra
kondisi mangrove baik secara spasial Landsat yang sudah ditingkatkan resolusi
maupun temporal adalah dengan yaitu 15 meter. Analisis foto hemisphere
menggunakan teknologi penginderaan dengan menggunakan software Image-J.
jauh. Teknologi penginderaan jauh Pemrosesan data citra terdiri dari
memiliki kelebihan yakni; mampu koreksi radiometrik citra, penajaman citra,
merekam data dan memberikan informasi masking dan klasifikasi, serta uji akurasi,
secara luas, berulang serta lebih terinci dilakukan dengan menggunakan software
mendeteksi perubahan ekosistem (Mumby ENVI 5.3 dan ArcGIS 10.1 untuk analisis
et al., 2004). Teknologi ini merekam tumpang susun (overlay). Menampilkan
tutupan objek di permukaan bumi deliniasi mangrove menggunakan citra
termasuk tutupan mangrove dalam bentuk komposit RGB 564. Teknik yang
citra satelit. Citra satelit yang paling digunakan untuk memisahkan fitur
banyak digunakan untuk memetakan dan mangrove dan non mangrove adalah
mengetahui kondisi mangrove adalah citra klasifikasi multi-saluran maximum
Landsat (Kuenzer et al., 2011; Kirui et al., likelihood. Metode klasifikasi ini
2013). menggunakan referensi nilai piksel
Sebaran dan kerapatan mangrove (Region of interest/ROI) yang diasumsikan
dapat diidentifikasi dengan menggunakan sebagai objek tertentu. Penyusunan
sampel ROI berdasarkan data yang

http://ejournal.unsrat.ac.id/index.php/platax 10.35800/jip.v10i2.40841
252
Patty Jurnal Ilmiah Platax Vol. 10:(2), July-December 2022

diperoleh dari survei lapangan (ground band 4. Klasifikasi saluran tunggal

truth). Uji akurasi hasil klasifikasi menggunakan metode density slice untuk
menggunakan matriks kesalahan atau membagi objek berdasarkan nilai NDVI
confussion matriks (Congalton dan Green, yang diasumsikan sebagai area yang
2009). memiliki kerapatan yang berbeda-beda.
Analisis kerapatan vegetasi Uji korelasi antar sampel variabel untuk
mangrove menggunakan algoritma dari mengetahui derajat hubungan antara nilai
NDVI (Normalize Difference Vegetation NDVI (variabel x) dengan data persentase
Index), yaitu NDVI=(NIR-R)/(NIR+R); tutupan kanopi dan kerapatan mangrove
dimana NIR (Near Infrared) dan R (red) (variabel y).
pada citra landsat 8 adalah band 5 dan

Gambar 1. Peta stasiun penelitian.

HASIL DAN PEMBAHASAN Untuk mengatasi hal tersebut dilakukan

kalibrasi citra yaitu mengubah nilai pixel
Pra Pemrosesan
(DN) menjadi nilai reflektan secara
Proses awal dalam pengolahan citra
otomatis dengan menggunakan toolbox
(image processing) adalah melakukan
Radiometric Correction: Radiometric
koreksi radiometrik, geometri dan
Calibration type reflectance toolbox
penajaman citra. Citra satelit Landsat 8
Radiometric Correction: Radiometric
yang digunakan untuk analisis sudah
Calibration type reflectance. Selanjutnya
terkoreksi geometri, datum WGS’84 dan
koreksi atmosfer dilakukan untuk
sistem koordinat Universal Transverse
mengurangi efek atmosfer pada nilai pixel
Mercator (UTM). Data citra Landsat ini
yang terjadi selama perekaman. Salah
tidak mengalami pergeseran yang cukup
satu metode yang digunakan untuk
berarti, secara goemetri sudah sesuai
koreksi atmosfer adalah Dark Object
dengan lokasi yang ditujukkan.
Subtraction (DOS) pada toolbox
Koreksi radiometrik citra dibagi dua
Radiometric Correction: Dark Subtraction.
tahap yaitu koreksi reflektan dan koreksi
Citra Landsat 8 memiliki 11 sensor atau
atmosfer dilakukan secara otomatis
band dengan resolusi spasial yang
melalui program pengolahan citra ENVI
berbeda-beda. Penajaman citra atau
5.3. Koreksi radiometri citra dilakukan
peningkatan resolusi spasial citra
untuk menghilangkan efek gangguan
multispektral (band 1 hingga band 7) dari
atmosfer seperti kabut dan awan tipis.
30 meter menjadi 15 meter dilakukan
Gangguan tersebut menyebabkan nilai
menggunakan NN Diffusi pan-sharpening
digital number (DN) tidak bernilai “0” pada
pada citra pankromatik (band 8).
objek tergelap seperti bayangan awan.

