2
melakukan inventarisasi mangrove di Cimanuk, Jawa Barat; Zuhair 1998 melakukan pemantauan mangrove di Kalimantan Timur; Widyastuti 2000
memetakan mangrove di Segara Anakan, Cilacap, Jawa Tengah; Harsanugraha et al.
2000 menganalisis potensi mangrove di Pulau Bali. Sistem penginderaan jauh dapat melakukan inventarisasi dan monitoring
mangrove dengan cakupan areal yang luas, repetitif, sinoptik, dengan biaya operasionalnya relatif murah dan cepat, serta resiko yang kecil. Namun demikian,
data yang dihasilkan sensor satelit yang ada saat ini umumnya mempunyai tingkat akurasi yang masih rendah dalam mengamati ekosistem mangrove tersebut.
Sehingga dalam rangka meningkatkan akurasi sampai saat ini masih terus dilakukan penelitian mengenai metode pemrosesan citra satelit dalam melakukan
inventarisasi sumberdaya alam. Beberapa contoh penelitian diantaranya: Han et al.
2002 mengkaji tentang koreksi pixel yang tidak normal pada citra hyperion; Bruzzone et al. 1999 yang mengkaji tentang pendekatan neural-statistical untuk
data multitemporal dan multisensor pada klasifikasi citra.
1.2 Perumusan dan Pendekatan Masalah
Dalam memetakan mangrove, data tentang indeks vegetasi sangat penting, karena bisa dipakai sebagai indikator dalam pendugaan biomassa Boone et al.
2000; Budi 2000, pendugaan leaf area index Gong et al. 2003 dan produktivitas primer Ricotta et al. 1999.
Metode klasifikasi merupakan salah satu langkah penting dalam pemrosesan citra untuk memetakan mangrove disamping transformasi indeks
vegetasi. Dalam proses ini, pixel-pixel yang disampel secara random, secara mekanik akan dimasukkan ke dalam kelas spektral yang homogen, atau dapat
dikatakan klasifikasi adalah pengelompokan data yang memiliki karakteristik yang mirip. Sampai saat ini, belum memungkinkan ditemukannya suatu metode
klasifikasi yang paling baik untuk semua aplikasi karena hal ini tergantung pada karakteristik objek maupun kondisi daerah setempat, sehingga peneliti sebaiknya
memilih metode klasifikasi yang paling baik dalam menyelesaikan pekerjaan yang spesifik.
3
Berbagai teknik klasifikasi telah digunakan oleh para peneliti dalam memetakan objek Purbowaseso 1995. Teknik-teknik tersebut dibagi ke dalam
dua kategori, yaitu klasifikasi supervised dan unsupervised Michie et al. 1994.; Schowengerdt 1983; Schowengerdt 1997; Campbell 1987; Purwadhi 2001.
Dasar klasifikasi yang umum digunakan adalah metode minimum distance to mean, paralelliped
maupun maximum likelihood. Paralelliped
adalah metode klasifikasi yang sangat sederhana dan umumnya tidak digunakan untuk pemetaan land use, ketika training area
diketahui dengan baik maka lebih baik menggunakan metode maximum likelihood Richards 1995. Metode minimum distance to mean termasuk dalam klasifikasi
supervised, yang akan mengkelaskan objek berdasarkan jarak minimum ke nilai mean tiap kelas pada tiap kanal, dari data training Jensen 1986. Metode ini bisa
digunakan untuk semua aplikasi Richards 1995. Klasifikasi maximum likelihood adalah metode klasifikasi supervised yang paling umum digunakan pada data
penginderaan jauh Richards 1995. Klasifikasi ini didasarkan pada teori probabilitas bayesian. Beberapa penelitian mangrove yang menggunakan
klasifikasi metode maximum likelihood diantaranya: Stelzer et al. 2004 menggunakan metode maximum likelihood untuk daerah pesisir; Budi 2000
menggunakan metode maximum likelihood untuk memetakan mangrove di segara anakan, Cilacap. Haralick dan Fu 1983 diacu dalam Jensen 1986 mengupas
mendalam tentang probabilitas dan matematik pada maximum likelihood dan bayes decision rules
, metode ini membutuhkan lebih banyak komputasi per pixel dari pada metode paralelliped maupun metode minimum distance to mean.
Aplikasi artificial intelegensi AI dalam bidang penginderaan jauh saat ini sedang dikembangkan. AI yang sedang berkembang saat ini adalah artificial
neural network ANN. ANN adalah suatu pendekatan alternatif yang memiliki
kemampuan menghitung, memproses, memprediksi dan mengkelaskan data dengan model non linear maupun yang lebih komplek. metode ini sangat berbeda
dari pengklasifikasi minimum distance to mean, paralelliped maupun maximum likelihood.
Beberapa penelitian tentang AI antara lain: Strickert 2004 yang meneliti tentang supervised learning vector quantization LVQ dan unsupervised
self-organizing map SOM, Watts 2001 meneliti tentang pemetaan lahan
4
menggunakan kombinasi multiple artificial neural networks. Magoulas et al. 1999 meneliti tentang perbaikan konvergensi pada algoritma back propagation
menggunakan learning rate adaptation methods, Luo et al. 2004 meneliti tentang elliptical basis function network untuk klasifikasi pada data remote
sensing.
1.3 Batasan Permasalahan
