Abstrak

Pemantauan perubahan hutan mangrove sering menghasilkan data yang sulit dipahami karena tersimpan dalam bentuk file khusus untuk perangkat lunak GIS atau tabel statistik yang terpisah. Artikel ini memperkenalkan MangroveSight, sebuah WebGIS yang membantu pengguna melihat sebaran dan perubahan luas mangrove di Teluk Balikpapan pada 11 tahun pengamatan antara 2007 dan 2022. Pengguna dapat membuka peta berdasarkan tahun, membandingkan dua tahun, melihat pola kepadatan, membaca grafik, mengunduh data, dan bertanya kepada asisten AI. Hasil perhitungan menunjukkan luas mangrove sebesar 13.401,29 hektar pada 2007 dan 15.189,18 hektar pada 2022, atau perubahan bersih sebesar +1.787,89 hektar (+13,34%). Luas terendah tercatat pada 2017, sedangkan penurunan terbesar dibandingkan dengan pengamatan sebelumnya terjadi pada 2008 sebesar 119,94 hektar. MangroveSight dibuat untuk membantu masyarakat memahami data, bukan untuk menggantikan survei lapangan atau menjadi sistem pemantauan langsung. Karena itu, hasilnya tetap perlu dibaca bersama informasi sumber data dan keterbatasan yang dijelaskan dalam artikel ini.

1. Pendahuluan

1.1 Konteks dan urgensi

Ekosistem mangrove Teluk Balikpapan berada pada wilayah pesisir yang memiliki tekanan pembangunan, aktivitas industri, pelabuhan, dan perubahan penggunaan lahan. Mangrove berperan sebagai pelindung pesisir, habitat biota, penyimpan karbon, dan penyangga kualitas lingkungan. Karena itu, pemantauan perubahan sebaran mangrove perlu dilakukan secara berkala dan dapat ditelusuri berdasarkan waktu.

Global Mangrove Watch (GMW) menyediakan data historis tutupan mangrove dalam skala luas. Tantangannya, data tersebut umumnya memerlukan perangkat lunak GIS dan pengetahuan khusus untuk dibaca. Pengguna harus mengunduh data, membatasi wilayah, menghitung luas, lalu membandingkan beberapa tahun secara manual. MangroveSight dirancang untuk menyederhanakan proses tersebut melalui satu peta yang dapat dibuka di browser.

1.2 Kesenjangan yang ditangani

Survei lapangan tetap penting untuk validasi, tetapi tidak selalu efisien untuk meninjau perubahan historis pada wilayah yang luas. Di sisi lain, penyediaan citra atau shapefile tanpa pipeline dan visualisasi kontekstual menyulitkan mahasiswa, peneliti, maupun pengambil keputusan untuk memperoleh ringkasan awal.

MangroveSight membantu mengatasi masalah akses, bukan menggantikan penginderaan jauh atau survei lapangan. Data diproses terlebih dahulu, kemudian disajikan melalui website agar pengguna tidak perlu mengolah file mentah sendiri. Statistik juga dihitung lebih awal supaya peta dan grafik dapat ditampilkan dengan cepat.

1.3 Tujuan artikel

Artikel ini menjelaskan:

• Cara kerja MangroveSight dari data awal sampai menjadi website;

• Proses pembatasan wilayah, penghitungan luas, dan penyimpanan data peta;

• Fitur website dan layanan yang menghubungkan website dengan data;

• Hasil statistik 11 tahun pengamatan pada periode 2007–2022;

• Keterbatasan metodologis dan evaluasi yang masih diperlukan.

1.4 Kontribusi

Kontribusi utama proyek ini adalah:

1. 1.
   Alur pengolahan data yang dapat dijalankan ulang dari data GMW sampai menjadi peta;

1. 2.
   Layanan yang menyediakan peta, perbandingan, heatmap, statistik, dan AI Assistant;

1. 3.
   Antarmuka yang memungkinkan pengguna mengeksplorasi tahun pengamatan tanpa perangkat lunak GIS khusus;

1. 4.
   Penyajian angka dengan konteks yang jelas, termasuk catatan bahwa hasil 2022 menunjukkan lonjakan yang perlu diperiksa lebih lanjut.

2. Pilihan Pendekatan dan Teknologi

Pemantauan mangrove dapat memanfaatkan beberapa pendekatan. Citra satelit cocok untuk melihat wilayah luas dan membandingkan kondisi dari waktu ke waktu, tetapi datanya tetap perlu diolah dan ditafsirkan. Drone dapat menghasilkan gambar yang lebih rinci, tetapi hanya mencakup wilayah yang lebih kecil dan membutuhkan kegiatan lapangan. Sensor dapat membantu memantau salinitas atau ketinggian air, tetapi tidak langsung menunjukkan luas tutupan mangrove. Menggabungkan beberapa pendekatan akan memberi informasi lebih lengkap, tetapi juga membutuhkan biaya dan pengelolaan yang lebih besar.

MangroveSight memilih data historis GMW dan tidak mengklaim sebagai sistem pemantauan langsung. Nilai utamanya adalah membuat data yang sudah tersedia lebih mudah dilihat, dipahami, dan dibandingkan pada wilayah studi tertentu.

2.1 Pertimbangan teknologi

• Penyimpanan peta Teknologi: PostgreSQL + PostGIS. Alasan pemilihan: dirancang untuk menyimpan dan membandingkan data berdasarkan lokasi. Pertimbangan: membutuhkan database khusus untuk data peta.

• Penghubung data Teknologi: FastAPI + SQLAlchemy. Alasan pemilihan: menghubungkan website dengan database dan statistik. Pertimbangan: belum memakai sistem penyajian peta berbentuk ubin untuk data yang sangat besar.