http://ejournal.unsrat.ac.id/index.php/platax 10.35800/jip.v10i2.40841
253
Patty Jurnal Ilmiah Platax Vol. 10:(2), July-December 2022

Interpretasi Citra Masking air/laut

Mangrove lebih banyak memantul- Karena dalam analisis, area kajian
kan spektrum cahaya infra merah dan hanya difokuskan di darat saja sehingga
hijau, sedangkan spektrum warna biru dan fitur air/laut harus dihilangkan (masking
merah terserap oleh vegetasi air/laut). Untuk menghilangkan fitur air/laut
dipergunakan untuk aktivitas fotosintesis. digunakan algoritma (b6/b3) dan hasil
Karena itu, mangrove lebih mudah eksekusinya menghasilkan citra 1 band
diindentifikasi dengan menggunakan (darat dan tubuh air/laut) Profil nilai
komposit false color (saluran infra merah) spektral reflektan pada citra 1 band
dibanding penggunaan komposit true menggunakan algoritma b6/b3 menunjuk-
color (saluran tampak/RGB). Penggunaan kan nilai indeksnya >0.65 adalah masker
citra komposit infra merah (NIR, SWIR1 darat, sehingga algoritma yang digunakan
ataupun SWIR2) akan membantu dalam b6/b3 >0.65 dan menghasilkan citra 1
membedakan mangrove dan non- band dengan 2 kisaran nilai yakni 1 (putih)
mangrove (Arhatin dan Wahyuningrum, adalah mangrove dan daratan; 0 (hitam)
2013). Untuk menampakan mangrove adalah air/laut. Selanjutnya proses
secara visual menggunakan citra Landsat masking dilakukan untuk mendapatkan
8 komposit RGB 572, RGB 563 dan citra tanpa fitur air/laut sebagai input data
RGB564 (Suyarso, 2019). Seperti terlihat adalah citra 7 band dan maskernya
pada Gambar 2.a, yaitu delineasi adalah masker darat. Luaran yang
mangrove menggunakan komposit 564, didapatkan adalah citra 7 band yang
vegetasi mangrove akan terlihat warna hanya menggambarkan fitur mangrove
jingga kemerahan, lahan terbangun akan dan darat (Gambar 2.b).
terlihat berwarna biru cyan dan air akan
terlihat biru tua kehitaman.

Gambar 2. Delineasi mangrove yang ditampilkan menggunakan citra komposit RGB564 (a); citra 7
band yang hanya menggambarkan fitur mangrove/darat (b); dan citra hasil klasifikasi maximum
likelihood (c).

