Pemetaan batimetri perairan dangkal karang congkak dan karang lebar dengan menggunakan citra ikonos pan-sharpened

PEMETAAN BATIMETRI PERAIRAN DANGKAL KARANG

CONGKAK DAN KARANG LEBAR DENGAN

MENGGUNAKAN CITRA IKONOS PAN-SHARPENED

CORYELISABETY DIANOVITA

SKRIPSI

DEPARTEMEN ILMU DAN TEKNOLOGI KELAUTAN FAKULTAS PERIKANAN DAN ILMU KELAUTAN

INSTITUT PERTANIAN BOGOR 2011

iii

RINGKASAN

CORYELISASABETY DIANOVITA. Pemetaan Batimetri Perairan Dangkal Karang Congkak dan Karang Lebar Dengan Menggunakan Citra IKONOS Pan-Sharpened. Dibimbing oleh JONSON LUMBAN GAOL DAN VINCENTIUS P. SIREGAR.

Batimetri perairan dangkal sangat penting untuk studi morfologi dasar laut, pengelolaan dan manajemen sumber daya zona pesisir. Pendugaan batimetri dengan menggunakan metode penginderaan jauh umumnya dilakukan pada kondisi air yang jernih. Survei batimetri dilakukan untuk mendapatkan data kedalaman aktual. Data kedalaman tersebut digunakan dalam mengestimasi kedalaman dengan menggunakan algoritma yang telah dikembangkan oleh Lyzenga. Penelitian ini dilakukan dengan tujuan untuk mengkaji penggunaan citra IKONOS Pan-Sharpened dalam memetakan batimetri perairan dangkal Karang Congkak dan Karang Lebar.

Penelitian ini dibagi menjadi beberapa tahap, diantaranya adalah

pengumpulan data survei lapang, pengumpulan data sekunder, pengolahan citra dan analisis data. Survei lapang dilakukan pada tanggal 5 dan 6 Juni 2010, pengumpulan data sekunder (data pasang surut) dilakukan pada bulan Oktober-November 2010, pengolahan citra dan analisis data akhir pada bulan Desember 2010-Januari 2011. Pengambilan data kedalaman in situ dilakukan pada bagian dalam tubir gobah baik Karang Congkak maupun Karang Lebar.

Model pendugaan kedalaman dikembangkan dengan menggunakan 3 kanal (merah, hijau, dan biru) Citra IKONOS Pan-Sharpened yang menunjukkan bahwa kanal hijau lebih baik digunakan untuk pemetaan batimetri. Model tersebut adalah �= 3,602∗ln(� − �_������ℎ����)−16,86 dengan nilai koefisien korelasi dan determinasi sebesar 0,88 dan 0,78.

Perbandingan antara nilai kedalaman estimasi dan kedalaman aktual menunjukkan galat sebesar 1,61 m. Walaupun demikian, korelasi antara kedalaman estimasi dan aktual sangat baik dengan nilai sebesar 0,88 m.

Kedalaman dibagi menjadi 5 kelas. Kelas kedalaman yang terwakili dengan baik adalah kelas kedalaman 0 hingga 1,3 m, kelas 2 hingga 4,3 m, dan kelas 4,4 hingga 8 m dengan nilai producer accuracy lebih dari 50%.

PEMETAAN BATIMETRI PERAIRAN DANGKAL KARANG

CONGKAK DAN KARANG LEBAR DENGAN

MENGGUNAKAN CITRA IKONOS

PAN-SHARPENED

CORYELISABETY DIANOVITA

SKRIPSI

sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Kelautan

pada Departemen Ilmu dan Teknologi Kelautan,

DEPARTEMEN ILMU DAN TEKNOLOGI KELAUTAN FAKULTAS PERIKANAN DAN ILMU KELAUTAN

INSTITUT PERTANIAN BOGOR 2011

©

Hak cipta milik IPB, tahun 2011

Hak Cipta Dilindungi Undang-Undang

1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumber

a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah

b. Pengutipan tidak merugikan kepentingan yang wajar IPB

2. Dilarang mengumumkan dan memperbanyak sebagian/seluruh karya tulis dalam bentuk apapun tanpa izin IPB

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI

Dengan ini saya menyatakan bahwa Skripsi yang berjudul:

PEMETAAN BATIMETRI PERAIRAN DANGKAL KARANG

CONGKAK DAN KARANG LEBAR DENGAN

MENGGUNAKAN CITRA IKONOS

PAN-SHARPENED

adalah benar merupakan hasil karya sendiri dan belum pernah diajukan dalam bentuk apa pun kepada perguruan tinggi manapun. Semua sumber data dan informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Bogor, September 2011

CORYELISABETY DIANOVITA C54061233

SKRIPSI

Judul Penelitian : PEMETAAN BATIMETRI PERAIRAN DANGKAL KARANG CONGKAK DAN KARANG LEBAR DENGAN MENGGUNAKAN CITRA IKONOS PAN-SHARPENED

Nama Mahasiswa : Coryelisabety Dianovita Nomor Pokok : C54061233

Departemen : Ilmu dan Teknologi Kelautan

Menyetujui,

Pembimbing Utama Pembimbing Anggota

Dr. Ir. Jonson Lumban Gaol, M.Si Dr. Ir. Vincentius P. Siregar, DEA NIP.196600721 199103 1 002 NIP. 19561103 198503 1 003

Mengetahui,

Ketua Departemen Ilmu dan Teknologi Kelautan

NIP. 19580909 198303 1 003 Prof. Dr. Ir. Setyo Budi Susilo, M. Sc

vii

KATA PENGANTAR

Puji syukur kepada Tuhan Yang Maha Esa atas semua karunia yang telah diberikan-Nya kepada penulis sehingga skripsi ini dapat selesai. Skripsi yang

berjudul Pemetaan Batimeri Perairan Dangkal Karang Lebar dan Karang

Congkak Dengan Menggunakan Citra IKONOS Pan-Sharpened diajukan sebagai salah satu syarat untuk memperoleh gelar kesarjanaan.

Selama penyusunan skripsi penulis banyak mendapat bantuan dari berbagai pihak. Oleh karena itu penulis mengucapkan terima kasih kepada: 1. Dr. Ir. Jonson Lumban Gaol, M.Si dan Dr. Ir. Vincentius P. Siregar, DEA

selaku Pembimbing Skripsi atas arahan dan bimbingan selama proses penyelesaian skripsi.

2. Bapak Sam Wouthuyzen atas bimbingannya selama penelitian. 3. Bapak M. Banda Selamat atas bimbingannya selama penelitian.

4. Orang tua dan keluarga yang selalu memberikan kasih sayang dan perhatian serta dukungan baik secara moril maupun materil.

5. Teman-teman yang selalu memberikan semangat dan motivasi.

Penulis menyadari bahwa proposal ini jauh dari sempurna. Oleh karena itu pada kesempatan ini penulis mengharapkan saran dan kritik yang membangun dari pembaca. Penulis berharap skripsi ini dapat menambah pengetahuan dan wawasan bagi diri sendiri maupun pembacanya.

Bogor, September 2011

viii

DAFTAR ISI

Halaman

KATA PENGANTAR ... vii

DAFTAR TABEL ... x

DAFTAR GAMBAR ... xi

DAFTAR LAMPIRAN ... xii

1. PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Tujuan ... 3

2. TINJAUAN PUSTAKA ... 4

2.1. Pemanfaatan Citra Satelit Untuk Pemetaan Perairan Dangkal ... 4

2.1.1. Batimetri ... 4

2.1.2. Pemetaan batimetri perairan dangkal ... 6

2.2. Satelit IKONOS ... 10

2.2.1. Citra Pan-Sharpened IKONOS ... 12

3. METODOLOGI ... 14

3.1. Waktu dan Lokasi Penelitian ... 14

3.2. Alat dan Bahan ... 14

3.3. Metode Perolehan Data ... 16

3.3.1. Kedalaman ... 16

3.3.2. Pasang Surut ... 17

3.4. Metode Pengolahan Citra ... 19

3.5. Pemetaan Batimetri ... 20

4. HASIL DAN PEMBAHASAN ... 27

4.1. Pemetaan Batimetri ... 27

4.1.1. Transformasi Algoritma Lyzenga ... 31

4.1.2. Peta Batimetri ... 35

4.1.3. Matriks Kesalahan ... 33

4.2. Galat (Error) Model Nilai Digital Asli dengan Algoritma Lyzenga ... 37

5. KESIMPULAN DAN SARAN ... 40

5.1. Kesimpulan ... 40

5.2. Saran ... 40

ix

LAMPIRAN ... 43

x

DAFTAR TABEL

Halaman

1. Spesifikasi Satelit IKONOS ... 11 2. Matriks kesalahan (confusion matrix) ... 26 3. Korelasi antara nilai kedalaman lapang dengan nilai digital

transformasi citra Ikonos ... 30 4. Matriks kesalahan kelas nilai kedalaman lapang dan

kedalaman estimasi ... 35 5. Matriks kesalahan kelas kedalaman aktual dan

xi

DAFTAR GAMBAR

Halaman

1. Faktor-faktor yang mempengaruhi besarnya jumlah gelombang

cahaya yang diterima sensor setelah melalui massa air ... 7 2. Konversi kedalaman ke kedalaman bawah datum ... 9 3. Piksel asli MS, piksel PAN, dan piksel pan-sharpened MS ... 13 4. Citra pan-sharpened IKONOS yang digabung

dari citra pankromatik dan multispektral ... 13 5. Lokasi Penelitian di Karang Congkak dan Karang Lebar,

Kep. Seribu, DKI Jakarta ... 15 6. Diagram alir pengolahan data batimetri dengan citra satelit IKONOS 21 7. Citra IKONOS Pan-Sharpened hasil transformasi nilai ln(V-VS) pada

algoritma Lyzenga di perairan dangkal Karang Lebar ... 28 8. Grafik model persamaan regresi linier dan koefisien determinasi Karang

Lebar dari hasil plot kedalaman pemeruman dan nilai digital citra

IKONOS pan-sharpened ... 29 9. Kedalaman estimasi perairan dangkal Karang Congkak dan

Karang Lebar dengan menggunakan algoritma Lyzenga ... 33 10. Kedalaman estimasi perairan dangkal Karang Congkak dan Karang Lebar

dengan menggunakan algoritma Lyzenga (reclass)... 34 11. Grafik perbandingan antara nilai kedalaman duga (estimated depth)

terhadap nilai kedalaman sebenarnya (actual depth) ... 37 12. Grafik analisis residual antara nilai kedalaman sebenarnya

xii

DAFTAR LAMPIRAN

Halaman

1. Metadata Citra IKONOS Pan-Sharpened yang diakuisisi

pada tanggal 8 Juli 2008. ... 44 2. Histogram pengkelasan nilai kedalaman ... 45 3. Hasil analisis regresi statisik hubungan antara nilai

kedalaman aktual dan nilai kedalaman estimasi dari

algoritma Lyzenga (1985) yang dikembangkan ... 46 4. Data nilai kedalaman survei lapang dan kedalaman dugaan,

nilai digital kanal hijau citra IKONOS pada pengembangan

1

I. PENDAHULUAN

1.1. Latar Belakang

Hidrografi adalah cabang ilmu yang berkaitan dengan pengukuran dan deskripsi dari fitur fisik perairan, wilayah pesisir, danau, dan sungai, serta dengan prediksi evolusi mereka, dengan tujuan utama keselamatan navigasi dan kegiatan kelautan lainnya seperti, pengembangan ekonomi, keamanan dan pertahanan, penelitian ilmiah, dan perlindungan lingkungan laut (IHO, 2010). Survei hidrografi umumnya banyak dimanfaatkan untuk memetakan dasar laut yang digunakan untuk berbagai kegiatan di laut seperti pengerukan, navigasi,

pengendalian sedimentasi dan banjir. Kondisi hidrografi mengalami perubahan tanpa batas waktu tertentu. Perubahan kondisi hidrografi umumnya disebabkan oleh beberapa faktor seperti pengikisan pantai oleh gelombang, sedimentasi, penggunaan lahan di wilayah pesisir, dan lain sebagainya. Oleh karena itu, revisi terhadap peta-peta batimetri perlu dilakukan terus menerus, walaupun telah banyak perairan yang dipetakan melalui survei hidrografi.

