GIS untuk Pemetaan Mangrove: Data, Metode, dan Analisis Spasial

Semarang – KeSEMaTBLOG. GIS untuk pemetaan mangrove memungkinkan kondisi ekosistem pesisir diterjemahkan menjadi informasi spasial yang dapat diukur, dibandingkan, dianalisis, dan dipantau dari waktu ke waktu. Melalui Geographic Information System (GIS), data mengenai lokasi mangrove, luas tutupan, perubahan kawasan, jaringan sungai, elevasi, hidrologi, penggunaan lahan, lokasi monitoring, hingga area potensial rehabilitasi dapat diintegrasikan dalam satu sistem berbasis koordinat.

Namun, membuat peta mangrove tidak cukup hanya dengan menemukan area berwarna hijau pada citra satelit kemudian menggambarnya menjadi poligon. Vegetasi perkebunan, semak pesisir, nipah, tambak dengan vegetasi pada pematang, bahkan bayangan tertentu dapat mempunyai karakter spektral yang menyerupai mangrove. Kondisi pasang surut, awan, musim, resolusi citra, metode klasifikasi, serta kualitas data lapangan juga dapat memengaruhi hasil pemetaan.

Karena itu, peta mangrove merupakan hasil analisis yang perlu diuji, bukan kebenaran lapangan yang otomatis benar hanya karena dibuat menggunakan citra satelit dan perangkat GIS.

FAO pada 2024 menerbitkan panduan khusus mengenai teknik penginderaan jauh untuk pemetaan dan monitoring mangrove pada skala detail. Panduan tersebut menempatkan penginderaan jauh, Unmanned Aerial Systems (UAS), data lapangan, klasifikasi, dan evaluasi perubahan sebagai bagian yang saling melengkapi dalam menghasilkan informasi mangrove untuk konservasi dan perencanaan restorasi.

Apa yang Dimaksud dengan GIS untuk Pemetaan Mangrove?

Geographic Information System (GIS) atau Sistem Informasi Geografis merupakan sistem untuk menyimpan, mengelola, menganalisis, menghubungkan, dan menampilkan data yang memiliki informasi lokasi.

Dalam konteks mangrove, GIS memungkinkan pertanyaan seperti berikut dijawab secara spasial:

Di mana mangrove berada?

Berapa luasnya?

Jenis tutupan apa yang berada di sekitarnya?

Bagian mana yang mengalami kehilangan?

Di mana regenerasi alami terjadi?

Bagaimana hubungan mangrove dengan sungai dan saluran pasang?

Berapa elevasi kawasan tersebut?

Lokasi mana yang berpotensi direhabilitasi?

Di desa atau wilayah administrasi mana perubahan terjadi?

Bagaimana kondisi mangrove berubah dalam lima, sepuluh, atau dua puluh tahun terakhir?

GIS bukan hanya perangkat untuk membuat peta yang menarik secara visual. Kekuatan utamanya justru berada pada kemampuan untuk menghubungkan lokasi dengan data atribut dan melakukan analisis hubungan spasial antardata.

GIS dan Penginderaan Jauh Bukan Hal yang Sama

GIS dan remote sensing atau penginderaan jauh sering digunakan secara bersamaan, tetapi keduanya berbeda.

Penginderaan Jauh

Penginderaan jauh memperoleh informasi mengenai permukaan bumi tanpa melakukan kontak langsung dengan objek.

Data dapat berasal dari:

• satelit;
• drone;
• pesawat;
• radar;
• LiDAR; atau
• sensor lainnya.

Citra Sentinel-2, Landsat, dan ortofoto drone merupakan contoh data penginderaan jauh.

GIS

GIS digunakan untuk:

• mengelola data tersebut;
• menggabungkannya dengan data lain;
• melakukan analisis spasial;
• menghitung luas;
• membuat zona;
• menganalisis jarak;
• membandingkan tahun;
• dan menghasilkan peta.

Dengan demikian:

penginderaan jauh membantu melihat permukaan bumi, sedangkan GIS membantu mengelola dan menganalisis informasi spasial yang dihasilkan.

Dalam praktik pemetaan mangrove modern, keduanya hampir selalu saling melengkapi.

Data yang Dibutuhkan untuk Pemetaan Mangrove

Data GIS secara umum dapat dibedakan menjadi raster, vektor, dan atribut.

Data Raster

Raster terdiri atas kumpulan piksel atau sel.

Contohnya:

• citra Sentinel-2;
• Landsat;
• citra drone;
• Digital Elevation Model (DEM);
• peta kedalaman;
• raster salinitas;
• indeks vegetasi.

Setiap piksel memiliki nilai.

Pada citra satelit, nilai tersebut dapat merepresentasikan reflektansi pada panjang gelombang tertentu.

Pada DEM, nilai piksel dapat merepresentasikan elevasi.

Raster sangat penting untuk analisis mangrove karena vegetasi, air, tanah, dan perubahan tutupan dapat dianalisis berdasarkan pola spektral maupun spasialnya.

Data Vektor

Data vektor terdiri atas:

Titik (point)

Contoh:

• lokasi plot monitoring;
• posisi pohon;
• lokasi pengambilan sampel;
• titik foto;
• titik salinitas;
• lokasi ground truth.

Garis (line)

Contoh:

• sungai;
• saluran pasang;
• kanal;
• transek;
• garis pantai;
• jalan;
• tanggul.

Poligon (polygon)

Contoh:

• tutupan mangrove;
• tambak;
• desa;
• kawasan rehabilitasi;
• area konservasi;
• kepemilikan lahan;
• zona monitoring.

Setiap objek vektor dapat mempunyai tabel atribut.

Sebagai contoh, poligon mangrove dapat memiliki atribut:

ID: MG001
Luas: 12,45 ha
Tahun: 2026
Kelas: Mangrove
Metode: Digitasi visual
Sumber: Sentinel-2
Status Validasi: Terverifikasi

Inilah salah satu kekuatan GIS: geometri dan informasi deskriptif terhubung dalam satu objek.

Sumber Data untuk Pemetaan Mangrove

Tidak ada satu jenis data yang terbaik untuk seluruh kebutuhan.

Pemilihan data harus mengikuti:

• tujuan;
• luas kawasan;
• skala peta;
• ketelitian;
• periode analisis;
• anggaran;
• dan ketersediaan data.

Sentinel-2

Sentinel-2 merupakan salah satu sumber citra yang banyak digunakan untuk pemetaan vegetasi karena tersedia secara terbuka dan memiliki sejumlah kanal spektral yang relevan.

Instrumen MSI Sentinel-2 mempunyai 13 kanal spektral, yang terdiri atas empat kanal beresolusi 10 meter, enam kanal 20 meter, dan tiga kanal 60 meter. Kanal 10 meter mencakup blue, green, red, dan near infrared (NIR), sedangkan kanal red-edge dan SWIR tersedia pada resolusi 20 meter.

Untuk Sentinel-2:

• B2 = Blue, 10 m;
• B3 = Green, 10 m;
• B4 = Red, 10 m;
• B8 = NIR, 10 m;
• B11 = SWIR1, 20 m;
• B12 = SWIR2, 20 m.

Data Sentinel-2 sangat berguna untuk:

• pemetaan tutupan mangrove;
• analisis vegetasi;
• indeks spektral;
• perubahan tutupan;
• pemisahan air dan vegetasi;
• monitoring kawasan yang relatif luas.