Klasifikasi lahan dan Uji akurasi (Region of interest/ROI). Klasifikasi

Setelah fitur air/laut dihilangkan, maximum likelihood menggunakan citra 7
selanjutnya klasifikasi dilakukan untuk band sebagai input data dan maskernya
memisahkan fitur mangrove terhadap fitur- adalah citra 1 band dari algoritma b6/b3
fitur lainnya (non-mangrove). Proses ini >0.65. Hasil klasifikasi mendapatkan
dilakukan melalui teknik klasifikasi multi- empat kelas tutupan lahan yang berbeda
saluran maximum likelihood (Gambar 2.c). Tahap selanjutnya
menggunakan referensi nilai piksel menyusun masker mangrove, masker

http://ejournal.unsrat.ac.id/index.php/platax 10.35800/jip.v10i2.40841
254
Patty Jurnal Ilmiah Platax Vol. 10:(2), July-December 2022

mangrove dibentuk berdasarkan data mangrove. Proses masking dilakukan

spasial berformat vektor dari polygon untuk mendapatkan citra mangrove
mangrove. Sebagai data masker adalah sebagai input data adalah citra 7 band
polygon mangrove yang telah dirasterkan. dan maskernya adalah masker mangrove.
Masker mangrove merupakan citra 1 band Luaran proses masking adalah citra
yang mempunyai nilai digital 1 (putih) komunitas mangrove terdiri atas 7 band
adalah mangrove; 0 (hitam) adalah non (Gambar 4.a).

Gambar 3. Nilai akurasi produser dan user setiap kelas tutupan lahan.

Uji akurasi hasil klasifikasi tutupan gambaran bahwa mangrove di area

lahan di daerah penelitian diperoleh tersebut mempunyai tingkat kehijauan
overall akurasi sebesar 97,70 % dengan tinggi (vegetasinya rapat dan lebat),
kappa coefisien sebesar 0,9688. sebaliknya nilai NDVI rendah mempunyai
Klasifikasi citra ini dianggap benar dan tingkat kehijauan rendah (vegetasinya
sudah memenuhi syarat minimal overall jarang).
acurrracy ≥ 80% (Short dalam Kisaran nilai NDVI yang diperoleh
Nawangwulan, 2013). User acurrracy dan menunjukan bahwa mangrove di wilayah
producer acurrracy hasil klasifikasi pada Bolaang Mongondow Timur memiliki
kelas mangrove adalah 99,51 % dan tingkat kerapatan tajuk lebat. Departemen
97,56%. Tingkat keakuratan hasil Kehutanan (2005) menetapkan kriteria
klasifikasi dari tiap kelas tutupan lahan kerapatan berdasarkan nilai NDVI yaitu
memiliki nilai berbeda-beda (Gambar 3). kerapatan tajuk lebat (0,434≤NDVI≤1,00).
Nilai akurasi antara 60-80% dapat Prahasta, 2008 mengatakan bahwa
direkomendasikan bagi kegiatan indeks vegetasi untuk tumbuhan hijau
inventarisasi dan pemantauan secara umum nilainya sekitar 0,1 sampai
sumberdaya (Green et al., 2000). dengan 0,7 dan jika nilai NDVI>0,7
menunjukkan tingkat kerapatan vegetasi
Indeks Vegetasi NDVI
sangat lebat (Waas, 2010). Hasil
Indeks vegetasi merupakan suatu
klasifikasi nilai NDVI menggunakan
algoritma yang diterapkan terhadap citra
metode density slice menghasilkan tiga
untuk menonjolkan aspek kerapatan
kelas kerapatan tajuk yaitu kurang lebat,
vegetasi. NDVI (Normalize Difference
lebat dan sangat lebat (Gambar 4.c dan
Vegetation Index) merupakan indeks
Tabel 1).
‘kehijauan’ vegetasi yang paling sering
digunakan untuk mengklasifikasi tingkat Sebaran Mangrove
kerapatan mangrove (Arhatin dan Sebaran mangrove dapat diketahui
Wahyuningrum, 2013). Hasil analisis melalui hasil analisis citra terklasifikasi.
menggunakan algoritma NDVI terhadap Pada Gambar 5 terlihat sebaran
citra komunitas mangrove diperoleh nilai mangrove tidak merata kenampakannya
indeksnya antara 0,499-0,842 (Gambar membentuk spot-spot kecil, namun
4.b). Nilai NDVI yang tinggi memberikan memiliki tingkat kehijauan vegetasinya

http://ejournal.unsrat.ac.id/index.php/platax 10.35800/jip.v10i2.40841
255
Patty Jurnal Ilmiah Platax Vol. 10:(2), July-December 2022

tinggi. Kerapatan tajuk sangat lebat 82,15 berdasarkan hasil klasifikasi citra adalah
%, lebat 17,15 dan kurang lebat hanya 524,75 ha (Tabel 1).
0,70 %. Luas sebaran mangrove

Tabel 1. Luas mangrove hasil klasifikasi.