Kajian mengenai kondisi fisik perairan perlu dilakukan dengan cepat dan akurat sehubungan dengan faktor-faktor penting seperti keselamatan pelayaran. Karena luas perairan Indonesia yang memiliki garis pantai sepanjang 81.000 km, maka perlu dilakukan survei untuk pemeruman kedalaman (batimetri) yang lebih efisien dan efektif tanpa memerlukan biaya yang besar dan waktu yang lama (Wouthuyzen, 2001). Survei batimetri merupakan salah satu kegiatan dari survei hidrografi yang digunakan untuk mendapatkan data kedalaman dan menampilkan topografi dasar laut. Teknik awal survei batimetri dilakukan secara konvensional,

2

yaitu dengan menggunakan tali atau kabel berat terukur yang diturunkan dari sisi kapal. Metode konvensional ini dianggap tidak efisien karena setiap satu kali pengukuran hanya dapat dilakukan dalam satu waktu saja. Selain itu, metode ini tidak cocok digunakan dalam pemetaan perairan dangkal karena kapal yang digunakan untuk memetakan daerah perairan dangkal akan sulit untuk bergerak leluasa dan berbahaya bagi badan kapal apabila substrat dasar tidak beraturan. Oleh karena itu, saat ini teknik penginderaan jauh banyak digunakan sebagai alternatif untuk survei batimetri tersebut dalam pendugaan kedalaman perairan, terutama perairan dangkal.

Penginderaan jauh yang dimanfaatkan untuk pendugaan batimetri ini adalah penginderaan jauh warna air laut atau dikenal dengan istilah penginderaan jauh ocean color dengan memanfaatkan radiasi gelombang elektromagnetik pada panjang gelombang cahaya tampak yang dipantulkan kembali dari bawah

permukaan laut. Metode ini memiliki beberapa keunggulan seperti data yang dihasilkan berupa data digital dalam bentuk foto atau citra yang memudahkan manusia untuk mengolahnya, cakupan daerah yang diobservasi luas dan mampu mendeteksi daerah yang sulit dijangkau atau berbahaya bagi manusia, dan tidak memerlukan pengeluaran yang besar karena biayanya yang relatif murah.

Pendugaan batimetri dengan menggunakan metode ini dapat dilakukan hingga ke kedalaman ±25 m pada kondisi air yang jernih, dan kurang dari itu pada kondisi air yang keruh (Green et al., 2000). Namun pemetaan batimetri juga sering mengalami pembauran pada warna yang disebabkan oleh variasi pada albedo substrat, misal perubahan dari pasir putih hingga lamun berwarna gelap (Green et al., 2000). Pendugaan batimetri dengan menggunakan data satelit ini

3

memiliki kesalahan (error) di dalamnya karena nilai dugaan yang dihasilkan merupakan hasil olahan data yang tercatat oleh sensor satelit. Oleh karena itu perlu dilakukan suatu pengukuran langsung (ground truth) untuk mengetahui keakuratan dan ketelitian dari data satelit yang masih dipengaruhi faktor lain seperti keterbatasan daya tembus radiasi gelombang elektromagnetik.

Pendekatan algoritma merupakan salah satu metode yang digunakan untuk memecahkan kelemahan-kelemahan pendugaan batimetri dengan data satelit. Pada penelitian ini kedalaman perairan diestimasi dengan menggunakan algoritma yang telah dikembangkan oleh Lyzenga (1985). Algoritma yang digunakan berfungsi untuk menerjemahkan data yang direkam oleh sensor satelit IKONOS. Namun, algoritma ini memiliki kesulitan untuk memecahkan masalah lain seperti faktor kekeruhan air, efek atmosfir, dan lainnya.

Penelitian pendugaan batimetri ini dilakukan pada perairan dangkal Karang Congkak dan Karang Lebar, Kepulauan Seribu, perairan yang cukup jernih dan ekosistem yang cukup beragam. Informasi dari pendugaan batimetri juga memudahkan upaya karakterisasi habitat sehingga juga dapat digunakan untuk memetakan kondisi habitat karang dan pendugaan potensi pemutihan karang (Siregar dan Selamat, 2010).

1.2. Tujuan

Penelitian ini dilakukan dengan tujuan untuk mengkaji penggunaan citra IKONOS Pan-Sharpened dalam memetakan batimetri perairan dangkal Karang Congkak dan Karang Lebar dengan mengaplikasikan algoritma Lyzenga.

4

2. TINJAUAN PUSTAKA

2.1. Pemanfaatan Citra Satelit Untuk Pemetaan Perairan Dangkal

Data kedalaman merupakan salah satu data dari survei hidrografi yang biasa digunakan untuk memetakan dasar lautan, hal ini sangat penting dalam keselamatan navigasi. Pemetaan dasar perairan (batimetri) juga sangat penting untuk menunjang pengembangan wilayah pantai dan pesisir sehingga dapat diketahui tempat-tempat berpotensi rawan dan berbahaya.

Pemetaan kedalaman perairan telah banyak dilakukan oleh beberapa peneliti dengan menggunakan citra satelit. Citra satelit yang umum digunakan untuk memetakan batimetri perairan terutama perairan dangkal (shallow water), yaitu citra Landsat TM dan Landsat MSS, SPOT XS, dan Airborne MSS (Green et al., 2000). Beberapa peneliti pada abad ini menggunakan citra yang beresolusi tinggi untuk memetakan kedalaman perairan kedalaman, seperti Mishra (2001) yang menggunakan citra multispektral IKONOS untuk memetakan kedalaman perairan pulau Roatan, Honduras dan Deng et al. (2008) memetakan Estuaria Beilun, China dengan menggunakan citra multispektral Quickbird dan Landsat-7 ETM+.

2.1.1. Batimetri

Batimetri menjelaskan tentang pengukuran kedalaman dasar perairan, seperti danau, sungai, dan laut. Pengetahuan mengenai batimetri berawal dari pemetaan topografi dasar laut yang telah lama dilakukan oleh beberapa peneliti, seperti Biertwith, Lyzenga, dan masih banyak lagi yang melakukan pemetaan

5

batimetri dengan tujuan tertentu. Peta batimetri biasanya menyajikan tentang relief suatu dasar perairan dengan garis-garis kontur yang disebut dengan kontur kedalaman (depth contour atau isobath) dan informasi tambahan berupa informasi navigasi permukaan.

Batimetri perairan dangkal sangat penting untuk studi morfologi dasar laut, pengelolaan dan manajemen sumber daya zona pesisir. Selain itu informasi batimetri juga dapat digunakan dalam pembuatan peta lainnya, seperti pemetaan kondisi habitat karang. Pengaruh reflektansi dasar perairan sering sekali menjadi faktor penghambat dalam pemetaan habitat dasar perairan. Oleh karena itu perlu pengetahuan mengenai nilai reflektansi dasar perairan agar memperoleh model elevasi digital kedalaman perairan yang memadai, terutama untuk sistem terumbu karang (Mumby et al., 1998).

Pengukuran kedalaman perairan diawali dengan menggunakan metode konvensional yang dilakukan dengan menggunakan tali tambang terukur dengan pemberat yang diturunkan dari kapal ke dalam perairan. Pendekatan konvensional ini mengandalkan survei lapangan kedalaman air di lokasi penelitian. Namun pendekatan ini memerlukan tenaga kerja yang banyak dan memerlukan waktu yang lama. Sejak tahun 1970-an hingga saat ini, teknologi satelit penginderaan jauh telah banyak digunakan sebagai alternatif untuk memperkecil kerja lapangan untuk pemetaan batimetri air jernih (Deng, et al. 2008), metode ini memetakan kedalaman dengan menggunakan sistem foto udara dan penginderaan jarak jauh dengan sensor satelit.

6

2.1.2. Pemetaan batimetri perairan dangkal

Gelombang elektromagnetik yang digunakan untuk memetakan perairan dangkal berada dalam kisaran spektrum sinar tampak (400-700 nm). Sinar tampak (merah, hijau, dan biru) yang dipancarkan dari sensor satelit mampu menembus badan air sehingga dapat penetrasi kedalaman ke dalam beberapa kelas kedalaman. Pada saat sinar tampak menembus air laut, sinar tersebut akan

mengalami atenuasi akibat interaksi dengan kolom perairan. Intensitas cahaya akan berkurang (Id

� = �0. −�� ... (1) ) setelah memasuki kedalaman perairan tertentu p, dimana dapat dirumuskan seperti berikut (Green et al., 2000):

dimana, Io

Koefisien atenuasi akan semakin besar pada kanal yang memiliki panjang gelombang yang besar, seperti yang dikemukakan pada penelitian Selamat dan Nababan (2009) yang menggunakan citra satelit SPOT untuk memetakan

batimetri Pulau Pandangan. Dikatakan bahwa kanal dengan panjang gelombang sinar hijau yang mampu menembus air hingga ke kedalaman maksimum yang mampu direkam oleh satelit SPOT memiliki koefisien atenuasi terkecil

dibandingkan dengan kanal merah (panjang gelombang sinar merah) dan kanal inframerah (panjang gelombang inframerah) pada satelit SPOT.

= intensitas awal sebelum memasuki permukaan air dan k = koefisien atenuasi yang bervariasi tergantung oleh panjang gelombang elektromagnetik tersebut.

Perairan yang jernih memungkinkan sensor satelit dapat mendeteksi kedalaman ±30 m (Green et al., 2000). Pada kondisi perairan yang jernih, kanal dengan cahaya biru dan hijau mampu mempenetrasi kedalaman hingga ke dasar

7

perairan, kemudian dipantulkan kembali dan ditangkap oleh sensor. Berbeda dengan cahaya biru dan hijau, cahaya merah umumnya akan diserap atau

dihamburkan di kolom perairan sehingga tidak mampu menembus lebih jauh lagi ke dasar perairan. Meaden dan Kapetsky (1991) mengemukakan bahwa tingkat kecerahan pada setiap kedalaman memiliki nilai yang berbeda. Kontur kedalaman digambarkan berdasarkan tingkat kedalaman yang sama. Penetrasi energi cahaya kedalaman perairan dipengaruhi oleh fitoplankton dan kekeruhan air yang

umumnya terdiri dari partikel sedimen tersuspensi dan komponen organik terlarut (Gambar 1). Komponen-komponen tersebut akan menghamburkan dan

mengabsorbsi cahaya yang masuk ke dalam air sehingga mengakibatkan atenuasi semakin besar dan perubahan sifat optik air laut.

Sumber: Biertwith, et al. (1993).

Gambar 1. Faktor-faktor yang mempengaruhi besarnya jumlah gelombang cahaya yang diterima sensor setelah melalui massa air (dimana, E0 =

pencahayaan sinar matahari di atas atmosfir; TΦ, Tθ = Transmitansi atmosfir; ED = hamburan cahaya dari langit; RWS = pantulan dari

permukaan air; Rw = pantulan dari molekul-molekul dan

partikel-partikel di kolom air; RB = pantulan dari subtrat dasar; RE = pantulan

efektif dari badan air (tidak termasuk RWS); LP = hambur balik di

atmosfir; LT= radiasi dari target yang ditransmisikan oleh atmosfir; LS E0

= radiasi sinar tampak yang diterima oleh sensor)

LS

LT

Z Sensor

LP ED

RWS

RB

RE

T_θ

T_Φ θ

RW

Matahari

Substrat Permukaan air Atmosfir

8

Ada beberapa metode yang dikenal untuk memetakan batimetri, seperti metode Benny dan Dawson, metode Jupp, dan metode Lyzenga (Green et al., 2000). Metode-metode pemetaan batimetri ini umumnya mengasumsikan 3 hal, yaitu (i) atenuasi cahaya merupakan fungsi eksponensial untuk kedalaman, (ii) kualitas air tidak tampak berbeda pada citra, (iii) albedo dari substrat adalah konstan. Biasanya metode satu dengan yang lain merupakan metode yang dikembangkan dari metode sebelumnya, seperti metode Jupp merupakan pengembangan dari metode Lyzenga.

Metode yang digunakan untuk menduga batimetri melalui citra juga dapat menimbulkan permasalahan apabila terjadi variasi pemantulan yang signifikan pada substrat dasar sehingga perlu dilakukan validasi data kedalaman yang biasanya menggunakan metode survei lapang. Oleh karena itu dibutuhkan suatu uji akurasi atau validasi data yang berfungsi untuk menguji ketelitian dari data atau informasi yang dihasilkan dari pengolahan citra. Pada umumnya uji akurasi ini dilakukan untuk membandingkan antara kedua data atau informasi, yaitu data dari hasil analisis penginderaan jauh dan data dari survei lapang (ground truth), dimana data dari survei lapang berisi sumber informasi atau data yang lebih akurat dan detail. Hasil dari uji akurasi ini biasanya disusun dalam bentuk matriks kesalahan yang juga dinamakan dengan matriks konfusi. Selain

mengindentifikasi kesalahan dalam suatu kategori, matriks konfusi juga dapat mengindentifikasi kesalahan pada klasifikasi antar kategori (Siregar et al., 2008).