Namun, resolusi 10 meter bukan berarti batas mangrove otomatis akurat hingga 10 meter. Kesalahan posisi, piksel campuran, kondisi pasang, awan, metode klasifikasi, dan kualitas referensi tetap memengaruhi hasil akhir.

Landsat

Landsat memiliki keunggulan besar untuk analisis historis karena menyediakan arsip pengamatan bumi dalam jangka panjang.

Landsat 8 dan Landsat 9 mempunyai kanal multispektral utama dengan resolusi sekitar 30 meter, sedangkan kanal pankromatiknya memiliki resolusi 15 meter.

Landsat sangat berguna untuk:

• analisis perubahan jangka panjang;
• rekonstruksi sejarah tutupan;
• perubahan garis pantai;
• perubahan mangrove menjadi tambak;
• ekspansi atau kehilangan vegetasi.

Jika tujuan penelitian adalah melihat perubahan selama beberapa dekade, Landsat sering mempunyai nilai yang sangat tinggi meskipun resolusinya lebih kasar dibandingkan Sentinel-2.

Citra Drone

Drone dapat menghasilkan citra beresolusi sangat tinggi, bahkan hingga skala sentimeter tergantung:

• ketinggian terbang;
• sensor;
• kamera;
• konfigurasi penerbangan;
• ground sampling distance;
• dan proses fotogrametri.

Drone sangat berguna untuk:

• delineasi detail batas mangrove;
• monitoring rehabilitasi;
• identifikasi kanopi;
• dokumentasi saluran;
• pemetaan tambak;
• analisis perubahan skala lokal;
• ground truth citra satelit.

FAO menempatkan UAS sebagai salah satu teknologi penting untuk pemetaan dan monitoring mangrove skala lokal serta menyediakan panduan mengenai perencanaan misi dan pemrosesan datanya.

Namun, citra drone tetap tidak otomatis menghasilkan klasifikasi spesies yang benar.

Resolusi sangat tinggi meningkatkan detail visual, tetapi identitas spesies tetap membutuhkan karakter yang dapat dibedakan dan validasi lapangan.

Digital Elevation Model

DEM menyimpan informasi ketinggian permukaan.

Dalam studi mangrove, DEM dapat digunakan untuk:

• analisis elevasi;
• topografi;
• jalur aliran;
• inundasi;
• kesesuaian restorasi;
• hubungan vegetasi dengan ketinggian.

Namun, kualitas DEM harus diperhatikan.

DEM dengan resolusi puluhan meter belum tentu mampu membaca mikro-topografi mangrove yang perbedaannya hanya beberapa sentimeter.

Selain itu, beberapa produk elevasi merepresentasikan permukaan kanopi atau permukaan digital, bukan tanah sebenarnya.

Karena itu, jangan menggunakan DEM hanya karena tersedia tanpa memahami ketelitian vertikal dan apa yang sebenarnya direpresentasikan oleh datanya.

Data Lapangan

Data lapangan tetap menjadi komponen penting dalam GIS mangrove.

Contohnya:

• koordinat jenis mangrove;
• plot vegetasi;
• foto geotag;
• kondisi substrat;
• salinitas;
• tinggi pohon;
• DBH;
• regenerasi;
• status tambak;
• penggunaan lahan;
• informasi masyarakat.

Data tersebut dapat digunakan untuk:

training,
validasi,
interpretasi, atau
analisis ekologis.

Peta tanpa data lapangan dapat berguna untuk eksplorasi awal, tetapi klaim tingkat detailnya harus disesuaikan dengan kualitas referensinya.

Global Mangrove Watch sebagai Data Referensi

Global Mangrove Watch (GMW) merupakan platform yang menyediakan berbagai data spasial mangrove untuk penggunaan global hingga subnasional, termasuk informasi mengenai mangrove habitat extent, perubahan mangrove, dan berbagai lapisan pendukung lainnya.

GMW dapat digunakan untuk:

• referensi awal tutupan;
• membandingkan hasil pemetaan;
• memahami perubahan regional;
• menyusun area kajian;
• melihat pola mangrove skala luas.

Namun, dataset global tidak sebaiknya langsung dianggap sebagai pengganti pemetaan lokal.

Tujuan, resolusi, tahun data, definisi kelas, dan metode pembuatan dataset perlu diperiksa terlebih dahulu.

Untuk proyek skala desa atau tapak rehabilitasi, citra resolusi tinggi dan data lapangan dapat menghasilkan informasi yang jauh lebih detail.

Tentukan Tujuan Sebelum Membuka Software GIS

Kesalahan umum adalah memulai pemetaan dengan:

“Kita download citra dulu.”

Padahal langkah pertama seharusnya:

Apa pertanyaan yang ingin dijawab?

Tujuan yang berbeda membutuhkan metode berbeda.

Contohnya:

Tujuan 1

Menghitung luas mangrove tahun 2026.

Data dapat menggunakan citra terbaru dan validasi lapangan.

Tujuan 2

Mengetahui kehilangan mangrove 2000–2026.

Diperlukan data multitemporal dengan metodologi yang konsisten.

Tujuan 3

Mencari lokasi potensial restorasi.

Peta tutupan saja tidak cukup.

Diperlukan:

• elevasi;
• hidrologi;
• penggunaan lahan;
• regenerasi;
• sejarah tapak;
• status lahan;
• dan kondisi sosial.

Tujuan 4

Memetakan spesies mangrove.

Diperlukan resolusi, fitur spektral, atau data lapangan yang jauh lebih kuat dibandingkan pemetaan tutupan mangrove secara umum.

Dengan demikian:

tujuan → menentukan data → menentukan metode → menentukan tingkat ketelitian yang dibutuhkan.

Area of Interest atau AOI

Setelah tujuan ditentukan, buat Area of Interest (AOI).

AOI adalah batas wilayah analisis.

Bentuknya dapat berupa:

• desa;
• kecamatan;
• kabupaten;
• DAS;
• pesisir;
• batas proyek;
• kawasan konservasi;
• bentang mangrove tertentu.

AOI membantu:

• memotong raster;
• mengurangi ukuran data;
• menentukan statistik;
• menetapkan batas survei;
• menjaga konsistensi antarperiode.

AOI harus jelas dan terdokumentasi.

Jangan sampai luas mangrove tahun 2015 dibandingkan dengan 2026 menggunakan batas AOI yang berbeda.

Sistem Koordinat adalah Fondasi GIS

Setiap data spasial menggunakan Coordinate Reference System (CRS).

Dua konsep yang sering digunakan adalah:

Sistem Koordinat Geografis

Contohnya WGS 84.

Posisi dinyatakan dalam:

lintang dan bujur.

Sistem Koordinat Terproyeksi

Contohnya UTM.

Posisi biasanya dinyatakan dalam satuan meter.

QGIS mendukung pengukuran area dan jarak pada berbagai sistem koordinat serta metode pengukuran ellipsoidal maupun planimetrik. Untuk analisis berbasis panjang dan luas secara kartesian, pemilihan proyeksi yang sesuai tetap penting.

Jangan Menghitung Luas dalam Derajat

Salah satu kesalahan dasar GIS adalah menghitung area langsung dari koordinat geografis tanpa memahami metode pengukuran yang digunakan.

Jika luas akan digunakan untuk laporan teknis, pastikan:

• CRS diketahui;
• metode perhitungan diketahui;
• satuan diketahui;
• proyeksi sesuai wilayah kajian.

