Tersedianya data potensi lahan tambak yang cepat, akurat dan lengkap untuk kebutuhan pengelolaan kawasan pengembangan perikanan budidaya air payau harus didukung oleh metode identifikasi yang efektif dan efisien. Penelitian ini bertujuan untuk mengupayakan peningkatan kualitas metode klasifikasi multispektral dalam penginderaan jauh dalam mengidentifikasi potensi lahan tambak ekstensif dengan mengintegrasikan logika samar dalam proses klasifikasi citra. Citra landsat-7 ETM+ (30 m), data elevasi digital dan data pengecekan lapang untuk wilayah pantai (kawasan tambak ekstensif/tradisional) Kecamatan Kembang Tanjung, Pidie, Nangroe Aceh Darussalam (NAD) digunakan sebagai bahan utama dalam penelitian ini. Klasifikasi multispektral standar secara terbimbing diperbaiki melalui pengambilan data training secara cermat, yang diikuti dengan uji keterpisahan objek, pemrosesan pasca-klasifikasi dan analisis tingkat ketelitian. Hasil klasifikasi dengan tingkat ketelitian terbaik dari berbagai algoritma yang diujikan untuk tiga saluran selanjutnya dibandingkan dengan hasil klasifikasi dengan menggunakan logika samar. Dari hasil penelitian diketahui bahwa klasifikasi multispektral standar dengan algoritma Maximum Likelihood mampu menghasilkan informasi penutup lahan yang cukup lengkap dan rinci pada wilayah pertambakan dengan ketelitian yang cukup baik (>86%). Tingkat ketelitian yang sama juga masih dijumpai walaupun hanya melibatkan kombinasi 3 saluran terbaik (5,4, dan 3) yang dipilih berdasarkan analisis statistik nilai kecerahan piksel. Dengan membandingkan hasil terbaik dari metode klasifikasi standar yang berbasis logika biner (boolean) dengan hasil klasifikasi citra dengan logika samar dalam pengklasifikasian wilayah tambak, diketahui bahwa klasifikasi citra dengan logika samar mampu memperlihatkan hasil klasifikasi yang sangat baik untuk menentukan batas wilayah tambak yang tidak bisa dilakukan secara langsung bahkan oleh metode standar dengan algoritma terbaik. Dan dengan penambahan satu variabel kunci untuk tambak ekstensif seperti elevasi dalam klasifikasi, klasifikasi dengan logika samar dapat digunakan untuk memprediksi potensi pengembangan lahan budidaya tambak ekstensif dan kemungkinan tumpang tindih dengan penggunaan lahan lainnya.The availability of immediate, accurate and complete data on potential pond area as a baseline data for land management of brackishwater aquaculture must be supported by effective and efficient identification methods. The objective of this study was to explore the possibility of improving the quality of multispectral image classification methods in identifying potential areas for extensive brackishwater aquaculture through the integration of fuzzy logic and classification of remotely sensed data. 2002 Landsat-7 Enhanced Thematic Mapper Data (30-m pixels), digital elevation data, and groundtruthing of training data (region of interest/ROI) of Kembang Tanjung coastal areas (Pidie, NAD) were used as the primary data in this study. Standard supervised multispectral classification methods were enhanced by collecting appropriate and unbiased training data, applying separability measures of ROI pairs, employing post-classification analysis, and assessing the accuracy of classification results. Different types of standard supervised classification algorithms were evaluated and a classification output with the highest accuracy was selected to be compared with the result from fuzzy logic classification. The study showed that a supervised classification method based on maximum likelihood analysis produced the best classification output of land use-cover over the coastal region (overall accuracy > 86%). The accuracy remained at the same level although it involved only the best composite of 3 bands (5,4, and 3) determined by a rigorous statistical analysis of brightness values of pixels. It was clear that the fuzzy-based classification method was more effective in identifying potential extensive brackishwater pond areas compared to the best standard image classification based on binary logic (maximum likelihood). Also, by integrating elevation data as another key variable to determine the suitability of land for extensive brackishwater aquaculture, the fuzzy classification can be used to more accurately predict potential area suited for brackishwater aquaculture ponds and any possible overlapping activity with other land uses.
Erratum to: Developmental phases in a temperate natural spruce-fir-beech forest: determination by a supervised classification method