NDVI Kelas kerapatan tajuk Luas (ha) Persentase (%)
0,499 – 0,602 Kurang lebat 3,65 0,70
0,602 – 0,705 Lebat 90,00 17,15
0,705 – 0,842 Sangat lebat 431,10 82,15
Jumlah 524,75 100,00

Gambar 4. Citra komunitas mangrove 7 band komposit RGB564 yang menggambarkan berbagai
kondisi (a); citra NDVI (b); dan citra hasil klasifikasi NDVI (c).
Secara kuantitatif, mangrove di Mongondow Selatan (Damanik dan
Bolaang Mongondow Timur didominasi Djamaluddin, 2012), hal ini mungkin
oleh jenis Sonneratia caseolaris, disebabkan kondisi lingkungan yang
Sonneratia alba, Rhizophora apiculata, sama. Kondisi lingkungan dapat
Rhizophora mucronata, Avicennia mempengaruhi frekuensi kehadiran jenis
officinalis, Avicennia lanata, Bruguiera mangrove serta memberikan ruang untuk
gymnnorhiza, Ceriops tagal, Exoecarica hidup dan berkembang. Akbar et al., 2016
agallocha, Xylocarpus granatum, mengatakan bahwa kondisi lingkungan
Dolichandrone spathacea, Nypa fruticans juga turut memberikan andil terhadap
dan Ficus benjamina yang memiliki kehadiran jenis mangrove seperti halnya
substrat yang cenderung lumpur dan pasir subsrat, pasang surut, gelombang, pola
berlumpur. Tipe substrat pasir berlumpur arus dan morfologi pantai. Selain itu tipe
dan lingkungan yang terlindung mampu topografi daerah pantai dapat
memberikan ruang untuk pertumbuhan mempengaruhi komposisi jenis, distribusi
mangrove (Nurdiansah dan Dharmawan, jenis dan luas hutan mangrove (Kusmana
2018). Jenis–jenis mangrove di wilayah ini et al., 2003).
mirip dengan yang ditemukan di Bolaang

Tabel 2. Kriteria baku kerusakan mangrove (KepMen LH. 201, Tahun 2004).
Kriteria Tutupan (%) Kerapatan (pohon/ha)
Padat ≥ 75 ≥ 1500
Baik
Sedang ≥ 50 - < 75 ≥ 1000 - < 1500
Rusak Jarang < 50 < 1000

http://ejournal.unsrat.ac.id/index.php/platax 10.35800/jip.v10i2.40841
256
Patty Jurnal Ilmiah Platax Vol. 10:(2), July-December 2022

Gambar 5. Peta hasil klasifikasi tutupan lahan (a) dan peta sebaran kerapatan vegetasi mangrove (b).

Kondisi tutupan kanopi mangrove setempat di dalam kawasan hutan

yang diperoleh dari hasil survey lapangan mangrove. Persentase tutupan kanopi
sebesar (60,71±5,19% - 80,25±0,71%) mangrove yang memiliki kategori padat
dengan rata-rata persentase tutupan (≥75 %) adalah stasiun BMT01, BMT05
69,76±1,88%. Kisaran nilai ini termasuk dan BMT09. Gambar 6 memperlihatkan
kategori sedang hingga padat persentase tutupan mangrove yang tinggi
berdasarkan kriteria baku kerusakan di stasiun BMT01, BMT05 dan BMT09
mangrove (Tabel 2), yang didukung oleh nilai kerapatan pohonnya
mengindikasikan kondisi komunitas yang padat. Kondisi yang sama pula
mangrove masih baik (KepMen LH. No. dijumpai di wilayah pesisir pulau Tidore
201, Tahun 2004). Kondisi mangrove dan sekitarnya yaitu 73,13±11,78%
yang tergolong masih baik di wilayah (Nurdiansah dan Dharmawan, 2018) yang
Bolaang Mongondow Timur disebabkan menggunakan pendekatan hemispherical
karena rendahnya aktivitas masyarakat photography.