Untuk kawasan lokal, sistem UTM yang sesuai zona sering digunakan agar data dapat bekerja dalam satuan meter.

Namun, zona UTM harus dipilih sesuai lokasi, bukan menggunakan satu kode EPSG untuk seluruh Indonesia.

Pra-Pemrosesan Citra

Sebelum klasifikasi, citra perlu dipersiapkan.

Tahapannya dapat meliputi:

• pemilihan tanggal;
• koreksi atmosfer;
• masking awan;
• masking bayangan awan;
• mosaik;
• resampling;
• reproyeksi;
• pemotongan berdasarkan AOI;
• normalisasi antarwaktu apabila diperlukan.

Untuk Sentinel-2, produk Level-2A menyediakan data reflektansi permukaan yang umum digunakan untuk analisis lanjutan.

Perhatikan Awan

Mangrove tropis sering berada pada kawasan dengan tutupan awan tinggi.

Awan dan bayangan awan dapat diklasifikasikan secara keliru sebagai:

• air;
• tanah;
• mangrove rusak;
• area hilang.

Karena itu, cloud masking merupakan tahap yang penting.

Jika satu tanggal sangat berawan, lebih baik:

• mencari tanggal lain;
• membuat komposit;
• atau menggunakan data alternatif

daripada memaksakan analisis dari citra yang buruk.

Perhatikan Pasang Surut saat Memilih Citra

Pemetaan mangrove memiliki tantangan yang tidak selalu muncul pada pemetaan hutan daratan: pasang surut.

Saat pasang tinggi:

• dataran lumpur dapat tertutup;
• bagian bawah kanopi tergenang;
• badan air meluas;
• batas pantai tampak berbeda.

Saat surut:

• mudflat terbuka;
• kanal menjadi lebih jelas;
• garis batas air bergeser.

Jika dua tahun dibandingkan menggunakan kondisi pasang yang sangat berbeda, sebagian perubahan yang terlihat dapat berasal dari perbedaan kondisi air, bukan perubahan ekosistem.

Karena itu, untuk analisis multitemporal, usahakan:

• menggunakan musim serupa;
• kondisi pasang yang dapat diperbandingkan;
• sensor serupa;
• dan metode pemrosesan konsisten.

Komposit Warna untuk Membaca Mangrove

Citra satelit tidak harus selalu ditampilkan sebagai warna alami.

Kombinasi beberapa kanal dapat menonjolkan:

• vegetasi;
• kelembapan;
• air;
• lahan terbuka.

True Color

Menggunakan kanal merah, hijau, dan biru.

Untuk Sentinel-2:

B4 – B3 – B2

Tampilan ini menyerupai penglihatan manusia.

False Color Vegetation

Kombinasi yang menggunakan NIR dapat membantu vegetasi terlihat lebih kontras.

Misalnya:

B8 – B4 – B3

Vegetasi sehat biasanya terlihat sangat menonjol pada komposit ini.

Komposit bukan metode klasifikasi otomatis, tetapi sangat berguna dalam interpretasi visual.

Metode Pemetaan Mangrove

Terdapat berbagai metode untuk memperoleh batas atau kelas mangrove.

Tidak ada satu metode yang selalu terbaik.

Pemilihan harus mengikuti data, tujuan, luas kawasan, dan kapasitas analisis.

1. Digitasi Visual

Digitasi visual dilakukan dengan menggambar batas mangrove secara manual berdasarkan interpretasi citra.

Pengamat menggunakan karakter seperti:

• warna;
• tekstur;
• bentuk;
• pola;
• lokasi;
• hubungan dengan sungai;
• kedekatan dengan pantai;
• citra historis.

Kelebihan

• mudah dikontrol oleh analis;
• efektif pada wilayah kecil;
• interpretasi konteks sangat kuat;
• kesalahan klasifikasi tertentu dapat dikoreksi langsung.

Kekurangan

• memerlukan waktu;
• subjektif;
• dipengaruhi pengalaman operator;
• sulit diterapkan untuk area sangat luas;
• konsistensi antaroperator dapat berbeda.

Untuk skala desa atau kawasan proyek dengan citra resolusi tinggi, digitasi visual sering masih sangat berguna.

2. Klasifikasi Tidak Terbimbing

Unsupervised classification mengelompokkan piksel berdasarkan kemiripan statistik tanpa terlebih dahulu memberikan label kelas yang lengkap.

Algoritma menghasilkan beberapa klaster.

Analis kemudian menginterpretasikan:

klaster mana mangrove, air, tambak, tanah, dan sebagainya.

Metode ini dapat digunakan untuk eksplorasi awal ketika data training terbatas.

Namun, klaster spektral belum tentu sama dengan kelas ekologis.

Satu kelas mangrove dapat terbagi menjadi beberapa klaster, sedangkan mangrove dan vegetasi non-mangrove dapat masuk klaster yang sama.

3. Klasifikasi Terbimbing

Dalam supervised classification, analis menyediakan sampel atau training data.

Contoh kelas:

• mangrove;
• vegetasi non-mangrove;
• tambak;
• air;
• lahan terbuka;
• permukiman.

Algoritma kemudian mempelajari karakter spektral tiap kelas.

Metode yang dapat digunakan antara lain:

• Maximum Likelihood;
• Random Forest;
• Support Vector Machine;
• algoritma machine learning lainnya.

Kualitas hasil sangat bergantung pada kualitas training data.

Jika sampel mangrove ternyata merupakan tambak atau perkebunan, model akan belajar dari informasi yang salah.

4. Object-Based Image Analysis

Pendekatan berbasis objek atau Object-Based Image Analysis terlebih dahulu mengelompokkan piksel menjadi objek berdasarkan kesamaan spasial dan spektral.

Objek kemudian diklasifikasikan menggunakan karakter seperti:

• warna;
• tekstur;
• ukuran;
• bentuk;
• konteks;
• hubungan spasial.

Metode ini dapat berguna pada citra resolusi tinggi karena objek mangrove dapat mempunyai pola tajuk atau tekstur yang berbeda dari lahan sekitarnya.

5. Machine Learning

Metode machine learning semakin banyak digunakan untuk klasifikasi tutupan.

Contohnya:

Random Forest dan Support Vector Machine.

Inputnya dapat berupa:

• kanal spektral;
• indeks vegetasi;
• elevasi;
• jarak dari pantai;
• tekstur;
• variabel lainnya.

Namun, algoritma yang kompleks tidak otomatis menghasilkan peta yang lebih benar.

Jika:

data training buruk + referensi buruk + definisi kelas buruk

maka:

algoritma canggih tetap menghasilkan peta buruk.

6. Deep Learning

Untuk citra resolusi sangat tinggi, deep learning dapat digunakan untuk segmentasi dan klasifikasi.

Pendekatan ini membutuhkan:

• dataset training besar;
• label berkualitas;
• komputasi;
• proses validasi yang ketat.

Untuk banyak proyek mangrove lokal, metode ini belum tentu lebih efisien dibandingkan kombinasi digitasi, indeks, dan klasifikasi machine learning yang lebih sederhana.

Indeks Spektral untuk Pemetaan Mangrove

Indeks spektral menggabungkan nilai beberapa kanal menjadi nilai baru yang menonjolkan karakter tertentu.

NDVI

Normalized Difference Vegetation Index (NDVI) merupakan salah satu indeks vegetasi paling umum.