Kedalaman perairan yang terukur, baik secara in situ maupun melalui citra satelit, terukur mulai dari bawah permukaan air. Pengukuran kedalaman secara in situ umumnya menggunakan sistem pemeruman melalui suatu alat perum seperti

9

GPS sounder atau Map souder. Pada saat pengukuran dapat terjadi suatu

kesalahan yang dapat diindikasikan dari presisi dan akurasinya. Presisi mengacu dari ulangan bacaan alat tersebut, sedangkan akurasi mengacu pada pendekatan pengukuran terhadap angka sebenarnya (Chapra dab Canale dalam Siregar et al., 2008). Hubungan antara nilai aproksimasi dan nilai sebenarnya dirumuskan sebagai berikut:

Xs = Xa

dimana, Xs = nilai sebenarnya

+ ΔX ... (2) Xa = nilai aproksimasi (pendekatan)

ΔX = kesalahan (bias)

Sumber: Green et al. (2000).

Gambar 2. Konversi kedalaman ke kedalaman bawah datum. Zt = kedalaman air

pada saat waktu t (baik di lapangan, maupun pada saat pengukuran melaui penginderaan jauh), ht = ketinggian pasut di atas datum pada

saat waktu t. Kedalaman dasar perairan dihitung mulai dari bawah datum, yaitu Zt - ht

Koreksi data kedalaman perlu dilakukan sehubungan dengan adanya beberapa faktor yang mempengaruhi pengukuran kedalaman tersebut, seperti tinggi pasang surut (pasut) pada waktu pengukuran. Ketinggian pasang surut dalam satu hari dapat berbeda-beda sehingga hal ini sangat mempengaruhi

Ketinggian air pada waktu t

datum

ht

Z Zt

10

pengambilan data kedalaman tersebut. Agar menghindari kesalahan klasifikasi pada pembuatan peta batimetri, maka perlu dilakukan koreksi data kedalaman terhadap data pasang surut (Gambar 2).

Nilai kedalaman dasar perairan yang diukur adalah nilai kedalaman sebenarnya ditambah dengan nilai pasut. Oleh karena itu penting untuk mencatat waktu pada saat pengukuran kedalaman agar datum yang diperoleh dapat

dikoreksi dengan benar. Perhitungan ketinggian pasang surut di atas datum (Gambar 2) pada saat survei lapang umumnya dilakukan secara langsung dengan menggunakan alat perum seperti GPS Sounder. Namun saat ini ketinggian pasang surut juga dapat diukur melalui alat perekam kedalaman otomatis seperti GPS Sounder.

2.2. Satelit IKONOS

IKONOS merupakan salah satu satelit observasi bumi dan satelit

komersial pertama dengan resolusi spasial dan radiometrik yang tinggi (Grodecki dan Dial, 2001). Satelit IKONOS diluncurkan pertama kali pada tanggal 24 September 1999 di Vandenberg Air Force Base, California dan telah

mengirimkan data komersial sejak tahun 2000. IKONOS berasal dari bahasa Yunani, yaitu Eye Koh Nos yang berarti image atau citra.

Satelit IKONOS mengindera dan merekam citra pankromatik dengan resolusi spasial 1 meter dan multispektral 4 meter dalam 4 kanal. Resolusi radiometrik pada citra IKONOS sebesar 11 bit per pixel yang berarti adanya perluasan pada nilai tingkatan warna sehingga pengguna (user) bisa melihat lebih banyak penampakan objek yang lebih detail pada citra (Tabel 1). Namun dari

11

waktu ke waktu, citra IKONOS diskala ulang hingga 8 bit dengan tujuan untuk memperkecil ukuran dari file citra tersebut (GeoEye, 2010).

Satelit ini dirancang untuk beroperasi selama 10 tahun yang mengorbit di ketinggian 681 km dari permukaan laut, dengan orbit sinkron matahari (sun-synchronous) dengan sudut inklinasi 98,1º (Pike dan Brown dalam Hildanus, 2002). Pada lintang 40º satelit IKONOS memiliki waktu revisit selama 2,9 hari pada 1 meter Ground Sampling Distance (GSD) dan 1,5 hari pada 1,5 GSD. Waktu revisit akan lebih sedikit pada lintang yang lebih tinggi dan akan lebih panjang untuk bujur yang mendekati ekuator (Grodecki dan Dial, 2001). Tabel 1. Spesifikasi Satelit IKONOS.

(Sumber : GeoEye, 2010)

Seperti yang terlihat pada Tabel 1 satelit IKONOS memiliki 3 kanal dengan panjang gelombang sinar tampak (merah, hijau, dan biru) dan 1 kanal pankromatik yang berguna untuk mengukur panjang gelombang yang

menampilkan karakteristik spektral dari suatu obyek di bumi yang terlihat oleh mata. Kanal inframerah dekat yang mengukur reflektansi spektrum

Imaging Mode Pankromatik Multispektral Pan-Sharpened

Resolusi Spasial 0.82 m 3.2 m 1 m

Resolusi Spektral Band

Blue 450-950 nm 450-520 nm

Green - 520-600 nm

Red - 625-695 nm

Near IR - 760-900 nm

Lebar Sapuan 11 x 11 km

Off-Nadir Imaging ±60°

Resolusi Radiometrik 11 bit per pixel

Masa pengoperasian ±10 Tahun

Resolusi Temporal 3-5 hari (off-nadir) dan 144 hari (true-nadir)

Ketinggian (altitude) 681 km

Waktu penurunan nodal 10:30 AM

12

elektromagnetik pada bagian yang inframerah dekat sangat membantu dalam mengklasifikasikan vegetasi (Hildanus, 2002).

Produk citra IKONOS yang dikeluarkan oleh perusahaan GeoEye ini menyediakan standar pengkoreksian citra IKONOS. Citra IKONOS yang disediakan oleh GeoEye umumnya telah terkoreksi radiometrik dan geometrik. Citra dikoreksi radiometrik dengan melakukan rescale pada data mentah hasil transmisi dari satelit. Selama tidak ada permintaan perubahan dynamic range adjusment dalam proses produksi, akurasi radiometrik yang asli akan tetap dipertahankan dan piksel dalam citra tetap direkam dalam 11 bit. Koreksi

geometrik biasa digunakan untuk menghilangkan distorsi pada citra (Wang et al., 2004).

2.2.1. Citra Pan-Sharpened IKONOS

Penggabungan citra (image fusion) dilakukan dengan menggabungkan beberapa citra (multiple images) untuk meningkatkan kualitas citra. Salah satu teknik penggabungan ini adalah pan-sharpening. Teknik pan-sharpening menggantikan estimasi informasi kecerahan yang berasal dari kanal-kanal citra multispektral (MS) beresolusi spasial rendah dengan nilai-nilai yang ada pada resolusi spasial tinggi kanal pankromatik (PAN). Hal ini dapat dilihat dari ilustrasi Gambar 3 penggabungan 1 piksel MS dengan 16 piksel PAN sehingga menghasilkan 16 piksel pan-sharpened MS (Hanaizumi, et al., 2008).

13

Gambar 3. (a) piksel asli MS, (b) piksel PAN, dan (c) piksel pan-sharpened MS MS (Hanaizumi, et al., 2008)

Salah satu citra pan-sharpened adalah Citra IKONOS Pan-sharpened yang menggabungkan citra (image fusion) resolusi 1 meter pankromatik (black/white image) dan resolusi 4 meter multispektral (colour image) sehingga tampilan ekstraksi fitur tampak lebih detail dalam warna dan kejernihannya karena menyajikan true-color dan false-color dalam resolusi 1 meter. Ilustrasi

penampakan detail citra hasil penggabungan (citra pan-sharpened) antara citra pankromatik dan multispektral dapat dilihat pada Gambar 4.

Gambar 4. Citra pan-sharpened IKONOS yang digabung dari citra pankromatik (kiri) dan multispektral (tengah); (Sumber: Geosage, 2010)

14

3. METODE PENELITIAN

3.1. Waktu dan Lokasi Penelitian

Penelitian ini dibagi menjadi beberapa tahap, diantaranya adalah

pengumpulan data survei lapang, pengumpulan data sekunder (pendukung), serta pengolahan citra dan analisis data. Survei lapang pengukuran kedalaman perairan dilakukan pada tanggal 4, 5, dan 6 Juni 2010, pengumpulan data sekunder (data pasang surut) dilakukan pada bulan Oktober-November 2010, dan tahap akhir dilakukan pengolahan citra dan analisis data akhir pada bulan Desember 2010-Januari 2011. Letak geografis lokasi pengambilan data lapang di perairan Karang Congkak dan Karang Lebar, Kepulauan Seribu, DKI Jakarta terletak pada

koordinat 106°33’ BT -106°38’ BT dan 5°41’ LS -5°46’ LS (Gambar 5).

3.2. Alat dan Bahan

Pembuatan peta batimetri ini menggunakan data primer dan data sekunder. Data primer yang digunakan berupa data Satelit IKONOS yang telah digabung menjadi Citra IKONOS Pan-Sharpened dengan resolusi spasial 1 meter yang sudah terkoreksi geometrik dan radiometrik (Lampiran 1). Citra IKONOS Pan-Sharpened ini diakuisisi pada tanggal 8 Juli 2008 dengan koordinat liputan citra 5°40’39” LS – 5°46’15” LS (669998,02 mT – 679749,15 mT) dan 106°32’7” BT – 106°37’23” BT (9361898,89 mU – 9372219,68 mU). Selain data satelit, data kedalaman yang diambil pada saat survei lapang juga digunakan sebagai data primer.

15

16

Pada saat survei lapang, data pasang surut diukur untuk digunakan sebagai koreksi kedalaman perairan. Selain itu data sekunder juga digunakan pada

penelitian ini, data sekunder yang digunakan adalah data ramalan pasang surut perairan Kepulauan Seribu tahun 2008 dan 2010 yang diperoleh dari Dinas Hidro Oseanografi TNI-AL (DISHIDROS TNI-AL) dengan titik stasiun terdekat yang digunakan adalah stasiun Tanjung Priok.

Alat yang digunakan dalam penelitian terbagi menjadi dua kategori, yaitu perangkat lunak dan perangkat keras. Perangkat lunak yang digunakan dalam penelitian ini adalah Microsoft Excel, Idrisi Andes, dan ArcGIS 9.3. Perangkat-perangkat lunak tersebut digunakan untuk pengolahan citra (Idrisi dan ArcGIS) dan analisis data (M. Excel). Perangkat keras yang digunakan adalah sebagai berikut.

1. Personal Computer (PC) untuk analisis data. 2. Printer untuk mencetak dokumen.

3. Global Positioning System (GPS) Map 420 Si untuk menentukan posisi dan pengukuran kedalaman perairan pada titik-titik pengamatan.

4. Papan Pasang Surut (Pasut) yang digunakan untuk mengukur tinggi rendah muka air pada saat penelitian dilakukan.

3.3. Metode Perolehan Data 3.3.1. Kedalaman

Pengambilan data lapang dilakukan dengan pengukuran secara langsung (ground check) pada lokasi penelitian. Parameter yang diambil pada survei lapang ini adalah kedalaman dan pasang surut. Karena lokasi penelitian

17

merupakan perairan dangkal, alat transportasi yang digunakan pada saat pengukuran berupa perahu kecil bertenaga motor. Pada perahu dipasang alat instrumentasi GPS Sounder pada bagian salah satu sisi perahu. Sebelum

dilakukan perekaman data GPS Sounder diatur ke pengaturan merekam informasi, seperti kedalaman, secara otomatis selama suvey lapang berlangsung. Data yang tersimpan dalam GPS Sounder dalam format GDB file kemudian ditransfer ke dalam PC untuk disimpan dalam format text (*.txt) dan diolah.

Pengambilan data kedalaman pada Karang Congkak dilakukan sekitar pukul 09.00-15.00, dan Karang Lebar dilakukan sekitar pukul 07.40-12.00 dan 12.30-15.30 WIB. Metode pengambilan data dilakukan dengan membuat suatu jalur berbentuk zig-zag pada bagian dalam tubir gobah baik Karang Congkak maupun Karang Lebar, jalur tersebut merupakan jalur yang dapat dilalui oleh perahu kecil yang biasa digunakan oleh nelayan.