Gambar 6. Persentase tutupan kanopi dan nilai kerapatan mangrove.

Kerapatan mangrove yang diperoleh sedang hingga padat berdasarkan kriteria

1150±251 pohon/ha – 3433±467 baku kerusakan mangrove (KepMen LH.
pohon/ha (Gambar 6) termasuk kategori No. 201, Tahun 2004). Kerapatan

http://ejournal.unsrat.ac.id/index.php/platax 10.35800/jip.v10i2.40841
257
Patty Jurnal Ilmiah Platax Vol. 10:(2), July-December 2022

mangrove yang tinggi dikarenakan kondisi bertanda positif searah yang berarti
habitat sesuai, kemampuan untuk semakin tinggi tutupan kanopi maka nilai
pertumbuhannya serta adaptasi yang NDVI juga semakin tinggi, Hasil ini sejalan
baik. Tingginya nilai kerapatan dengan Hendrawan et al., 2018 yang
mengindikasikan bahwa tingkat menganalisis hubungan antara NDVI dan
regenerasi mangrove baik dan dapat tutupan kanopi di Pulau Sebatik,
bertahan pada kondisi tempat dimana Kalimantan Utara mendapatkan
mangrove tersebut tumbuh (Akbar et al., hubungan positif dan berkorelasi kuat (r =
2016). 0,82) yang artinya nilai NDVI dipengaruhi
oleh tutupan kanopi. Koefisien
Hubungan korelasi NDVI dengan
determinasi (R²) menandakan adanya
tutupan kanopi dan kerapatan
keterikatan antara NDVI dan tutupan
mangrove.
kanopi sebesar 0,9055. Kuatnya
Hubungan antara nilai NDVI dengan
hubungan korelasi nilai NDVI dan
persentase tutupan kanopi dan kerapatan
persentase tutupan kanopi disebabkan
mangrove menggunakan uji korelasi
citra satelit merekam data pantulan
(Gambar 7). Hasil korelasi antara NDVI
elektromagnetik tutupan objek di
dan persentase tutupan kanopi dengan
permukaan bumi. Alatorre et al. (2011)
koefisien korelasi (r) sebesar 0,9516.
mengungkapkan bahwa NDVI mangrove
Apabila ditinjau dari tingkat hubungan
berkorelasi dengan tutupan kanopi,
korelasi (Tabel 3), maka korelasi NDVI
biomassa dan indeks luas daun (LAI).
dengan persentase tutupan kanopi
termasuk korelasi sangat kuat. Korelasi

Gambar 7. Korelasi NDVI dengan tutupan kanopi (a); kerapatan mangrove (b).

Tabel 3. Tingkat hubungan korelasi (Sugiyono, 2008).

Koefisien korelasi (r) Hubungan korelasi
0,00 – 0,199 Sangat rendah
0,20 – 0,399 Rendah
0,40 – 0,599 Sedang
0,60 – 0,799 Kuat
0,80 – 1,000 Sangat kuat