Rumus:

NDVI = (NIR − Red) / (NIR + Red)

Pada Sentinel-2:

NDVI = (B8 − B4) / (B8 + B4)

NDVI terutama menggambarkan karakter vegetasi hijau berdasarkan respons NIR dan merah.

Namun:

NDVI tinggi ≠ pasti mangrove.

Hutan daratan, perkebunan, dan vegetasi lebat lainnya juga dapat memiliki NDVI tinggi.

NDVI lebih tepat digunakan sebagai indikator vegetasi, kemudian digabungkan dengan informasi lokasi, kelembapan, air, dan variabel lainnya.

Mangrove Vegetation Index

Salah satu indeks yang dikembangkan khusus untuk membantu pemetaan mangrove adalah Mangrove Vegetation Index (MVI).

MVI dikembangkan untuk menangkap kombinasi karakter kehijauan dan kelembapan mangrove menggunakan kanal Green, NIR, dan SWIR1.

Secara umum:

MVI = |NIR − Green| / |SWIR1 − Green|

Untuk Sentinel-2:

• Green = B3;
• NIR = B8;
• SWIR1 = B11.

Penelitian awal MVI melaporkan akurasi indeks sekitar 92% pada lokasi pengujiannya dan menunjukkan bahwa indeks tersebut dapat membantu memisahkan mangrove dari berbagai kelas tutupan lain.

Namun, ada prinsip penting:

jangan menganggap satu nilai threshold MVI berlaku universal di seluruh lokasi.

Karakter spektral dapat berubah karena:

• sensor;
• musim;
• kondisi pasang;
• jenis mangrove;
• tutupan tajuk;
• substrat;
• wilayah geografis.

Penelitian lanjutan juga menunjukkan potensi kekeliruan antara mangrove dan beberapa tipe tutupan seperti tambak, tanaman pertanian pesisir, atau palma karena kemiripan karakter spektral.

Karena itu, MVI sebaiknya diperlakukan sebagai alat bantu klasifikasi, bukan pengganti validasi.

Pemetaan Mangrove Tidak Sama dengan Pemetaan Spesies

Sentinel-2 atau Landsat dapat sangat berguna untuk membedakan:

mangrove vs non-mangrove.

Tetapi membedakan:

Rhizophora mucronata
Rhizophora apiculata
Avicennia marina
Sonneratia alba

merupakan persoalan yang jauh lebih sulit.

Spektrum antarspesies dapat saling tumpang tindih.

Komposisi piksel juga dapat mengandung beberapa pohon sekaligus.

Karena itu, pemetaan spesies membutuhkan kombinasi yang lebih kuat seperti:

• citra resolusi sangat tinggi;
• data hiperspektral;
• tekstur tajuk;
• LiDAR;
• pembelajaran mesin;
• dan terutama data lapangan.

Peta tutupan mangrove jangan diberi label “peta jenis mangrove” apabila metode yang digunakan hanya mampu membedakan vegetasi mangrove secara umum.

Ground Truth dalam Pemetaan Mangrove

Ground truth atau validasi lapangan merupakan salah satu tahapan paling penting.

Tim lapangan mendatangi titik tertentu dan mencatat kondisi sebenarnya.

Data minimal dapat berisi:

• koordinat;
• kelas tutupan;
• jenis dominan;
• foto;
• tanggal;
• kondisi pasang;
• catatan lingkungan.

Misalnya:

GT001
Koordinat: X, Y
Kelas: Mangrove
Dominan: Avicennia marina
Tutupan: rapat
Foto: GT001_01.jpg

Titik tersebut kemudian dibandingkan dengan hasil klasifikasi.

Pisahkan Training dan Validation

Jika menggunakan klasifikasi terbimbing, sebaiknya jangan memakai seluruh titik untuk melatih model.

Data dapat dibagi menjadi:

training data

dan

validation data.

Training digunakan untuk membuat model.

Validation digunakan untuk menguji model.

Jika titik yang sama digunakan untuk melatih sekaligus menguji, nilai akurasi dapat terlihat terlalu tinggi karena model diuji menggunakan data yang sudah dikenalnya.

Confusion Matrix

Salah satu cara utama mengevaluasi klasifikasi adalah menggunakan confusion matrix atau error matrix.

Misalnya terdapat dua kelas:

• mangrove;
• non-mangrove.

Data referensi dibandingkan dengan kelas pada peta.

	Referensi Mangrove	Referensi Non-Mangrove
Peta Mangrove	85	10
Peta Non-Mangrove	5	100

Dari matriks tersebut dapat dihitung berbagai indikator.

Overall Accuracy

Overall Accuracy (OA) dapat dihitung:

OA = Jumlah Sampel Benar / Total Sampel × 100%

Pada contoh:

benar = 85 + 100 = 185

total = 200

maka:

OA = 185 / 200 × 100%

= 92,5%

FAO menekankan bahwa evaluasi akurasi merupakan bagian penting dalam penggunaan peta tutupan lahan, dan error matrix menjadi dasar untuk menghitung berbagai ukuran akurasi.

Producer's Accuracy

Producer's Accuracy menjawab kira-kira:

Dari mangrove yang benar-benar ada pada data referensi, berapa yang berhasil dipetakan sebagai mangrove?

Secara sederhana:

PA = Klasifikasi benar suatu kelas / Total referensi kelas tersebut × 100%

Nilai ini berkaitan dengan omission error.

User's Accuracy

User's Accuracy menjawab:

Dari seluruh area yang dipetakan sebagai mangrove, berapa yang benar-benar mangrove menurut data referensi?

Secara sederhana:

UA = Klasifikasi benar suatu kelas / Total kelas tersebut pada peta sampel × 100%

Nilai ini berkaitan dengan commission error.

Karena itu, peta sebaiknya tidak hanya mengatakan:

“Akurasi 90%.”

Tetapi menjelaskan:

• overall accuracy;
• producer's accuracy;
• user's accuracy;
• desain sampling;
• jumlah titik;
• sumber data referensi.

Pedoman good practice untuk pemetaan perubahan lahan juga merekomendasikan desain sampel probabilistik, pelaporan user's dan producer's accuracy, estimasi luas yang dikoreksi berdasarkan sampel, serta ketidakpastian atau confidence interval jika dibutuhkan untuk analisis statistik yang kuat.

Jangan Bergantung pada Kappa Saja

Cohen's Kappa pernah sangat banyak digunakan dalam evaluasi klasifikasi.

Nilainya masih dapat dilaporkan apabila relevan.

Namun, untuk interpretasi praktis sebaiknya tetap tampilkan:

• confusion matrix;
• overall accuracy;
• producer's accuracy;
• user's accuracy;
• serta desain validasinya.

Nilai akurasi tidak mempunyai makna kuat jika pembaca tidak mengetahui data apa yang digunakan untuk mengujinya.

Menghitung Luas Mangrove

Setelah kelas mangrove diperoleh, luas dapat dihitung menggunakan GIS.

Misalnya suatu poligon mangrove memiliki luas:

1.253.460 m²

Konversi ke hektare:

Luas (ha) = Luas (m²) / 10.000

maka:

1.253.460 / 10.000 = 125,346 ha

Sehingga:

luas mangrove = 125,35 ha

Pastikan sistem koordinat dan metode pengukuran luas dijelaskan.

Jangan membulatkan hasil secara berlebihan apabila ketelitian sumber datanya tidak mendukung.

Citra resolusi 30 meter, misalnya, tidak seharusnya menghasilkan klaim batas tapak seolah-olah mempunyai ketelitian sentimeter.