3.3.2. Pasang Surut

Karena waktu pengambilan data lapang dengan waktu perekaman citra berbeda, maka ada kemungkinan perbedaan kedalaman pada wilayah kajian yang diteliti. Oleh karena itu perlu dilakukan koreksi kedalaman perairan dengan melakukan kalibrasi data kedalaman lapang terhadap pasang surut. Koreksi kedalaman perairan ini didasari oleh kondisi muka air laut yang bersifat dinamis sehingga adanya perbedaan pasang surut dari waktu ke waktu dapat

mempengaruhi perbedaan data kedalaman yang terukur.

Koreksi kedalaman perairan dilakukan dengan mengkalibrasi data

kedalaman lapang terhadap data kedalaman perairan pada waktu perekaman citra. Pada proses koreksi kedalaman ini menggunakan data pasang surut pada saat

18

survei lapang, data ramalan pasang surut pada waktu pengambilan data kedalaman lapang dan data ramalan pasang surut pada waktu perekaman citra.

Pengambilan data pasang surut dilakukan dengan dua cara, yaitu dengan menggunakan papan pasut dan GPS Sounder yang merekam data secara otomatis pada saat melakukan survei lapang. Perolehan data dengan menggunakan papan pasang surut biasanya diletakkan pada daerah yang terendam dengan air laut di salah satu dermaga Pulau Pramuka, Kepulauan Seribu. Kemudian data diperoleh dengan melakukan pengamatan terhadap tinggi rendahnya muka air laut yang terkena papan pasut setiap 30 menit.

Karena data hasil pengamatan lapang dengan menggunakan papan pasang surut tidak dilakukan sesuai dengan waktu survei lapang yang dilakukan, maka data tidak dapat digunakan. Data pasang surut dari pemeruman GPS Sounder digunakan untuk melihat pola pasang surut selama 2 hari pengamatan, namun untuk pengoreksian kedalaman perairan terhadap pasang surut menggunakan data ramalan pasang surut DISHIDROS TNI-AL bulan Juni 2010 dari stasiun terdekat, yaitu Tanjung Priok. Karena data ramalan pasang surut dengan data pengukuran di lapang tidak berbeda jauh dan data ramalan merupakan data 30 hari sehingga pola pasang surut dapat terlihat lebih jelas, maka data ini cukup baik untuk digunakan pada pengoreksian kedalaman perairan pada saat survei lapang.

Koreksi pasang surut dilakukan dengan cara melakukan kalibrasi data pasang surut pada waktu pengambilan data lapang terhadap data pasang surut pada saat perekaman citra, yaitu pada pukul 10.30 WIB. Hal ini dilakukan agar informasi dari data kedalaman lapang sama dengan informasi yang diperoleh data hasil perekaman citra.

19

3.4. Metode Pengolahan Citra

Pemrosesan citra dilakukan secara bertahap, yaitu pengolahan citra awal dan pengolahan citra lanjutan. Pemrosesan citra awal meliputi Pemulihan citra (image restoration). Pemulihan citra terdiri dari koreksi geometrik dan

radiometrik, dalam penelitian ini citra yang digunakan telah mengalami koreksi geometrik dan radiometrik. Oleh karena itu, penelitian ini memfokuskan pada pengolahan citra lanjutan yang meliputi tahap pengekstraksian citra untuk

memperoleh nilai reflektansi atau digital number (DN) citra dengan menggunakan algoritma Lyzenga yang telah dikembangkan.

Pemotongan citra IKONOS Pan-Sharpened disesuaikan dengan lokasi penelitian yang diteliti, yaitu perairan dangkal Karang Lebar. Potongan citra ini digunakan untuk mengekstrak nilai DN pada area kajian (training area) yang diteliti. Masking citra dilakukan untuk memisahkan obyek laut dan obyek yang bukan laut, dimana obyek yang bukan laut diberi nilai nol. Masking citra ini perlu dilakukan sebelum citra digunakan untuk pengolahan lebih lanjut, hal ini

bertujuan untuk memfokuskan area kajian ke daerah perairan pada saat pengolahan data citra.

Data yang diperoleh pada saat ground truth/check disimpan ke dalam bentuk file berekstensi GDB, kemudian dikonversi ke format text (*.txt). Data kedalaman ini direduksi dengan data pasang surut (pasut) dan data koreksi lainnya sehingga diperoleh nilai kedalaman tanpa dinamika gelombang air laut (Selamat dan Nababan, 2009).

Pada tahap ekstraksi citra dilakukan analisis data dengan membandingkan nilai kedalaman in situ dan nilai reflektansi gelombang yang dipancarkan dari

20

kanal satelit yang berupa nilai digital (digital number) yang disajikan dalam bentuk grafik Cartesian. Ketiga kanal citra dianalisis untuk melihat perbandingan antara ketiga kanal dan menentukan kanal citra yang paling baik untuk digunakan pada proses pemetaan batimetri (Gambar 6).

Digital Number (DN) ketiga kanal citra IKONOS Pan-Sharpened hasil ekstraksi dari citra yang merupakan nilai pantulan radiansi (reflektansi) dengan kisaran panjang gelombang sinar tampak (kanal biru, hijau dan merah) dianalisis relasinya terhadap nilai kedalaman aktual. Agar dapat mengetahui kekuatan relasi dari kedua variabel tersebut, maka dilakukan uji statistik terhadap persamaan regresi linier yang diperoleh dari data hasil olahan ketiga kanal citra. Nilai koefisien korelasi linier (r) dan determinansi (R2) akan diperoleh dari hasil uji regresi linier masing-masing persamaan regresi.

3.5. Pemetaan Batimetri

Informasi yang diperoleh dari hasil pemeruman adalah data kedalaman dan data pasang surut. Data kedalaman ini akan digunakan untuk menentukan model dugaan terbaik dari ketiga kanal Citra IKONOS Pan-Sharpened dalam

mengestimasi kedalaman perairan di Karang Congkak dan Karang Lebar. Data pasang surut digunakan untuk pengkoreksian data kedalaman itu sendiri seperti yang telah dipaparkan sebelumnya.

21 Survei lapang

Koreksi kedalaman lapang terhadap pasang surut (koreksi pasang surut) 1. Kedalaman (Z lapang)

2. Pasang surut

Data sekunder Dinas Hidro Oseanografi TNI-AL

1. Pasang surut 2008 (waktu perekaman citra) 2. Pasang surut 2010 (waktu survei)

Kedalaman terkoreksi Citra IKONOS yang sudah

terkoreksi

Cropping citra

Tracking area

Nilai reflektansi gelombang berupa digital number (DN)

Masking citra awal

Penentuan kanal dengan model regresi terbaik

Kanal terpilih (model regresi terbaik)

Peta batimetri perairan dangkal dengan model nilai digital asli

Pengolahan citra (Perhitungan nilai X)

dimana, X = ln (Vi-VS).

Uji Akurasi (RMS Error)

Masking citra akhir

22

Pada penelitian ini, kedalaman suatu perairan diestimasi dengan

menggunakan algoritma yang dikembangkan oleh Lyzenga (1985). Transformasi algoritma Lyzenga (1985) ini mampu memberikan informasi kedalaman pada suatu citra satelit, namun untuk mentransformasikannya algoritma ini hanya membutuhkan 1 kanal terbaik dari citra tersebut agar mampu membedakan antar obyek dalam citra secara nyata. Persamaan algoritma Lyzenga (1985) secara umum dinyatakan sebagai berikut (Wouthuyzen, 2001):

(

V-VS

)

k*

(

VO

)

* k Z ln 2 1 ln 2 1 ₊ −

= _{... (3)}

dimana, Z = Kedalaman (m),

V = Sinyal radians yang diamati pada citra (DN),

VS = Bagian sinyal hasil pembaruan radiasi di atmosfir, kolom air,

dan permukaan laut, k = Koefisien attenuasi , dan

VO = Faktor sensitifitas yang meliputi kontribusi irradians matahari di

permukaan air, pantulan dasar perairan, transmisi atmosfir dan pengaruh dari sensor itu sendiri.

Fungsi linier kedalaman (Z) dapat diperoleh dengan mengasumsikan nilai radians (V) pada Persamaan 3 bervariasi terhadap kedalaman perairan. Nilai VS

Konstanta X

* (Slope) Sudut

Z= +

diduga dengan mengasumsikan bahwa perairan dalam (>40 m) nilai radians pada panjang gelombang biru telah terserap habis oleh kolom air dalam tersebut, sehingga memiliki DN = 0 dan jika DN bernilai lebih dari 0, maka nilai tersebut merupakan pengaruh dari faktor lain seperti pembauran dari atmosfir

(Wouthuyzen, 2001).

... (4)

dimana, X = ln (V-VS

k 2 1

−

),

Sudut (Slope) = ,

Konstanta = k*

(

lnVO

)

2 1

23

Setelah kedua data dari olahan citra IKONOS dan survei lapang diperoleh, dilakukan estimasi akurasi citra satelit untuk mengetahui bahwa data yang

diperoleh dari citra satelit baik untuk digunakan dalam pemetaan batimetri. Estimasi akurasi dilakukan dengan membandingkan data citra dengan data survei lapang sebagai validasi data kedalaman. Analisis regresi yang dilakukan pada setiap model regresi linier menunjukkan seberapa baik model tersebut dapat digunakan untuk memetakan kedalaman perairan dengan melihat nilai koefisien korealasi dan determinasi dari hasil analisis tersebut.

Koefisien korelasi linier ini digunakan untuk mengukur kekuatan hubungan linier antara kedua variabel dalam persamaan regresi linier yang dianalisis (Walpole, 1997). Rentang nilai koefisien korelasi linier ini adalah -1 hingga 1(-1 ≤ r ≤ 1). Koefisien korelasi dapat dikatakan memiliki hubungan linier yang baik bila mendekati -1 atau 1. Berikut adalah formula dari koefisien korelasi (Walpole, 1997):

= � ∑��=1 � �−�∑��=1 ���∑��=1 ��

��� ∑ _�2_−�∑ � � �=1 �

2 �

�=1 ��� ∑ �2−�∑��=1 �� 2 �

�=1 �

... (5)

dimana, r = koefisien korelasi

x = nilai peubah bebas ke-i (nilai digital masing-masing kanal) y = nilai peubah tak bebas ke-i (nilai kedalaman aktual)

n = jumlah pasangan data

Koefisien determinasi menyatakan proporsi variasi variabel dependen yang dapat dijelaskan oleh variasi variabel independen (Walpole, 1997). Nilai besaran koefisien determinasi merupakan hasil kuadrat dari koefisien korelasi, sehingga nilai koefisien ini selalu bernilai positif antara nol dan satu (0≤R2≤1). Nilai koefisien determinasi akan lebih baik apabila nilai tersebut semakin

24

dijelaskan oleh variasi variabel dependen. Dari hasil uji koefisien determinasi ini dapat diketahui persamaan regresi yang baik untuk mengestimasi kedalaman perairan dangkal pada daerah kajian.

Residual merupakan perbedaan antara nilai in situ dan nilai hasil prediksi dari suatu pendugaan. Residual ini merepresentasikan porsi dari validasi data yang tidak dapat dijelaskan dari model (Mathworks, 2011). Uji analisis residual digunakan untuk mengetahui seberapa besar ketepatan data hasil estimasi terhadap data in situ yang dibatasi oleh suatu selang kepercayaan antara kedua parameter tersebut.

Kalkulasi nilai akurasi untuk estimasi data satelit menggunakan formula Root Mean Square error (RMSE) yang dinyatakan oleh Walpole (1997) untuk menunjukkan besarnya galat antara nilai kedalaman aktual dan nilai kedalaman estimasi. Persamaan untuk menentukan nilai RMSE dapat dinyatakan sebagai berikut.

(

)

2 1 2 −         − =

∑

= N b a RMSE n i i i

... (6) dimana, ai = nilai lapangan; bi

Selain itu, untuk mengindentifikasi kesalahan dan ketelitian dalam suatu klasifikasi citra yang telah dikelaskan ke dalam beberapa kelas kedalaman juga dilakukan uji akurasi dengan menggunakan matriks kesalahan atau matriks konfusi (confusion matrix). Evaluasi akurasi ini menentukan seberapa besar persentase ketelitian antara nilai kedalaman lapang dan nilai kedalaman duga yang telah dibentuk menjadi kelas-kelas kedalaman baru dengan selang kelas tertentu.

= nilai interpolator data; N = total number dari nilai validasi.