Hasil korelasi antara NDVI dan koefisien determinasi (R²) sebesar 0,2875.
kerapatan mangrove dengan koefisien Sehingga dapat dikatakan bahwa NDVI
korelasi (r) sebesar 0,5315 termasuk tidak sesuai untuk mengukur kerapatan
korelasi sedang berdasarkan tingkat mangrove di wilayah ini. Sebagaimana
hubungan korelasi (Sugiyono, 2008). dikatakan Mayuftia dalam Hendrawan et
Kurangnya keterikatan antara NDVI dan al., 2018 bahwa NDVI dapat digunakan
kerapatan mangrove ditandai dengan untuk mengukur persentase tutupan

http://ejournal.unsrat.ac.id/index.php/platax 10.35800/jip.v10i2.40841
258
Patty Jurnal Ilmiah Platax Vol. 10:(2), July-December 2022

kanopi mangrove tetapi tidak dapat Congalton, R.G., and K. Green. 2009.
digunakan untuk mengukur kerapatan Thematic and positional accuracy
pohon mangrove. assessment of digital remotely
sensed data. Assessing The
KESIMPULAN
Accuracy of Remotely Sensed Data:
Analisis sebaran dan kerapatan Principles and Practices. New York
vegetasi mangrove menggunakan Citra (US). 179p.
Landsat 8 dapat memberikan informasi Damanik, R., Djamaluddin, R. 2012. Atlas
secara spasial mengenai kondisi Mangrove Teluk Tomini. Program
mangrove. Luas sebaran mangrove hasil SUSCLAM. Sustainable Coastal
klasifikasi adalah 524,75 ha. Akurasi Livelihoods and Management
klasifikasi tutupan lahan diperoleh overall Program. Canadian International
akurasi sebesar 97,70 % dengan kappa Development Agency. IUCN. Lestari
coefisien sebesar 0,9688. Komunitas Inc. Canada Sustainable
mangrove di wilayah Bolaang Mongondow Development.
Timur masih dalam kondisi baik,
Departemen Kehutanan. 2005. Pedoman
berdasarkan persentase tutupan kanopi
inventarisasi dan identifikasi lahan
dan kerapatan pohon termasuk kategori
kritis mangrove. Direktorat Jenderal
sedang hingga padat. Indeks vegetasi
Rehabilitasi Lahan dan Perhutanan
NDVI pada komunitas mangrove adalah
Sosial, Jakarta.
0,499-0,842 menunjukan bahwa tingkat
kerapatan tajuk lebat. Hubungan korelasi Dharmawan, I.W.E., dan Pramudji. 2014.
antara NDVI dan persentase tutupan Panduan monitoring status
kanopi sangat kuat (r = 0,9516), sehingga ekosistem mangrove. COREMAP-
NDVI dapat digunakan untuk mengukur CTI LIPI, Jakarta. 35 hlm.
persentase tutupan kanopi di wilayah ini. Faizal, A., dan M.A. Amran. 2005. Model
transformasi indeks vegetasi yang
DAFTAR PUSTAKA efektif untuk prediksi kerapatan
mangrove Rhizophora macronata.
Akbar N., Baksir A., Tahir I., dan D. Arafat.
IN: PIT MAPIN XIV ITS. Prosiding:
2016. Struktur komunitas mangrove
14-15 September 2005. Surabaya:
di Pulau Mare, Kota Tidore
Masyarakat Ahli Penginderaan Jauh
Kepulauan, Maluku Utara,
(MAPIN):34-40.
Indonesia. Depik, 5(3): 133-142.
Green, E., Mumby P., Edwards A., dan C.
Alatorre, L.C., Sanchez-Andres R.,
Clark. 2000. Remote Sensing
Cirujano S., Beguería S., and S.
Handbook for Tropical Coastal
Sanchez-Carrill. 2011. Identification
Management. A. J. Edwards, editor.
of mangrove areas by remote
The United Nations Educational,
sensing: The ROC curve technique
Scientific and Cultural Organization,
applied to the northwestern Mexico
Paris.
coastal zone using Landsat imagery.
Remote Sensing, 3(8):1568–1583. Hendrawan, Jonson L. Gaol dan Setyo
doi:10.3390/rs3081568. Budi Susilo. 2018. Studi kerapatan
dan perubahan tutupan mangrove
Arhatin, R. E., dan P.I. Wahyuningrum.
menggunakan citra satelit di Pulau
2013. Algoritma indeks vegetasi
Sebatik Kalimantan Utara. Jurnal
mangrove menggunakan citra
Ilmu dan Teknologi Kelautan Tropis,
landsat ETM. Buletin PSP,
10(1):99–109.
21(2):215-227.
Kementerian Negara Lingkungan Hidup.
Bengen, D.G. 2001. Pedoman teknis
2004. Keputusan Menteri Negara
pengenalan dan pengelolaan
Lingkungan Hidup No. 201 Tahun
ekosistem mangrove. Pusat Kajian
2004 Tentang Kriteria Baku dan
Sumberdaya Pesisir dan Lautan.
Pedoman Penentuan Kerusakan
Institut Pertanian Bogor.
Mangrove. Jakarta.