Analisis Perubahan Mangrove

Salah satu kekuatan GIS adalah membandingkan kondisi antarwaktu.

Misalnya:

Mangrove 2015

dibandingkan dengan:

Mangrove 2026

Hasil overlay dapat dibagi menjadi:

Stable Mangrove

Mangrove ada pada kedua periode.

Mangrove Loss

Mangrove terdapat pada tahun awal tetapi tidak lagi diklasifikasikan mangrove pada tahun berikutnya.

Mangrove Gain

Area yang bukan mangrove pada tahun awal tetapi menjadi mangrove pada tahun berikutnya.

Perubahan Bersih

Secara sederhana:

Net Change = Mangrove Gain − Mangrove Loss

Contoh:

Gain = 30 ha
Loss = 18 ha

maka:

Net Change = 30 − 18

= +12 ha

Tetapi angka +12 ha tidak menceritakan seluruh proses.

Kawasan dapat kehilangan 18 ha mangrove dewasa kemudian memperoleh 30 ha regenerasi muda.

Secara luas bersih terlihat positif, tetapi struktur ekologinya tetap berubah.

Karena itu, laporan sebaiknya menyajikan:

luas awal + loss + gain + luas akhir

bukan hanya perubahan bersih.

Pastikan Perubahan Benar-Benar Perubahan

Sebelum menyatakan kehilangan mangrove, periksa apakah perbedaan disebabkan oleh:

• awan;
• bayangan;
• kondisi pasang;
• musim;
• resolusi berbeda;
• sensor berbeda;
• metode klasifikasi berbeda;
• georeferensi bergeser.

Contohnya:

Citra 2018 diambil saat surut.

Citra 2026 saat pasang sangat tinggi.

Perbedaan air dapat membuat batas vegetasi terlihat berubah.

Kesalahan tersebut disebut perubahan semu, bukan perubahan ekosistem sebenarnya.

Analisis Overlay

Overlay merupakan salah satu analisis GIS paling dasar dan paling berguna.

Peta mangrove dapat ditumpangtindihkan dengan:

• batas administrasi;
• kawasan konservasi;
• penggunaan lahan;
• tambak;
• kepemilikan;
• elevasi;
• saluran;
• zona restorasi.

Contohnya:

Berapa luas mangrove pada setiap desa?

GIS dapat melakukan intersection antara:

poligon mangrove × poligon desa

Kemudian menghitung luas masing-masing hasil potongan.

Analisis Buffer

Buffer membuat zona pada jarak tertentu dari suatu objek.

Contohnya:

• 100 m dari sungai;
• 500 m dari jalan;
• 1 km dari permukiman.

Buffer dapat digunakan untuk eksplorasi hubungan spasial.

Namun, buffer tidak boleh langsung ditafsirkan sebagai zona ekologis tanpa dasar.

Mangrove yang berada 100 meter dari sungai belum tentu memiliki kondisi hidrologi yang sama.

Jarak horizontal hanyalah salah satu variabel.

Analisis Jarak

GIS dapat menghitung jarak dari mangrove terhadap:

• garis pantai;
• saluran;
• sungai;
• jalan;
• permukiman;
• sumber gangguan;
• mangrove eksisting.

Analisis ini dapat membantu menjawab:

Apakah kehilangan mangrove terkonsentrasi dekat tambak?

Apakah regenerasi lebih banyak dekat tegakan sumber propagul?

Apakah area restorasi terhubung dengan saluran?

Namun, korelasi spasial tidak otomatis membuktikan hubungan sebab-akibat.

Analisis Elevasi

Peta mangrove dapat ditumpangtindihkan dengan DEM.

Kemudian dilakukan zonal statistics untuk mengetahui:

• elevasi minimum;
• maksimum;
• rata-rata;
• distribusi elevasi.

Data tersebut dapat membantu mempelajari hubungan antara:

elevasi dan zonasi,
elevasi dan regenerasi, atau
elevasi dan keberhasilan penanaman.

Namun, hasilnya hanya akan sebaik kualitas DEM.

Jika resolusi dan ketelitian vertikal DEM tidak cukup, jangan membuat kesimpulan mikro-topografi yang melampaui kemampuan datanya.

GIS untuk Analisis Hidrologi Mangrove

Data GIS dapat digunakan untuk memetakan:

• sungai;
• tidal creek;
• kanal;
• tanggul;
• pintu air;
• cekungan;
• jalur genangan.

Jika dikombinasikan dengan:

• elevasi;
• muka air;
• pasang surut;
• data lapangan;

GIS dapat membantu mengidentifikasi bagian kawasan yang:

terhubung,
terputus,
tergenang berlebihan, atau
sulit menerima air pasang.

Tetapi peta garis saluran saja belum cukup untuk menyatakan konektivitas hidrologi.

Diperlukan pemeriksaan apakah:

• saluran aktif;
• tersumbat;
• mengalami sedimentasi;
• mempunyai pintu air;
• benar-benar membawa pasang.

GIS untuk Zonasi Mangrove

Zonasi dapat dianalisis dengan menggabungkan:

• spesies;
• elevasi;
• inundasi;
• salinitas;
• substrat;
• jarak dari saluran;
• struktur vegetasi.

Misalnya setiap plot mempunyai data:

Plot	Elevasi	Salinitas	Jenis Dominan
P01	0,55 m	25 ppt	Avicennia marina
P02	0,75 m	22 ppt	Rhizophora mucronata
P03	0,95 m	18 ppt	Bruguiera sp.

Plot tersebut dapat divisualisasikan pada GIS.

Namun, jangan langsung membuat seluruh zona dari tiga titik.

Interpolasi spasial membutuhkan jumlah dan distribusi sampel yang memadai serta pemahaman terhadap variabel yang dianalisis.

Interpolasi Spasial

Spatial interpolation digunakan untuk memperkirakan nilai di lokasi yang tidak diukur berdasarkan titik-titik sampel.

Contohnya:

• salinitas;
• elevasi tertentu;
• kualitas air;
• sedimentasi.

Metode dapat berupa:

• IDW;
• Kriging;
• pendekatan lainnya.

Namun:

tidak semua data pantas diinterpolasi.

Jenis mangrove, misalnya, merupakan data kategori dan tidak tepat diperlakukan seperti nilai kontinu salinitas menggunakan interpolasi sederhana.

Begitu pula 3 titik salinitas pada kawasan ratusan hektare belum tentu cukup untuk menghasilkan permukaan salinitas yang dapat dipercaya.

GIS untuk Menentukan Area Potensial Restorasi

GIS sangat berguna untuk membuat screening awal area potensial rehabilitasi.

Data yang dapat diintegrasikan antara lain:

• mangrove eksisting;
• kehilangan historis;
• bekas tambak;
• elevasi;
• hidrologi;
• saluran pasang;
• regenerasi alami;
• penggunaan lahan;
• kepemilikan;
• akses;
• kawasan perlindungan;
• potensi konflik sosial.

Misalnya dibuat kelas:

Potensi Tinggi
Potensi Sedang
Potensi Rendah
Tidak Direkomendasikan

Namun, peta tersebut hanya merupakan model kesesuaian, bukan keputusan penanaman otomatis.

GIS Tidak Boleh Menentukan Restorasi Sendirian

Sebuah model dapat menunjukkan bekas tambak sebagai “potensi tinggi”.