25

Nilai-nilai yang dihasilkan dari matriks kesalahan adalah producer’s accuracy, user’s accuracy, dan overall accuracy. Berikut adalah formula yang digunakan untuk ke empat nilai di atas.

x100% X X accuracy s Producer' i ii +

= _{... (7)}

% 100 ' x X X accuracy s User i ii +

= ... (8)

% 100 1 _x N X accuracy Overall r i ii

∑

=

= ... (9) dimana, N = jumlah piksel setiap kelas pada training area

r = jumlah kelas

Xi+= ∑ Xij (jumlah kolom pada baris ke-i)

X+j = ∑ Xij(jumlah kolom pada baris ke-j)

Evaluasi akurasi dilakukan pada seluruh data dengan mengkelaskan data ke dalam beberapa kelas. Penentuan selang kelas kedalaman dilakukan

berdasarkan histogram hasil estimasi dari citra (Lampiran 2). Pengkelasan ini dilakukan dengan mengukur nilai-nilai pada tiap puncak di histogram dan menggunakan nilai-nilai tersebut sebagai acuan untuk memetakan kedalaman estimasi dan kedalaman aktual ke rentang kelas baru. Kemudian data kedalaman hasil estimasi dari algroritma dievaluasi terhadap data kedalaman aktual. Hasil akurasi dari perbandingan kedua data kedalaman tersebut disajikan seperti pada Tabel 2.

26

Tabel 2. Matriks kesalahan (confusion matrix) Data Acuan

Training Area

Diklasifikasikan Ke Kelas

Total Baris Xk+

User Accuracy (Xkk/Xk+)

A B ... D

A Xii ... ... ... ... ...

B ... ... ... ... ... ...

... ... ... ... ... ... ...

D ... ... ... ...

Total Kolom X+k N

Producer Accuracy

Xkk/X k

27

4. HASIL DAN PEMBAHASAN

4.1. Pemetaan Batimetri

4.1.1. Pemilihan Model Dugaan Dengan Nilai Digital Asli

Citra hasil transformasi pada Gambar 7 menunjukkan nilai reflektansi hasil transformasi ln (V-VS

Menurut Lillesand dan Kiefer (1990), kemampuan penetrasi yang baik terletak pada panjang gelombang 400-600 nm. Sinar dengan panjang gelombang tersebut merupakan yang terbaik dalam mengintepretasikan kedalaman perairan. Kanal yang tergolong mampu penetrasi kedalaman dengan baik adalah kanal dengan panjang gelombang sinar hijau dan biru. Secara visual pada Gambar 7 terlihat bahwa hasil tranformasi dari nilai ln(V-V

), dimana rentang nilai pada masing-masing kanal berkisar antara nol hingga enam. Nilai mendekati nol atau daerah yang gelap pada citra hasil transformasi diasumsikan sebagai suatu perairan yang dalam, namun daerah bernilai nol juga dapat merepresentasikan darat yang telah mengalami masking. Secara visual terlihat pada gambar semakin tinggi nilai digital, semakin dangkal kedalaman perairan yang juga dapat dilihat korelasi antara keduanya pada grafik di Gambar 8. Hal ini juga dinyatakan oleh Ibrahim dan Cracknell (1990) dalam Wouthuyzen (2001) bahwa umumnya pada suatu titik pengamatan yang bernilai digital rendah akan memiliki nilai kedalaman yang tinggi dan begitu pun sebaliknya.

S) pada kanal hijau dan kanal biru

tidak jauh berbeda, hal ini dikarenakan oleh pada kisaran panjang gelombang sinar tampak, sinar biru dan sinar hijau yang mampu penetrasi kedalaman dengan

28

baik. Namun hal ini belum dapat dipastikan kedua kanal tersebut adalah kanal dengan model regresi linier terbaik.

Gambar 7. Citra IKONOS Pan-Sharpened hasil transformasi nilai ln(V-VS

Hasil transformasi dari nilai ln(V-V

) pada algoritma Lyzenga di perairan dangkal Karang Lebar (Kiri merupakan citra awal (sebelum ditransformasi), kanan merupakan citra setelah ditransformasi)

S) pada Gambar 7 diplotkan terhadap

nilai kedalaman aktual ke dalam suatu grafik sehingga menghasilkan suatu model regresi linier seperti yang terlihat pada Gambar 8. Pada Gambar 8 terlihat bahwa dalam satu kisaran nilai ln(V-VS

(a) Kanal Merah

) yang sama terdapat banyak sebaran nilai (b) Kanal Hijau

29

kedalaman sehingga perlu dilakukan analisis regresi linier untuk mengetahui model yang cukup memadai dari ketiga model yang ada.

Gambar 8. Grafik model regresi linier dari hasil plot kedalaman in situ dan nilai

digital Citra IKONOS Pan-sharpened pada perairan Karang Lebar

Setiap model regresi linier dianalisi Analisis regresi ini menghasilkan nilai r dan R2. Seperti yang terlihat pada Tabel 3, nilai r dan R2 pada masing-masing kanal berbeda.

30

Tabel 3. Korelasi antara nilai kedalaman lapang dengan nilai digital transformasi citra IKONOS.

Jenis Kanal Model Regresi Linier Koefisien Korelasi (r)

Koefisien Determinasi (R2)

Merah y = 1,918x – 8,203 0,73 0,54

Hijau y = 3,602x – 16,867 0,88 0,78

Biru y = 3,666x – 17,040 0,80 0,64

Nilai korelasi tertinggi ditunjukkan oleh model regresi linier kanal hijau dengan nilai sebesar 0,881. Nilai korelasi model regresi kanal biru adalah nilai korelasi tertinggi kedua setelah nilai korelasi model regresi kanal hijau dengan nilai sebesar 0,798. Model regresi kanal merah memiliki nilai korelasi terendah diantara ketiga model yang dihasilkan dengan nilai sebesar 0,734.

Pada Tabel 3 diperoleh nilai koefisien determinasi (R2) untuk kanal merah dengan nilai sebesar 0,538 menyatakan bahwa 53,8% diantara keragaman dalam nilai-nilai kedalaman dapat dijelaskan oleh hubungan liniernya dengan

transformasi nilai digital ln(V-VS). Nilai R2 kanal hijau menyatakan bahwa 77,5%

keragaman dalam nilai-nilai kedalaman mampu dijelaskan oleh hubungan

liniernya dengan transformasi nilai digital ln(V-VS). Dan nilai R2 pada kanal biru

menyatakan 63,7% keragaman dalam nilai-nilai kedalaman dapat dijelaskan oleh hubungan liniernya dengan transformasi nilai digital ln(V-VS

Nilai korelasi yang baik adalah nilai korelasi yang mendekati 1 atau -1 (Walpole, 1997), pada kasus ini kanal hijau adalah kanal dengan nilai korelasi yang paling baik dibandingkan dengan nilai korelasi kanal biru dan merah. Selain itu dinyatakan juga, nilai R

).

2

akan semkin lebih baik jika nilai R2 semakin mendekati nilai 1 atau 100%. Di antara ketiga kanal, model regresi kanal hijau

31

memiliki nilai R2 yang lebih baik karena presentase yang mendekati 100%. Berdasarkan rangkaian uji statistik yang dilakukan dengan melihat nilai r dan R2

�= 3,602∗ln(� − � �����ℎ����)−16,86 ... (10)

4.1.2. Peta batimetri

Biertwith et al. (1993) mengemukakanmasalah utama dalam memetakan

batimetri perairan dangkal adalah ketika menganalisis penginderaan jauh

diperoleh efek yang kontras di kedalaman air keruh dan sifat natural dari substrat dasar perairan mengalami distorsi. Beberapa faktor seperti penghamburan cahaya oleh fitoplankton dan kekeruhan air laut (penghamburan oleh materi sedimen tersuspensi dan komponen organik terlarut), penyerapan (absorption) dan

penghamburan (scattering) oleh molekul-molekul air dalam kolom air dapat

mempengaruhi intesitas gelombang sinar tampak yang ditangkap oleh sensor. Pada peneltitian ini peta batimetri dibuat berdasarkan model regresi 10 yang merupakan hasil dari tranformasi algoritma Lyzenga yang telah

dikembangkan. Nilai hasil dari transformasi algoritma tersebut merupakan nilai kedalaman estimasi.

yang dihasilkan dan pertimbangan hal tersebut, maka dapat disimpulkan

bahwa kanal hijau Citra IKONOS Pan-sharpened adalah kanal yang terbaik untuk

memetakan kedalaman perairan Karang Congkak dan Karang Lebar. Hasil transformasi algoritma Lyzenga dengan model regresi linier yang terbaik dapat dinyatakan sebagai berikut:

Berdasarkan peta estimasi kedalaman perairan dangkal hasil turunan dari

32

hingga kedalaman sekitar 16 meter. Namun model regresi yang digunakan untuk membuat peta batimetri perairan dangkal masih dapat digunakan karena nilai kedalaman aktual yang digunakan saat pengolahan analisis regresi tidak melebihi 16 meter (Gambar 8).

Kelas kedalaman terbagi menjadi 8 kelas (Lampiran 2a). Pada Gambar 9 menunjukkan detail kelas kedalaman perairan dangkal dengan rentang nilai dari 0 hingga 8 m. Kelas terakhir merupakan kelas kedalaman dengan selang kelas yang tak terhingga. Namun karena wilayah kajian yang digunakan adalah perairan dangkal, maka kelas terakhir tersebut tidak diikutsertakan. Kelas kedalaman perairan dangkal ini kurang sesuai digunakan untuk acuan pada pemetaan terumbu karang karena adanya selang kelas kedalaman yang terlalu kecil (kelas ≤ 0,4 m dan kelas 0,5 hingga 0,9 m) dan total akurasi yang diperoleh kurang memadai seperti yang dipaparkan pada subbab 4.1.3 (Tabel 4). Oleh karena itu dilakukan pengkelasan ulang (reclass) sehingga menghasilkan 5 kelas baru (Lampiran 2b).

Berdasarkan penelitian terdahulu yang dilakukan oleh Siregar et al. (2008) dan observasi visual dapat dinyatakan bahwa substrat pasir pada Karang Congkak dan Karang Lebar lebih mendominasi seluruh wilayah kajian, hal ini pun terlihat pada Gambar 10 yang ditampilkan dengan warna putih dengan kedalaman kurang dari 1,3 meter pada Karang Congkak dan Karang Lebar. Namun warna putih juga dapat disertai informasi lain seperti adanya buih (ombak) yang tercipta pada saat air laut menghempas tubir yang didominasi oleh habitat karang hidup. Warna hijau muda dengan kedalaman antara 1,4-1,9 meter didominasi dengan substrat lamun, hal ini juga terlihat pada saat survei lapang bahwa lamun banyak

33 Gambar 9. Kedalaman estimasi perairan dangkal Karang Congkak dan Karang Lebar dengan menggunakan algoritma Lyzenga

34 Gambar 10. Kedalaman estimasi perairan dangkal Karang Congkak dan Karang Lebar dengan menggunakan algoritma Lyzenga

35

4.1.3. Matriks Kesalahan

Berdasarkan hasil perhitungan user accuracy dan producer accuracy yang diperoleh tidak semua kelas kedalaman terwakili dengan baik. Pada selang kelas

kedalaman 2-4,3 m diperoleh user accuracy dengan nilai sebesar 54% dan

producer accuracy sebesar 60%, sehingga dapat dikatakan model regresi yang digunakan untuk mengestimasi kedalaman memadai pada selang kedalaman tersebut. Selain itu, pada kelas kedalaman >8 m diperoleh user accuracy sebesar 72% yang merupakan akurasi yang cukup tinggi. Namun belum dapat dikatakan pada kelas kedalaman tersebut kedalaman aktual dapat terwakili dengan baik oleh kedalaman estimasi karena selang kedalaman tersebut berada pada kelas

kedalaman akhir dengan batasan yang tak tentu.

Tabel 4. Matriks kesalahan kelas nilai kedalaman aktual dan kedalaman estimasi.

Aktual

Estimasi ≤0,4 0,5-0,9 1-1,3 1,4-1,9 2-4,3 4,4-6 6,1-8 >8

Total baris

User accuracy

≤0,4 4 25 9 7 0 0 0 0 45 0.09

0,5-0,9 9 30 6 3 0 0 0 0 48 0.63

1-1,3 6 19 13 7 0 0 0 0 45 0.29

1,4-1,9 2 25 16 45 7 0 0 0 95 0.47

2-4,3 1 13 16 40 84 3 0 0 157 0.54

4,4-6 0 3 4 6 25 22 7 8 75 0.29

6,1-8 0 0 0 0 23 17 13 68 121 0.11

>8 0 0 0 0 0 0 11 84 95 0.88

Total kolom 22 115 64 108 139 42 31 160 681

Producer

accuracy 0.18 0.26 0.20 0.42 0.60 0.52 0.42 0.53 0.43

Pengambilan sampel secara acak dilakukan pada 741 data. Pada setiap kelas kedalaman dapat dilihat bahwa banyak data kedalaman estimasi yang mengalami overestimate. Hal ini dapat dikarenakan oleh beberapa faktor seperti ketidaksensitifan alat sounding untuk merekam data ketika terjadi perubahan yang signifikan dari dangkal ke dalam sehingga terjadi bias yang cukup tinggi pada data kedalaman aktual yang terekam. Selain itu dapat dikarenakan oleh asumsi

36

bahwa substrat dasar perairan dianggap sama sehingga menurunkan nilai korelasi dan mempengaruhi nilasi estimasi hasil dari model yang terpilih.