http://ejournal.unsrat.ac.id/index.php/platax 10.35800/jip.v10i2.40841
259
Patty Jurnal Ilmiah Platax Vol. 10:(2), July-December 2022

Kirui, KB., Kairo JG., Bosire J., Viergever Nurdiansah, D dan I.W.E. Dharmawan.
KM., Rudra S., Huxham M., and RA. 2018. Komunitas mangrove di
Briers. 2013. Mapping of Mangrove wilayah pesisir Pulau Tidore dan
Forest Land Cover Change along sekitarnya. Oseanologi dan
the Kenya Coastline Using Landsat Limnologi di Indonesia, 3(1): 1-9.
Imagery. Ocean Coast Manage, Prahasta, E. 2008. Remote sensing:
83:19-24. DOI: praktis penginderaan jauh dan
10.1016/j.ocecoaman.2011.12.00. pengolahan citra dijital dengan
Kuenzer, C., Bluemel A., Gebhardt S., perangkat lunak ermapper.
Quoeet TV., and S. Dech. 2011. Informatika. Bandung. 406 hlm.
Remote Sensing of Mangrove Sugiyono. 2008. Metode Penelitian
Ecosystems, A Review. Remote Kuantitatif Kualitatif dan R&D.
Sensing, 3:878-928. DOI: Bandung: Alfabeta.
10.3390/rs3050878.
Supardjo, M.N. 2008. Identifikasi vegetasi
Kusmana, C., Wilarso S., Hilwan I., mangrove di Segoro Anakan
Pamoengkas P., Wibowo C., Selatan, Taman Nasional Alas
Tiryana T., Triswanto A., Yunasfi., Purwo, Banyuwangi, Jawa Timur.
Hamzah. 2003. Teknik Rehabilitasi Jurnal Saintek Perikanan, 3(2):9-15.
Mangrove. Fakultas Kehutanan IPB.
Suwargana, N., 2008. Analisa perubahan
Bogor. 177 Hal.
hutan mangrove menggunakan data
Mumby P.J., Skirving W.O., Strong A.E., penginderaan jauh di pantai
Hardy J.T., LeDrew E.F., Hochberg Bahagia, Muara Gembong, Bekasi.
E.J., Sumpf R. P., dan L.T. David. Jurnal Penginderaan Jauh, 5:64-74.
2004. Remote sensing of coral reef
Suyarso. 2019. Teknik Eksplorasi Sumber
and their physical environment.
Daya Pesisir (Terumbu Karang dan
Marine pollution bulletin, 48(3-
Mangrove) Berbasis Geospasial.
4):219-228.
Penerbit ANDI: Yogyakarta.
Nawangwulan, N.H. 2013. Analisis
Waas, H.J., dan B. Nababan. 2010.
Pengaruh Perubahan Lahan
Pemetaan dan analisis index
terhadap Hasil Produksi Tanaman
vegetasi mangrove di pulau
Pangan di Kabupaten Pati Tahun
Saparua, Maluku Tengah. Jurnal
2001- 2011. Jurnal Geodesi Undip.
Ilmu dan Teknologi Kelautan Tropis,
2(2):127-140.
2(1): 50–58.

http://ejournal.unsrat.ac.id/index.php/platax 10.35800/jip.v10i2.40841
260