Tetapi di lapangan mungkin:

• tambak masih aktif;
• masyarakat menolak;
• tanggul masih digunakan;
• salinitas ekstrem;
• elevasi terlalu rendah;
• tidak ada regenerasi;
• status lahan bermasalah.

Karena itu:

GIS menyaring dan memprioritaskan lokasi. Survei lapangan menentukan realitas ekologis dan sosialnya.

Prinsip ini sangat penting dalam Ecological Mangrove Restoration (EMR) dan Community-Based Ecological Mangrove Restoration (CBEMR).

Restorasi tidak seharusnya dimulai dari area yang terlihat kosong pada peta, tetapi dari pemahaman mengenai penyebab kehilangan, hidrologi, elevasi, regenerasi alami, sumber propagul, penggunaan lahan, dan masyarakat yang bergantung pada kawasan tersebut.

Dataran Lumpur Bukan Otomatis Area Restorasi

Salah satu kesalahan interpretasi citra adalah melihat mudflat sebagai:

“area kosong yang bisa ditanami.”

Padahal dataran lumpur dapat:

• menjadi bagian alami ekosistem intertidal;
• menjadi habitat burung;
• berada pada elevasi terlalu rendah;
• mengalami gelombang kuat;
• secara alami belum sesuai untuk mangrove.

Jika seluruh mudflat diklasifikasikan sebagai “potensi tanam”, peta dapat mendorong keputusan ekologis yang salah.

Karena itu, kelas seperti:

“non-mangrove”

tidak sama dengan:

“lahan tersedia untuk mangrove.”

GIS untuk Monitoring Rehabilitasi

Setiap penanaman atau regenerasi dapat dipetakan.

Data yang dapat disimpan:

• polygon area program;
• titik plot;
• jumlah awal;
• tanggal penanaman;
• jenis;
• monitoring ke-3 bulan;
• Survival Rate;
• tinggi;
• kondisi;
• penyulaman;
• foto;
• perubahan tutupan.

Dengan demikian, satu poligon rehabilitasi dapat menjadi objek GIS yang mempunyai riwayat.

Contohnya:

Kode: RH-2026-01
Luas: 2,4 ha
Tanggal intervensi: 17 Agustus 2026
Jenis: Rhizophora sp.
Jumlah awal: 5.000 individu
SR bulan ke-3: 78%
SR bulan ke-6: 72%

GIS kemudian dapat menampilkan lokasi program berdasarkan:

• tahun;
• donor;
• status;
• Survival Rate;
• kebutuhan penyulaman.

Monitoring Tidak Harus Berbasis Poligon Saja

Selain area, GIS dapat mengelola titik individual.

Contohnya setiap pohon diberi:

ID unik + koordinat + atribut.

Data seperti ini sangat berguna untuk monitoring:

• pohon induk;
• pohon adopsi;
• plot permanen;
• pohon berukuran besar;
• individu yang memiliki tag.

Namun, untuk puluhan atau ratusan ribu individu, sistem basis data perlu dirancang secara efisien agar tidak menjadi sulit dikelola.

Analisis Fragmentasi Mangrove

Luas total tidak selalu cukup untuk menjelaskan kondisi spasial.

Contohnya dua kawasan masing-masing memiliki:

100 ha mangrove.

Kawasan A terdiri dari satu blok besar.

Kawasan B terdiri dari 50 fragmen kecil yang terpisah.

Secara luas sama, tetapi struktur lanskap berbeda.

Analisis lanskap dapat mempertimbangkan:

• jumlah patch;
• luas patch;
• ukuran patch rata-rata;
• panjang tepi;
• konektivitas;
• jarak antarpatch.

Analisis ini dapat membantu memahami fragmentasi, tetapi interpretasi ekologisnya tetap perlu dikaitkan dengan kondisi lapangan.

Deteksi Perubahan Garis Pantai

GIS juga dapat digunakan untuk menganalisis:

• abrasi;
• akresi;
• migrasi garis pantai.

Garis pantai beberapa tahun dapat dibandingkan.

Namun, garis pantai sangat sensitif terhadap:

• pasang surut;
• gelombang;
• musim;
• definisi shoreline;
• resolusi citra.

Karena itu, garis pantai dari dua citra tidak boleh dibandingkan tanpa metode yang konsisten.

Workflow GIS Pemetaan Mangrove

Alur kerja yang relatif kuat dapat disusun sebagai berikut.

Tahap 1. Rumuskan Tujuan

Contoh:

Memetakan luas dan perubahan tutupan mangrove tahun 2016–2026.

Tahap 2. Tentukan AOI

Tetapkan batas kawasan.

Tahap 3. Susun Definisi Kelas

Contoh:

• mangrove;
• tambak;
• vegetasi non-mangrove;
• perairan;
• lahan terbuka;
• terbangun.

Definisi harus ditulis.

Tahap 4. Pilih Citra

Periksa:

• tanggal;
• awan;
• pasang;
• resolusi;
• sensor.

Tahap 5. Lakukan Pra-Pemrosesan

• mask awan;
• mosaik;
• reproyeksi;
• clip AOI;
• komposit.

Tahap 6. Interpretasi Awal

Periksa:

• citra warna alami;
• false color;
• NDVI;
• MVI apabila diperlukan;
• data historis.

Tahap 7. Survei Lapangan

Ambil:

• training point;
• validation point;
• foto;
• jenis;
• kondisi.

Tahap 8. Lakukan Klasifikasi

Pilih:

• digitasi visual;
• supervised;
• Random Forest;
• metode lain.

Tahap 9. Bersihkan Hasil

Periksa:

• noise;
• poligon sangat kecil;
• lubang;
• kesalahan geometris;
• kelas salah.

Tahap 10. Uji Akurasi

Gunakan validation data dan confusion matrix.

Tahap 11. Hitung Luas

Gunakan sistem koordinat dan satuan yang benar.

Tahap 12. Analisis Perubahan

Buat:

• stable;
• loss;
• gain.

Tahap 13. Integrasikan Data Ekologis

Tambahkan:

• elevasi;
• hidrologi;
• salinitas;
• regenerasi;
• monitoring.

Tahap 14. Susun Peta Akhir

Lengkapi:

• judul;
• legenda;
• skala;
• arah utara;
• sumber data;
• tahun;
• CRS;
• pembuat;
• catatan metode.

Tahap 15. Simpan Metadata

Dokumentasikan seluruh metode agar analisis dapat diulang.

Contoh Analisis Perubahan

Misalkan hasil klasifikasi menunjukkan:

Mangrove 2016 = 500 ha

Mangrove 2026 = 540 ha

Setelah overlay diketahui:

Stable = 460 ha

Loss = 40 ha

Gain = 80 ha

Maka:

Luas akhir:

460 + 80 = 540 ha

Perubahan bersih:

80 − 40 = +40 ha

Tetapi laporan yang hanya mengatakan:

“Mangrove bertambah 40 ha”

kehilangan informasi penting.

Penulisan yang lebih baik:

Pada periode 2016–2026, sekitar 460 ha mangrove bertahan, 40 ha mengalami kehilangan, dan 80 ha merupakan area pertambahan mangrove. Dengan demikian, perubahan bersih tutupan sebesar +40 ha.

Kemudian analisis:

Di mana loss terjadi?

Apa penggunaan lahan setelah loss?

Di mana gain terjadi?

Apakah gain merupakan regenerasi alami?

Apakah sedimentasi membentuk habitat baru?

Inilah perbedaan antara menghitung perubahan dan memahami perubahan.