Tabel 5. Matriks kesalahan kelas kedalaman aktual dan kedalaman estimasi (reclass).

Aktual

Estimasi 0-1.3 1,4-1,9 2-4,3 4.4-8 >8 Total baris User accuracy

0-1.3 145 19 0 0 0 164 0.88

1,4-1,9 43 45 7 0 0 95 0.47

2-4,3 30 40 84 3 0 157 0.54

4,4-8 7 6 48 59 76 196 0.30

>8 0 0 5 18 84 107 0.79

Total kolom 225 110 144 80 160 719

Producer accuracy 0.64 0.41 0.58 0.74 0.53 0.58 Karena nilai user accuracy dan producer accuracy pada beberapa kelas kurang dari 50%, maka pada selang kelas kedalaman dilakukan pengkelasan baru. Pada pengkelasan baru ini menghasilkan 5 kelas kedalaman yang baru dengan total akurasi sebesar 58%. Selang kelas kedalaman 0 hingga 1,3 m, kelas 2 hingga 4,3 m, dan kelas 4,4 hingga 8 m citra mampu mewakili kedalaman aktual

karena producer accuracy yang melebihi 50%. Pada selang kelas kedalaman 1,4

hingga 1,9 m memiliki user accuracy dan producer accuracy yang rendah dengan

nilai 47% dan 41%. Hal ini dapat disebabkan oleh tingkat kecerahan perairan yang dapat mempengaruhi nilai reflektansi yang tercatat oleh sensor, hal ini juga dinyatakan dalam penelitian Vahtmäe dan Kutser (2007) bahwa absorpsi cahaya

oleh coloured dissolved organic matter (CDOM) dan penghamburan cahaya oleh

partikel tersuspensi dapat mempengaruhi pengukuran kedalaman oleh instrumen penginderaan jauh.

Kelas kedalaman ini dapat digunakan sebagai acuan pembuatan peta sebaran terumbu karang untuk pengelolaan terumbu karang. Kelima kelas kedalaman ini dapat dilakukan reclass kembali apabila ingin memperoleh total

37

akurasi yang lebih besar. Namun dalam hal ini tidak dilakukan karena persantese total akurasi yang diperoleh dari kelima kelas tersebut lebih dari 50% dan hal ini dapat dikatakan cukup memadai.

4.2. Galat (Error) Model Nilai Digital Asli dengan Algoritma Lyzenga

Grafik antara kedalaman aktual dan kedalaman estimasi pada Gambar 10 menunjukkan bias yang tinggi pada kedalaman estimasi lebih dari 8 meter, hal ini dapat dilihat dari banyak nilai kedalaman yang mengalami penyimpangan. Model dugaan yang digunakan hanya mampu mengestimasi kedalaman yang mendekati kedalaman aktual hingga nilai kedalaman ± 16 m, hal ini juga dapat terlihat pada grafik Gambar 11. Walaupun demikian, kedalaman estimasi perairan dangkal dalam Gobah Karang Congkak dan Karang Lebar dapat terwakili dengan baik kisaran nilai kedalaman 0 hingga 6 m.

Gambar 11. Grafik perbandingan antara nilai kedalaman estimasi (estimated

depth) terhadap nilai kedalaman aktual (actual depth)

Berdasarkan grafik Gambar 11 yang membandingkan data kedalaman aktual dan data kedalaman estimasi hasil transformasi algoritma Lyzenga yang

y = 0,790x - 1,095 R² = 0,778

-16,0 -14,0 -12,0 -10,0 -8,0 -6,0 -4,0 -2,0 0,0

-16 -14 -12 -10 -8 -6 -4 -2 0

K eda la ma n e stima si ( m)

38

dikembangkan, menunjukkan nilai r sebesar 0,882 (Lampiran 3) dengan RMSE

sebesar 1,61 m. Karena nilai korelasi yang dihasilkan mendekati 1, maka dapat dikatakan keeratan hubungan antara kedalaman estimasi dan kedalaman aktual sangat baik. Hal ini juga dibuktikan dengan banyak bias (selisih antara nilai kedalaman aktual dan kedalaman estimasi) yang kecil pada setiap data kedalaman (Lampiran 4).

Nilai RMSE akan meningkat seiring meningkatnya nilai kedalaman aktual sehingga dapat mempengaruhi perhitungan nilai kedalaman estimasi, hal ini juga dinyatakan pada penelitian terdahulu yang dilakukan oleh Mishra et al. (2001) yang menggunakan citra IKONOS Multispektral untuk memetakan kedalaman

dengan algoritma Lyzenga. Mishra et al. (2001) menyatakan bahwa apabila

semakin dalam (kedalaman) jalur panjang gelombang sinar tampak yang akan dilalui, maka akan semakin bertambah besar atenuasi cahaya yang akan

mengurangi intensitas cahaya tersebut. Mishra et al. (2001) juga menambahkan korelasi antara dua variabel input pada model akan semakin kecil dengan seiringnya bertambah nilai kedalaman. Hal ini disebabkan karena adanya kontribusi dari suatu faktor yang berkurang seperti nilai reflektansi dari dasar perairan yang seharusnya dapat ditangkap oleh sensor satelit. Oleh karena itu, nilai transformasi dari panjang gelombang sinar tampak pada masing-masing kanal pun mengalami penurunan dan lebih banyak dipengaruhi oleh reflektansi dari partikel-partikel di kolom air.

Hasil analisis residual merupakan selisih antara hasil model kedalaman estimasi dengan kedalaman aktual. Analisis ini umumnya digunakan untuk penafsiran kesesuaian antara data hasil estimasi dengan data hasil lapang yang

39

digunakan. Nilai kedalaman aktual dan nilai kedalaman estimasi diplotkan ke dalam grafik analisis residual sehingga membentuk pola tersebar acak seperti yang terlihat pada Gambar 12.

Gambar 12. Grafik analisis residual antara nilai kedalaman aktual dengan kedalaman estimasi

Karena nilai RMSE pada grafik perbandingan antara kedalaman estimasi dan aktual sebesar 1,61 m, oleh karena itu kisaran keakurasian yang digunakan antara -2 dan 2 meter. Pada grafik analisis residual terlihat bahwa 561 titik sampel dari 741 titik sampel yang diplotkan berada selang pada -2 dan 2 meter. Hasil analisis residual menunjukkan bahwa data kedalaman estimasi dapat dipercaya tingkat keakurasiannya sebesar 75,71% ± 2 meter. Oleh karena itu dapat dikatakan model regresi linier yang dianalisis memiliki akurasi sebesar 75,71% pada kisaran bias ± 2 meter.

-6,0 -4,0 -2,0 0,0 2,0 4,0 6,0

40

5. SIMPULAN DAN SARAN

5.1. Kesimpulan

Pemetaan kedalaman perairan Karang Congkak dan Karang Lebar

menggunakan Citra IKONOS Pan-Sharpened kanal hijau dengan model dugaan

�= 3,602∗ln(� − �������ℎ����)−16,860T. Model dugaan ini memiliki nilai

koefisien korelasi dan determinasi yang tinggi yaitu sebesar 0,88 dan 0,78.

Perbandingan antara nilai kedalaman aktual dan estimasi menunjukkan nilai RMSE sebesar 1,61 m. Bias semakin besar seiring dengan meningkatnya

kedalaman. Kedalaman dibagi menjadi 5 kelas. Kelas kedalaman estimasi yang mampu mewakili kedalaman aktual adalah kelas kedalaman 0 hingga 1,3 m, kelas 2 hingga 4,3 m, dan kelas 4,4hingga 8 m dengan nilai producer accuracy yang melebihi 50%.

5.2. Saran

Pada penelitian selanjutnya diharapkan untuk mempertimbangkan

perbedaan tipe substrat dasar sehingga model dugaan yang dihasilkan lebih akurat karena pada penelitian ini mengasumsikan substrat dasar perairan semua sama (homogen).

41

DAFTAR PUSTAKA

Biertwith, P. N., T. J. Lee, dan R. V. Burne. 1993. Shallow Sea-Floor Reflectance and Water Depth Derived by Unmixing Multispectral Imagery. Photogrammetric Engineering & Remote Sensing. 59(3): 331-338.

Deng, Z., Ji, M., dan Zhang, Z. 2008. Mapping Bathymetry From Multi-Source Remote Sensing Images: A Case Study In The Beilun Estuary, Guangxi, China. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 37(8): 1321-1326. GeoEye, LLC. 2010. IKONOS high-resolution satellite imagery.

Geosage. 2010. Image Fusion.

http://www.geosage.com/highview/imagefusion.html. [7 April 2010] Green, E.P., P.J. Mumby, dan A.J. Edwards. 2000. Mapping bathymetry. In A.J.

Edwards (Ed.), Remote Sensing Handbook for Tropical Coastal Management. Coastal Management Sourcebook 3. UNESCO, Paris. Hal. 219-234

Grodecki, J. dan G. Dial. 2001. IKONOS Geometric Accuracy. Space Imaging. Thornton, USA.

Hildanus. 2002. Kajian penggunaan data IKONOS dan Landsat untuk evaluasi hutan hujan tropika dataran rendah. Tesis (tidak dipublikasikan). Program Pascasarjana. Institut Pertanian Bogor. Bogor.

Hanaizumi, H., M. Akiba, H. Yamano, dan T. Matsunaga. 2008. A

pan-sharpening method for satellite image-based coral reef monitoring with higher accuracy. Proceedings of the 11th International Coral Reef Symposium, 7-11 July 2008. Ft. Lauderdale, Florida. Hal. 626-630. International Hidrographyc Organization (IHO). 2010. Definiton of

Hidrographyc

Lillesand, T. M. dan R. W. Kiefer. 1990. Penginderaan Jauh dan Intepretasi Citra. Diterjemahkan oleh Dulbahri, P. Suharso, Hartono, dan Suharyadi. Gajah Mada University Press. Yogyakarta, Indonesia. Mathworks. Residual analysis.

Agustus 2011]

42

Meaden, G. J. dan J. M. Kapetsky. 1991. Geographycal information systems and remote sensing inland fisheries and acuaculture. FAO Tech. Pap. 318. Mumby, P. J., C. D. Clark, E. P. Green, dan A. J. Edwards. 1998. Benefits of

water column correction and contextual editing for mapping coral reefs. Int. J. Remote Sensing. 19(1): 203-210.

Mishra, D., S. Narumalani, M. Lawson, dan D. Rundquist. 2001. Bathymetric Mapping Using IKONOS Multispectral Data. GIS Science and Remote sensing. 41(4): 301-321.

Selamat, M. B. dan B. Nababan. 2009. Bathymetric mapping using SPOT satellite of Pandangan Island waters in the Makassar strait. Jurnal Kelautan Nasional. 1: 98-107.

Siregar, V., S. Wouthuyzen, dan S. Sukimin. 2008. Pendugaan potensi ikan karang dengan citra satelit resolusi tinggi dan merancang alat tangkap yang selektif di Kepulauan Seribu. Laporan Penelitian. Seameo Biotrop.

Siregar, V. P. dan M. B. Selamat. 2010. Evaluasi citra Quickbird untuk pemetaan batimetri gobah dengan menggunakan data perum: studi kasus gobah karang lebar dan pulau panggang. Ilmu Kelautan. 1: 99-109.

Vahtmäe, E. dan T. Kutser. 2007. Mapping Bottom Type and Water Depth in Shallow Coastal Waters with Satellite Remote Sensing. Journal of Coastal Research, SI 50(Proceedings of the 9th International Coastal Symposium):185-189. Gold Coast, Australia.

Walpole, R. E. 1997. Pengantar Statistika. PT Gramedia Pustaka Umum. Jakarta.

Wang, L., W. P. Sousa, P. Gong, dan G. S. Biging. 2004. Comparison of IKONOS and Quickbird images for mapping mangrove species on the Carribean coast of Panama. Remote Sensing of Environment. 91: 432-440.