Peta Harus Memiliki Metadata

Setiap produk GIS sebaiknya mempunyai dokumentasi.

Minimal:

Judul dataset

Tanggal atau tahun data

Sumber citra

Resolusi

Metode klasifikasi

Definisi kelas

CRS

Skala penggunaan

Tanggal pembuatan

Pembuat

Akurasi

Keterbatasan

Tanpa metadata, beberapa tahun kemudian orang dapat memiliki file bernama:

Mangrove_Final_Real_FIX_Baru.shp

tetapi tidak mengetahui:

• tahun citra;
• siapa pembuatnya;
• bagaimana cara klasifikasinya;
• apakah sudah divalidasi.

Manajemen data sama pentingnya dengan pembuatan peta.

Standarisasi Nama File

Struktur nama file dapat dibuat sistematis.

Contoh:

KES_TutupanMangrove_Semarang_2026_v01.gpkg

atau:

MangroveExtent_SMCJateng_2026_Validated.gpkg

Untuk raster:

Sentinel2_L2A_SMCJateng_20260815.tif

Untuk titik lapangan:

GroundTruth_Mangrove_SMCJateng_2026.gpkg

Hindari:

final.shp

finalfix.shp

finalfixbanget.shp

finalterakhir2.shp

Standarisasi memudahkan pengelolaan data jangka panjang.

GeoPackage atau Shapefile?

Shapefile masih sangat banyak digunakan, tetapi format ini memiliki berbagai keterbatasan teknis.

Untuk pengelolaan GIS modern, GeoPackage (.gpkg) sering lebih praktis karena satu file dapat menyimpan beberapa layer dan atribut dengan struktur yang lebih baik.

Namun, format harus disesuaikan dengan kebutuhan mitra dan interoperabilitas.

Jika mitra meminta shapefile, file biasanya harus dikirim sebagai satu paket karena shapefile terdiri atas beberapa komponen.

Jangan hanya mengirim:

.shp

tanpa file pendukungnya.

Software GIS untuk Pemetaan Mangrove

Beberapa perangkat yang dapat digunakan antara lain:

QGIS

Perangkat GIS open source untuk:

• digitasi;
• raster;
• vektor;
• analisis spasial;
• layout peta;
• pemrosesan.

ArcGIS Pro

Platform GIS dengan berbagai kemampuan analisis, pemetaan, dan pengelolaan geodatabase.

Google Earth Engine

Sangat berguna untuk:

• pengolahan citra skala besar;
• analisis multitemporal;
• Sentinel;
• Landsat;
• komputasi berbasis cloud.

SNAP

Dapat digunakan untuk pemrosesan berbagai data Sentinel.

Software Fotogrametri

Digunakan untuk mengolah citra drone menjadi:

• orthomosaic;
• point cloud;
• DSM;
• model 3D.

Pemilihan perangkat bukan penentu utama kualitas.

Metodologi, data, validasi, dan kompetensi analis jauh lebih menentukan daripada merek perangkat lunak.

Kesalahan Umum GIS untuk Pemetaan Mangrove

1. Menganggap Semua Vegetasi Hijau sebagai Mangrove

Perkebunan dan vegetasi pesisir dapat mempunyai respons serupa.

2. Tidak Melakukan Ground Truth

Peta kemudian tidak mempunyai referensi lapangan yang cukup.

3. Menggunakan Citra Berawan

Awan dan bayangan dapat menghasilkan perubahan palsu.

4. Mengabaikan Pasang Surut

Batas air dapat berubah secara signifikan.

5. Menghitung Luas tanpa Memahami CRS

Hasil area dapat salah atau sulit dipertanggungjawabkan.

6. Menggunakan Resolusi Rendah untuk Klaim Sangat Detail

Skala kesimpulan harus mengikuti kemampuan data.

7. Menyebut Klasifikasi Mangrove sebagai Peta Spesies

Padahal metode hanya membedakan mangrove dan non-mangrove.

8. Menggunakan Training Data sebagai Validation Data

Akurasi dapat terlihat lebih tinggi dari kondisi sebenarnya.

9. Melaporkan Luas tanpa Nilai Akurasi

Angka luas terlihat presisi tetapi ketidakpastian peta tidak diketahui.

10. Menggunakan Satu Threshold untuk Semua Lokasi

Nilai NDVI atau MVI tidak selalu universal.

11. Menganggap Non-Mangrove sebagai Potensi Restorasi

Lahan non-mangrove dapat merupakan habitat alami lain, tambak aktif, permukiman, atau area yang secara ekologis tidak sesuai.

12. Mengabaikan Perubahan Metodologi

Peta 2010 hasil digitasi visual dan peta 2026 hasil Random Forest tidak boleh langsung dibandingkan tanpa mengevaluasi konsistensi keduanya.

Akurasi Lebih Penting daripada Presisi Angka

GIS dapat menghasilkan:

Luas mangrove = 1.237,483729 ha

Tetapi apakah benar data mendukung ketelitian enam angka di belakang koma?

Jika batas berasal dari citra 30 meter, menampilkan angka hingga satu meter persegi memberikan presisi numerik yang tidak mencerminkan ketelitian spasial sebenarnya.

Penulisan lebih tepat mungkin:

±1.237,48 ha

atau mengikuti standar ketelitian studi.

Banyak angka di belakang koma tidak otomatis berarti data lebih akurat.

GIS untuk EMR dan CBEMR

Dalam pendekatan Ecological Mangrove Restoration (EMR), GIS dapat membantu memahami:

• sejarah tutupan;
• mangrove referensi;
• perubahan garis pantai;
• jaringan hidrologi;
• bekas tambak;
• elevasi;
• regenerasi alami;
• konektivitas.

Dalam CBEMR, data tersebut kemudian dapat digabungkan dengan informasi masyarakat:

• status pemanfaatan lahan;
• sejarah tambak;
• saluran lama;
• konflik;
• hak kepemilikan;
• ketertarikan masyarakat;
• kesepakatan pengelolaan.

Dengan demikian, GIS berfungsi sebagai ruang integrasi data ekologis dan sosial.

Peta dapat membantu diskusi, tetapi peta tidak boleh menggantikan dialog dengan masyarakat.

Pemetaan Partisipatif

Masyarakat dapat dilibatkan dalam pemetaan melalui:

• menggambar batas penggunaan;
• menunjukkan saluran lama;
• mencatat area abrasi;
• memetakan lokasi penangkapan;
• menunjukkan perubahan mangrove;
• mengidentifikasi lahan yang dapat atau tidak dapat direstorasi.

Informasi kemudian diverifikasi dan didigitasi ke GIS.

Pendekatan ini dapat mengungkap informasi yang tidak terlihat pada citra.

Sebagai contoh, citra hanya memperlihatkan tanggul.

Masyarakat dapat menjelaskan:

tanggul tersebut dibuat 20 tahun lalu dan menutup saluran pasang yang dahulu menghubungkan kawasan dengan sungai.

Informasi tersebut memberikan makna ekologis dan historis pada objek spasial.

GIS untuk Blue Carbon Mangrove

Dalam kajian karbon, GIS dapat digunakan untuk:

• menghitung luas;
• membagi strata;
• menentukan sampling;
• memetakan plot;
• menghubungkan stok karbon per hektare dengan area;
• membuat peta stok karbon.

Namun:

citra satelit tidak secara otomatis mengukur stok karbon tanah.