Wouthuyzen, S. 2001. Pemetaan perairan dangkal dengan menggunakan citra satelit landsat-5 tm guna dipakai dalam pendugaan potensi ikan karang : Suatu studi di pulau-pulau padaido. Seminar Sehari ”Potensi dan Eksploitasi Sumberdaya Alam Nasional Dalam Mendukung Otonomi Daerah”. 29 Maret 2001. Jakarta, Inodnesia.

44

Lampiran 1. Metadata Citra IKONOS Pan-Sharpened yang diakuisisi pada

tanggal 8 Juli 2008. Creation Date: 10/15/08

Product Work Order Number: sa-or-ik-341-1008 Product Order Number: 1846967

Customer Project Name: sa-or-ik-341-1008 Ground Station ID: PGS

License Type: Single Organization

Product Order Area (Geographic Coordinates) Number of Coordinates: 4

Coordinate: 1

Latitude: -5.7708330000 degrees Longitude: 106.5352780000 degrees Coordinate: 2

Latitude: -5.6775000000 degrees Longitude: 106.5352780000 degrees Coordinate: 3

Latitude: -5.6775000000 degrees Longitude: 106.6230560000 degrees Coordinate: 4

Latitude: -5.7708330000 degrees Longitude: 106.6230560000 degrees

Product Order Area (Map Coordinates in Map Units) Coordinate: 1

Map X (Easting): 670025.61 meters Map Y (Northing): 9372219.68 meters Coordinate: 2

Map X (Easting): 679749.15 meters Map Y (Northing): 9372193.16 meters Coordinate: 3

Map X (Easting): 679719.98 meters Map Y (Northing): 9361871.94 meters Coordinate: 4

Map X (Easting): 669998.02 meters Map Y (Northing): 9361898.89 meters Sensor Type: Satellite

Sensor Name: IKONOS-2

Processing Level: Standard Geometrically Corrected Image Type: PAN/MSI

Interpolation Method: Cubic Convolution Multispectral Algorithm: Projective Stereo: Mono

Mosaic: No

Map Projection: Universal Transverse Mercator UTM Specific Parameters

Hemisphere: S Zone Number: 48 Datum: WGS84

Product Order Pixel Size: 1.0000000000 meters Product Order Map Units: meters

MTFC Applied: Yes DRA Applied: Yes Media: DVD File Format: GeoTIFF TIFF Tiled: No

Bits per Pixel per Band: 8 bits per pixel Multispectral Files: RGB File

RGB Bands

Red Band: Red Color Green Band: Green Color Blue Band: Blue Color

45

Lampiran 2. Histogram pengkelasan nilai kedalaman a. Kelas kedalaman awal.

b. Kelas kedalaman hasil pengkelasan ulang (reclass).

-0,4 -0,9 -1,3 -1,9 -4,3 -6,0 -8,0 0 10 20 30 40 50 60 70

-14,0 -12,0 -10,0 -8,0 -6,0 -4,0 -2,0 0,0 2,0

F

re

kue

ns

i

Kedalaman estimasi (m)

-1,3 -1,9 -4,3 -6,0 -8,0 0 10 20 30 40 50 60 70

-14,0 -12,0 -10,0 -8,0 -6,0 -4,0 -2,0 0,0 2,0

F re kue ns i Kedalaman (m)

46

Lampiran 3. Hasil analisis regresi statisik hubungan antara nilai kedalaman aktual dan nilai kedalaman estimasi dari algoritma Lyzenga (1985) yang dikembangkan.

Regression Statistics

Multiple R 0.8824

R Square 0.7786

Adjusted R Square 0.7783

Standard Error 1.6081

Observations 741

ANOVA

df SS MS F

Significance F

Regression 1 6722.7543 6722.7543 2599.5688 3.3901E-244

Residual 739 1911.1306 2.5861

47

Lampiran 4. Contoh Data nilai kedalaman in situ dan kedalaman estimasi hasil pengembangan model Lyzenga, dan nilai biasnya.

Easting Northing Kedalaman aktual (m) Kedalaman Estimasi (m) Bias (m)

675818 9369621 -0.6 -0.5 -0.1

675825 9369627 -0.5 -0.1 -0.4

675825 9369626 -0.6 -0.3 -0.3

675826 9369625 -0.5 -0.3 -0.2

675827 9369625 -0.4 0.4 -0.8

675957 9369839 -0.6 -1.7 1.1

675962 9369851 -0.6 -0.4 -0.2

675967 9369864 -0.6 -2.0 1.4

675977 9369885 -0.7 -0.4 -0.3

675984 9369897 -0.8 -0.5 -0.3

675991 9369908 -0.6 -1.5 0.9

675999 9369918 -0.7 -1.0 0.3

676007 9369926 -0.8 -1.1 0.3

676018 9369929 -0.9 -1.7 0.8

676028 9369924 -0.7 -2.2 1.5

676034 9369915 -0.8 -1.5 0.7

676038 9369901 -1 -1.3 0.3

676038 9369885 -0.9 -0.6 -0.3

676037 9369869 -0.9 -1.1 0.2

676033 9369854 -0.7 -1.0 0.3

676031 9369839 -0.8 -0.7 -0.1

676030 9369824 -0.6 -1.1 0.5

676029 9369809 -0.6 -0.7 0.1

676029 9369793 -0.4 -1.1 0.7

676029 9369778 -0.4 -0.5 0.1

676029 9369763 -0.4 -1.0 0.6

676028 9369748 -0.4 -1.3 0.9

676029 9369733 -0.4 -0.9 0.5

676030 9369718 -0.3 -0.7 0.4

676032 9369703 -0.3 -0.4 0.1

676032 9369688 -0.3 -0.4 0.1

676033 9369673 -0.3 -1.1 0.8

676034 9369658 -0.4 -1.5 1.1

676036 9369643 -0.4 -0.5 0.1

676049 9369583 -0.6 -0.6 0.0

676053 9369568 -0.5 -0.6 0.1

47 Lampiran 4 (Lanjutan)

675825 9369594 -1.7 -2.2 0.5

675828 9369594 -1.5 -1.7 0.2

675829 9369594 -1.5 -1.7 0.2

675831 9369595 -0.9 -1.3 0.4

675830 9369595 -0.8 -1.0 0.2

675832 9369597 -0.9 -0.4 -0.5

675832 9369596 -0.8 -0.5 -0.3

675828 9369595 -1.3 -1.7 0.4

675829 9369595 -1.2 -1.3 0.1

675831 9369596 -1.6 -1.3 -0.3

675830 9369596 -1.6 -0.9 -0.7

675823 9369596 -2.2 -2.4 0.2

675822 9369595 -2.4 -2.2 -0.2

675823 9369595 -2.2 -2.6 0.4

675827 9369595 -1.7 -1.9 0.2

675824 9369596 -1.7 -2.2 0.5

675825 9369595 -1.9 -1.9 0.0

675826 9369595 -1.8 -2.4 0.6

675825 9369596 -1.7 -2.0 0.3

675829 9369596 -1.6 -1.0 -0.6

675828 9369596 -2 -1.5 -0.5

675826 9369596 -1.8 -1.9 0.1

675827 9369596 -1.6 -1.9 0.3

675827 9369597 -1.5 -1.5 0.0

675828 9369597 -1.2 -1.4 0.2

675831 9369597 -1.1 -0.6 -0.5

675830 9369597 -1.1 -0.6 -0.5

675830 9369598 -1.4 -0.6 -0.8

675827 9369598 -1.5 -1.3 -0.2

675827 9369599 -1.4 -1.3 -0.1

675826 9369599 -1.5 -1.9 0.4

675826 9369598 -1.6 -1.7 0.1

675828 9369600 -1.2 -1.3 0.1

675830 9369602 -1.1 -0.7 -0.4

675832 9369602 -0.8 0.4 -1.2

675833 9369602 -0.4 0.3 -0.7

675835 9369602 -0.7 0.2 -0.9

675836 9369601 -0.6 0.4 -1.0

675838 9369601 -0.7 0.3 -1.0

675839 9369600 -0.5 0.4 -0.9

48 Lampiran 4 (Lanjutan)

675841 9369598 -1.4 0.4 -1.8

675844 9369596 -1.7 0.6 -2.3

675844 9369595 -1.5 0.5 -2.0

675844 9369594 -0.7 0.5 -1.2

675845 9369594 -0.5 0.4 -0.9

675847 9369591 -0.4 -0.7 0.3

675841 9369549 -3.6 -3.7 0.1

675841 9369534 -3.1 -3.7 0.6

675841 9369519 -3 -3.0 0.0

675842 9369504 -1.6 -1.7 0.1

675841 9369490 -0.7 -2.0 1.3

675841 9369476 -0.7 -0.9 0.2

675796 9369500 -2.3 -2.4 0.1

675788 9369512 -2.9 -4.0 1.1

675779 9369524 -1.8 -6.0 4.2

675772 9369537 -2.7 -6.0 3.3

675762 9369548 -2.8 -8.0 5.2

675750 9369558 -4.2 -8.0 3.8

675739 9369567 -5.9 -10.4 4.5

675683 9369612 -9.1 -12.8 3.7

675672 9369621 -7.9 -8.0 0.1

675661 9369631 -8.8 -9.0 0.2

675651 9369641 -8.3 -9.0 0.7

675642 9369652 -3.6 -6.5 2.9

675624 9369665 -1.5 -6.0 4.5

675613 9369689 -2.7 -7.2 4.5

675606 9369701 -2 -5.5 3.5

675599 9369713 -1.5 -3.7 2.2

675592 9369726 -1.4 -1.4 0.0

675587 9369739 -1.4 -0.7 -0.7

675581 9369752 -1 -0.2 -0.8

675573 9369764 -0.5 0.3 -0.8

675564 9369773 -0.5 -2.2 1.7

675503 9369714 -5.8 -10.4 4.6

675499 9369700 -7.5 -10.4 2.9

675497 9369684 -8.6 -9.0 0.4

675498 9369669 -9 -9.0 0.0

675500 9369653 -9.1 -9.0 -0.1

675503 9369638 -9.6 -9.0 -0.6

675507 9369622 -9.8 -9.0 -0.8

49 Lampiran 4 (Lanjutan)

675515 9369591 -9.4 -10.4 1.0

675520 9369576 -8.8 -8.0 -0.8

675525 9369561 -3.1 -8.0 4.9

675529 9369547 -4.3 -8.0 3.7

675534 9369533 -4 -7.2 3.2

675538 9369520 -4.7 -8.0 3.3

675543 9369506 -5 -5.5 0.5

675547 9369494 -1 -2.8 1.8

675602 9369343 -0.8 -0.7 -0.1

675609 9369330 -0.5 -0.3 -0.2

675615 9369319 -0.5 -0.2 -0.3

675624 9369285 -0.4 -0.4 0.0

675625 9369273 -0.6 -0.7 0.1

675621 9369264 -0.7 -0.9 0.2

675614 9369259 -1.1 -1.3 0.2

675607 9369259 -1.5 -2.0 0.5

675601 9369262 -1.9 -2.4 0.5

675595 9369269 -2.1 -2.6 0.5

675589 9369278 -2.5 -3.5 1.0

675581 9369287 -2.6 -7.2 4.6

675572 9369293 -1.4 -6.0 4.6

675541 9369307 -10.3 -12.8 2.5

675533 9369314 -10.5 -9.0 -1.5

675527 9369323 -10.6 -10.4 -0.2

675522 9369333 -10.8 -10.4 -0.4

675495 9369368 -11.4 -12.8 1.4

675488 9369376 -12.2 -9.0 -3.2

675464 9369396 -13.8 -10.4 -3.4

675456 9369402 -13.4 -12.8 -0.6

675448 9369409 -12.3 -10.4 -1.9

675439 9369415 -10.9 -8.0 -2.9

675431 9369422 -9.4 -9.0 -0.4

675423 9369428 -9.8 -8.0 -1.8

675414 9369434 -2.1 -4.7 2.6

675405 9369441 -1.2 -3.2 2.0

675397 9369448 -1.1 -6.0 4.9

675389 9369456 -1.1 -4.0 2.9

675368 9369481 -1.3 -4.7 3.4

675361 9369490 -1.4 -4.0 2.6

675353 9369497 -2 -3.0 1.0

50 Lampiran 4 (Lanjutan)

675338 9369512 -2.4 -2.8 0.4

675333 9369521 -2.4 -6.0 3.6

675327 9369532 -2.5 -4.7 2.2

675321 9369542 -2.8 -3.7 0.9

675315 9369553 -3 -3.5 0.5

675311 9369563 -3.1 -4.3 1.2

675304 9369574 -3.2 -3.7 0.5

675300 9369586 -2.9 -4.3 1.4

675296 9369596 -2.8 -6.0 3.2

675291 9369607 -3.4 -6.0 2.6

675285 9369617 -2.9 -6.0 3.1

675280 9369626 -2.9 -5.5 2.6

675272 9369632 -3.4 -4.3 0.9

675264 9369639 -3.7 -4.3 0.6

675257 9369648 -3.7 -4.0 0.3

675251 9369657 -3.9 -4.0 0.1

675246 9369668 -3.3 -4.0 0.7

675241 9369678 -3 -3.5 0.5

675235 9369688 -2.3 -2.4 0.1

675230 9369698 -1.4 -2.8 1.4

675224 9369709 -1.1 -1.9 0.8

675218 9369719 -0.9 -2.4 1.5

675212 9369730 -1 -1.3 0.3

675207 9369740 -1 -1.4 0.4

675201 9369751 -1 -1.3 0.3

675197 9369762 -0.9 -1.5 0.6

675191 9369772 -1 -2.4 1.4

675185 9369782 -1.1 -3.5 2.4

675179 9369792 -1.2 -3.2 2.0

675173 9369802 -1.3 -1.9 0.6

675166 9369812 -1.2 -1.9 0.7

675160 9369822 -1.3 -2.4 1.1

675154 9369832 -1.4 -2.4 1.0

675147 9369842 -1.6 -2.6 1.0

675139 9369845 -1.9 -3.2 1.3

675132 9369842 -2.6 -3.2 0.6

675128 9369834 -3.1 -4.0 0.9

675124 9369823 -7.6 -10.4 2.8

675118 9369801 -8.8 -9.0 0.2

675116 9369788 -9.5 -8.0 -1.5

Lampiran 3. Hasil analisis regresi statisik hubungan antara nilai kedalaman aktual dan nilai kedalaman estimasi dari algoritma Lyzenga (1985) yang dikembangkan.