Data lapangan tetap dibutuhkan untuk:

• biomassa;
• DBH;
• densitas kayu;
• karbon tanah;
• kedalaman;
• bulk density;
• konsentrasi karbon.

GIS kemudian digunakan untuk menghubungkan hasil tersebut dengan ruang.

GIS Bukan Pengganti Ekologi

Peta yang sangat detail dapat menghasilkan keputusan yang buruk jika analis tidak memahami ekologi mangrove.

Contohnya, GIS dapat menunjukkan:

area terbuka 20 ha.

Tanpa pemahaman ekologi, kesimpulannya:

tanam 20 ha mangrove.

Dengan analisis ekologis, ternyata:

5 ha = regenerasi alami
4 ha = mudflat alami
3 ha = saluran air
6 ha = tambak aktif
2 ha = lokasi potensial setelah hidrologi diperbaiki

Maka target restorasi berubah secara drastis.

Peta menunjukkan di mana sesuatu berada. Ekologi membantu menjelaskan apa yang seharusnya dilakukan terhadapnya.

GIS Bukan Pengganti Lapangan

Teknologi geospasial memungkinkan area ribuan hektare dianalisis dengan cepat.

Namun, citra tidak selalu dapat mengetahui:

• siapa pemilik lahan;
• apakah saluran masih aktif;
• apa jenis mangrove sebenarnya;
• berapa salinitas;
• apakah substrat stabil;
• bagaimana pendapat masyarakat;
• apakah regenerasi sehat;
• mengapa mangrove mati.

Semua informasi tersebut membutuhkan lapangan dan interaksi manusia.

Karena itu, pendekatan terbaik adalah:

remote sensing + GIS + survei lapangan + pengetahuan lokal.

FAO juga menekankan bahwa komponen penginderaan jauh dan pengukuran lapangan perlu diperlakukan sebagai komponen yang saling melengkapi dalam sistem monitoring hutan.

Dari Citra Menjadi Informasi Pengelolaan

Nilai utama GIS bukan ketika sebuah citra berhasil dibuat menjadi peta berwarna.

Nilainya muncul ketika data tersebut dapat menjawab pertanyaan pengelolaan.

Contohnya:

Citra

↓

Klasifikasi mangrove

↓

Validasi

↓

Perhitungan luas

↓

Analisis perubahan

↓

Overlay hidrologi dan elevasi

↓

Verifikasi lapangan

↓

Penentuan prioritas

↓

Monitoring

Dengan demikian, GIS menjadi bagian dari sistem pengambilan keputusan, bukan sekadar alat desain kartografi.

Prinsip Pemetaan Mangrove yang Baik

Pemetaan yang dapat dipertanggungjawabkan sebaiknya memenuhi beberapa prinsip.

Tujuan jelas.

Definisi mangrove jelas.

Sumber data diketahui.

Resolusi sesuai kebutuhan.

Tanggal citra diketahui.

Kondisi pasang dipertimbangkan.

CRS konsisten.

Metode dapat direplikasi.

Data lapangan tersedia.

Akurasi diuji.

Keterbatasan dijelaskan.

Metadata disimpan.

Interpretasi tidak melampaui kemampuan data.

Jika prinsip tersebut dipenuhi, peta akan mempunyai nilai yang jauh lebih besar untuk penelitian dan pengelolaan.

Kesimpulan

GIS untuk pemetaan mangrove merupakan pendekatan untuk mengelola, menganalisis, dan menampilkan informasi spasial mengenai distribusi, luas, perubahan, kondisi, serta hubungan mangrove dengan bentang pesisir di sekitarnya.

Data yang digunakan dapat berasal dari:

• Sentinel-2;
• Landsat;
• citra drone;
• DEM;
• Global Mangrove Watch;
• data vektor;
• survei lapangan;
• serta berbagai informasi ekologis dan sosial lainnya.

Metode pemetaan dapat dilakukan melalui:

• digitasi visual;
• klasifikasi tidak terbimbing;
• klasifikasi terbimbing;
• Object-Based Image Analysis;
• machine learning;
• hingga deep learning.

Indeks seperti NDVI dapat membantu mengidentifikasi vegetasi, sedangkan Mangrove Vegetation Index (MVI) dikembangkan untuk meningkatkan kemampuan membedakan mangrove berdasarkan karakter kehijauan dan kelembapannya. Namun, tidak ada indeks atau algoritma yang menghilangkan kebutuhan terhadap validasi.

Peta hasil klasifikasi harus diuji menggunakan data referensi. Overall accuracy, producer's accuracy, user's accuracy, confusion matrix, serta desain sampling perlu didokumentasikan agar kualitas peta dapat dipahami.

GIS kemudian dapat digunakan untuk:

menghitung luas, mendeteksi gain dan loss, melakukan overlay, menganalisis elevasi, jaringan hidrologi, zonasi, fragmentasi, perubahan garis pantai, monitoring rehabilitasi, hingga menyusun screening awal lokasi potensial restorasi.

Namun, batas kemampuan GIS harus tetap dipahami.

Area non-mangrove bukan otomatis lahan untuk ditanami. NDVI tinggi bukan otomatis mangrove. Peta mangrove bukan otomatis peta spesies. Dan model potensi restorasi bukan otomatis keputusan restorasi.

Bagi KeSEMaT, pemetaan mangrove seharusnya menjadi bagian dari pendekatan berbasis ilmu pengetahuan yang menghubungkan citra, data spasial, survei lapangan, ekologi, hidrologi, dan pengetahuan masyarakat.

Dengan pendekatan tersebut, sebuah peta tidak berhenti menjadi gambar mengenai di mana mangrove berada, tetapi berkembang menjadi alat untuk memahami bagaimana mangrove berubah, mengapa perubahan terjadi, bagian mana yang perlu dijaga, dan intervensi apa yang paling tepat dilakukan.

GIS menunjukkan pola di ruang. Data lapangan membuktikan kondisinya. Ekologi menjelaskan prosesnya. Ketiganya perlu bekerja bersama agar pemetaan benar-benar mendukung pengelolaan mangrove yang bertanggung jawab. (ADM).

Daftar Pustaka

Baloloy, A. B., Blanco, A. C., Sta. Ana, R. R. C., & Nadaoka, K. (2020). Development and application of a new mangrove vegetation index (MVI) for rapid and accurate mangrove mapping. ISPRS Journal of Photogrammetry and Remote Sensing, 166, 95–117.

Food and Agriculture Organization of the United Nations. (2024). Remote Sensing Techniques for Mapping and Monitoring Mangroves at Fine Scales. Rome: FAO.

Giesen, W., Wulffraat, S., Zieren, M., & Scholten, L. (2006). Mangrove Guidebook for Southeast Asia. Bangkok: FAO Regional Office for Asia and the Pacific & Wetlands International.

Global Mangrove Watch. Global Mangrove Watch Data Platform. Global Mangrove Alliance.

Olofsson, P., Foody, G. M., Herold, M., Stehman, S. V., Woodcock, C. E., & Wulder, M. A. (2014). Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42–57.

QGIS Development Team. QGIS Geographic Information System Documentation. Open Source Geospatial Foundation.

U.S. Geological Survey. Landsat 8–9 Satellite and Sensor Documentation. USGS.

European Space Agency & European Commission. Sentinel-2 Mission and MultiSpectral Instrument Documentation. Copernicus Programme.

(Sumber gambar: Revynovian/Wikimedia Commons, CC BY-SA 4.0)