Regression Statistics Multiple R 0.8824 R Square 0.7786 Adjusted R Square 0.7783 Standard Error 1.6081 Observations 741 ANOVA

df SS MS F

Significance F Regression 1 6722.7543 6722.7543 2599.5688 3.3901E-244 Residual 739 1911.1306 2.5861

Lampiran 4. Contoh Data nilai kedalaman in situ dan kedalaman estimasi hasil pengembangan model Lyzenga, dan nilai biasnya.

Easting Northing Kedalaman aktual (m) Kedalaman Estimasi (m) Bias (m)

675818 9369621 -0.6 -0.5 -0.1

675825 9369627 -0.5 -0.1 -0.4

675825 9369626 -0.6 -0.3 -0.3

675826 9369625 -0.5 -0.3 -0.2

675827 9369625 -0.4 0.4 -0.8

675957 9369839 -0.6 -1.7 1.1

675962 9369851 -0.6 -0.4 -0.2

675967 9369864 -0.6 -2.0 1.4

675977 9369885 -0.7 -0.4 -0.3

675984 9369897 -0.8 -0.5 -0.3

675991 9369908 -0.6 -1.5 0.9

675999 9369918 -0.7 -1.0 0.3

676007 9369926 -0.8 -1.1 0.3

676018 9369929 -0.9 -1.7 0.8

676028 9369924 -0.7 -2.2 1.5

676034 9369915 -0.8 -1.5 0.7

676038 9369901 -1 -1.3 0.3

676038 9369885 -0.9 -0.6 -0.3

676037 9369869 -0.9 -1.1 0.2

676033 9369854 -0.7 -1.0 0.3

676031 9369839 -0.8 -0.7 -0.1

676030 9369824 -0.6 -1.1 0.5

676029 9369809 -0.6 -0.7 0.1

676029 9369793 -0.4 -1.1 0.7

676029 9369778 -0.4 -0.5 0.1

676029 9369763 -0.4 -1.0 0.6

676028 9369748 -0.4 -1.3 0.9

676029 9369733 -0.4 -0.9 0.5

676030 9369718 -0.3 -0.7 0.4

676032 9369703 -0.3 -0.4 0.1

676032 9369688 -0.3 -0.4 0.1

676033 9369673 -0.3 -1.1 0.8

676034 9369658 -0.4 -1.5 1.1

676036 9369643 -0.4 -0.5 0.1

676049 9369583 -0.6 -0.6 0.0

676053 9369568 -0.5 -0.6 0.1

Lampiran 4 (Lanjutan)

675825 9369594 -1.7 -2.2 0.5

675828 9369594 -1.5 -1.7 0.2

675829 9369594 -1.5 -1.7 0.2

675831 9369595 -0.9 -1.3 0.4

675830 9369595 -0.8 -1.0 0.2

675832 9369597 -0.9 -0.4 -0.5

675832 9369596 -0.8 -0.5 -0.3

675828 9369595 -1.3 -1.7 0.4

675829 9369595 -1.2 -1.3 0.1

675831 9369596 -1.6 -1.3 -0.3

675830 9369596 -1.6 -0.9 -0.7

675823 9369596 -2.2 -2.4 0.2

675822 9369595 -2.4 -2.2 -0.2

675823 9369595 -2.2 -2.6 0.4

675827 9369595 -1.7 -1.9 0.2

675824 9369596 -1.7 -2.2 0.5

675825 9369595 -1.9 -1.9 0.0

675826 9369595 -1.8 -2.4 0.6

675825 9369596 -1.7 -2.0 0.3

675829 9369596 -1.6 -1.0 -0.6

675828 9369596 -2 -1.5 -0.5

675826 9369596 -1.8 -1.9 0.1

675827 9369596 -1.6 -1.9 0.3

675827 9369597 -1.5 -1.5 0.0

675828 9369597 -1.2 -1.4 0.2

675831 9369597 -1.1 -0.6 -0.5

675830 9369597 -1.1 -0.6 -0.5

675830 9369598 -1.4 -0.6 -0.8

675827 9369598 -1.5 -1.3 -0.2

675827 9369599 -1.4 -1.3 -0.1

675826 9369599 -1.5 -1.9 0.4

675826 9369598 -1.6 -1.7 0.1

675828 9369600 -1.2 -1.3 0.1

675830 9369602 -1.1 -0.7 -0.4

675832 9369602 -0.8 0.4 -1.2

675833 9369602 -0.4 0.3 -0.7

675835 9369602 -0.7 0.2 -0.9

675836 9369601 -0.6 0.4 -1.0

675838 9369601 -0.7 0.3 -1.0

675839 9369600 -0.5 0.4 -0.9

675841 9369598 -1.4 0.4 -1.8

675844 9369596 -1.7 0.6 -2.3

675844 9369595 -1.5 0.5 -2.0

675844 9369594 -0.7 0.5 -1.2

675845 9369594 -0.5 0.4 -0.9

675847 9369591 -0.4 -0.7 0.3

675841 9369549 -3.6 -3.7 0.1

675841 9369534 -3.1 -3.7 0.6

675841 9369519 -3 -3.0 0.0

675842 9369504 -1.6 -1.7 0.1

675841 9369490 -0.7 -2.0 1.3

675841 9369476 -0.7 -0.9 0.2

675796 9369500 -2.3 -2.4 0.1

675788 9369512 -2.9 -4.0 1.1

675779 9369524 -1.8 -6.0 4.2

675772 9369537 -2.7 -6.0 3.3

675762 9369548 -2.8 -8.0 5.2

675750 9369558 -4.2 -8.0 3.8

675739 9369567 -5.9 -10.4 4.5

675683 9369612 -9.1 -12.8 3.7

675672 9369621 -7.9 -8.0 0.1

675661 9369631 -8.8 -9.0 0.2

675651 9369641 -8.3 -9.0 0.7

675642 9369652 -3.6 -6.5 2.9

675624 9369665 -1.5 -6.0 4.5

675613 9369689 -2.7 -7.2 4.5

675606 9369701 -2 -5.5 3.5

675599 9369713 -1.5 -3.7 2.2

675592 9369726 -1.4 -1.4 0.0

675587 9369739 -1.4 -0.7 -0.7

675581 9369752 -1 -0.2 -0.8

675573 9369764 -0.5 0.3 -0.8

675564 9369773 -0.5 -2.2 1.7

675503 9369714 -5.8 -10.4 4.6

675499 9369700 -7.5 -10.4 2.9

675497 9369684 -8.6 -9.0 0.4

675498 9369669 -9 -9.0 0.0

675500 9369653 -9.1 -9.0 -0.1

675503 9369638 -9.6 -9.0 -0.6

675507 9369622 -9.8 -9.0 -0.8

Lampiran 4 (Lanjutan)

675515 9369591 -9.4 -10.4 1.0

675520 9369576 -8.8 -8.0 -0.8

675525 9369561 -3.1 -8.0 4.9

675529 9369547 -4.3 -8.0 3.7

675534 9369533 -4 -7.2 3.2

675538 9369520 -4.7 -8.0 3.3

675543 9369506 -5 -5.5 0.5

675547 9369494 -1 -2.8 1.8

675602 9369343 -0.8 -0.7 -0.1

675609 9369330 -0.5 -0.3 -0.2

675615 9369319 -0.5 -0.2 -0.3

675624 9369285 -0.4 -0.4 0.0

675625 9369273 -0.6 -0.7 0.1

675621 9369264 -0.7 -0.9 0.2

675614 9369259 -1.1 -1.3 0.2

675607 9369259 -1.5 -2.0 0.5

675601 9369262 -1.9 -2.4 0.5

675595 9369269 -2.1 -2.6 0.5

675589 9369278 -2.5 -3.5 1.0

675581 9369287 -2.6 -7.2 4.6

675572 9369293 -1.4 -6.0 4.6

675541 9369307 -10.3 -12.8 2.5

675533 9369314 -10.5 -9.0 -1.5

675527 9369323 -10.6 -10.4 -0.2

675522 9369333 -10.8 -10.4 -0.4

675495 9369368 -11.4 -12.8 1.4

675488 9369376 -12.2 -9.0 -3.2

675464 9369396 -13.8 -10.4 -3.4

675456 9369402 -13.4 -12.8 -0.6

675448 9369409 -12.3 -10.4 -1.9

675439 9369415 -10.9 -8.0 -2.9

675431 9369422 -9.4 -9.0 -0.4

675423 9369428 -9.8 -8.0 -1.8

675414 9369434 -2.1 -4.7 2.6

675405 9369441 -1.2 -3.2 2.0

675397 9369448 -1.1 -6.0 4.9

675389 9369456 -1.1 -4.0 2.9

675368 9369481 -1.3 -4.7 3.4

675361 9369490 -1.4 -4.0 2.6

675353 9369497 -2 -3.0 1.0

675338 9369512 -2.4 -2.8 0.4

675333 9369521 -2.4 -6.0 3.6

675327 9369532 -2.5 -4.7 2.2

675321 9369542 -2.8 -3.7 0.9

675315 9369553 -3 -3.5 0.5

675311 9369563 -3.1 -4.3 1.2

675304 9369574 -3.2 -3.7 0.5

675300 9369586 -2.9 -4.3 1.4

675296 9369596 -2.8 -6.0 3.2

675291 9369607 -3.4 -6.0 2.6

675285 9369617 -2.9 -6.0 3.1

675280 9369626 -2.9 -5.5 2.6

675272 9369632 -3.4 -4.3 0.9

675264 9369639 -3.7 -4.3 0.6

675257 9369648 -3.7 -4.0 0.3

675251 9369657 -3.9 -4.0 0.1

675246 9369668 -3.3 -4.0 0.7

675241 9369678 -3 -3.5 0.5

675235 9369688 -2.3 -2.4 0.1

675230 9369698 -1.4 -2.8 1.4

675224 9369709 -1.1 -1.9 0.8

675218 9369719 -0.9 -2.4 1.5

675212 9369730 -1 -1.3 0.3

675207 9369740 -1 -1.4 0.4

675201 9369751 -1 -1.3 0.3

675197 9369762 -0.9 -1.5 0.6

675191 9369772 -1 -2.4 1.4

675185 9369782 -1.1 -3.5 2.4

675179 9369792 -1.2 -3.2 2.0

675173 9369802 -1.3 -1.9 0.6

675166 9369812 -1.2 -1.9 0.7

675160 9369822 -1.3 -2.4 1.1

675154 9369832 -1.4 -2.4 1.0

675147 9369842 -1.6 -2.6 1.0

675139 9369845 -1.9 -3.2 1.3

675132 9369842 -2.6 -3.2 0.6

675128 9369834 -3.1 -4.0 0.9

675124 9369823 -7.6 -10.4 2.8

675118 9369801 -8.8 -9.0 0.2

675116 9369788 -9.5 -8.0 -1.5