• Peta interaktif Teknologi: React-Leaflet + Leaflet. Alasan pemilihan: memudahkan peta, pilihan tahun, dan beberapa peta dasar. Pertimbangan: file peta yang sangat besar dapat memperlambat tampilan.

• Grafik Teknologi: Recharts. Alasan pemilihan: menyediakan grafik garis dan batang yang mudah dibaca. Pertimbangan: grafik tetap bergantung pada kualitas data masukan.

• AI Teknologi: OpenRouter melalui OpenAI SDK. Alasan pemilihan: kunci akses disimpan di server dan jawaban diarahkan pada statistik proyek. Pertimbangan: jawaban bergantung pada layanan AI dan data yang diberikan.

• Publikasi website Teknologi: Heroku, Netlify, dan Vercel. Alasan pemilihan: website dan server dapat dipublikasikan secara terpisah. Pertimbangan: bergantung pada konfigurasi dan layanan pihak ketiga.

GeoServer tidak digunakan karena kebutuhan proyek ini masih berfokus pada beberapa layer peta dan fungsi perbandingan yang spesifik. Jika jumlah wilayah atau ukuran data bertambah, sistem dapat dikembangkan dengan teknologi penyajian peta yang lebih sesuai untuk data besar.

3. Arsitektur Sistem

3.1 Gambaran umum

Data diproses terlebih dahulu sebelum digunakan website. Website tidak menghitung ulang seluruh luas atau mengolah file peta mentah setiap kali dibuka. Saat pengguna memilih tahun, website meminta peta tahun tersebut kepada server. Saat pengguna membuka grafik atau bertanya kepada AI, server menggunakan ringkasan statistik yang sudah disiapkan.

3.2 Sumber data dan wilayah studi

Wilayah studi ditentukan dengan batas kotak koordinat WGS84:

Epoch yang tersedia adalah 2007, 2008, 2009, 2010, 2015, 2016, 2017, 2018, 2019, 2020, dan 2022. Metadata statistik menyebut Global Mangrove Watch v3.0 sebagai sumber untuk periode 2007–2022. Untuk wilayah mangrove tahun 2022, data diperoleh melalui portal Japan Aerospace Exploration Agency (JAXA) Earth Observation Research Center (EORC), khususnya laman ALOS: https://www.eorc.jaxa.jp/ALOS/en/index_e.htm. Catatan pada script pengolahan menyebut input raster 2022 sebagai GMW v4.1. Perbedaan versi ini dicantumkan secara terbuka dan perlu diklarifikasi sebelum hasil digunakan untuk penelitian formal.

Tidak terdapat data ground-truth lapangan atau sensor IoT di dalam implementasi saat ini. Basemap berasal dari layanan CARTO, Esri Satellite, OpenTopoMap, dan layer basemap lain yang dikonsumsi langsung oleh Leaflet.

3.3 Alur pengolahan data

Clipping shapefile

Script 01_clip_mangrove.py membaca file peta untuk setiap tahun, mengambil bagian yang berada di sekitar Teluk Balikpapan, lalu menyimpannya sebagai file peta yang lebih kecil. Proses ini membuat data lebih sesuai untuk wilayah studi. Hasilnya disimpan sebagai mangrove_YYYY.geojson.

Pemrosesan raster 2022

01b_process_tif.py mencari potongan data raster 2022 yang mencakup wilayah studi, menggabungkannya, memotong sesuai wilayah, lalu mengubah bagian yang ditandai sebagai mangrove menjadi bentuk peta. Hasilnya disimpan sebagai GeoJSON 2022. Proses ini berbeda dari tahun-tahun yang menggunakan file peta polygon, sehingga perbandingan 2022 perlu dibaca dengan hati-hati.

Precomputing statistik

02_precompute_stats.py menggunakan sistem koordinat yang sesuai untuk menghitung luas di Kalimantan Timur, lalu mengubah hasilnya menjadi hektare. Script ini juga menghitung perubahan luas dan persentasenya dibandingkan dengan tahun pengamatan sebelumnya. Ringkasan tersebut disimpan sebagai file JSON dan disalin ke server.

Import ke PostGIS

03_import_to_postgis.py menggabungkan file peta dari seluruh tahun ke dalam database peta. Database diberi penanda berdasarkan bentuk wilayah dan tahun agar pencarian peta dapat dilakukan lebih cepat.

3.4 Server dan layanan data

Server berfungsi sebagai penghubung antara website, database peta, statistik, dan AI. Layanan yang tersedia adalah:

• Peta berdasarkan tahun: menampilkan sebaran mangrove pada tahun yang dipilih.

• Perbandingan dua tahun: menandai area yang hilang, bertambah, atau tetap.

• Heatmap: menunjukkan lokasi dengan konsentrasi polygon mangrove yang lebih tinggi.

• Statistik: menampilkan luas, perubahan, dan ringkasan setiap tahun.

• Daftar tahun: menyediakan tahun yang dapat dipilih.

• AI Assistant: menjawab pertanyaan berdasarkan statistik proyek.

Saat membandingkan dua tahun, server menggabungkan area yang berdekatan lalu menghitung bagian yang hilang, bertambah, dan tetap. Untuk heatmap, server menggunakan titik tengah setiap area dan luasnya sebagai ukuran kepadatan. Beberapa pemeriksaan bentuk dilakukan agar peta tetap dapat ditampilkan dengan baik.

AI Assistant tidak membaca bentuk peta secara langsung. Server memberikan ringkasan statistik kepada AI dan mengarahkan jawabannya hanya pada data MangroveSight. Untuk mencegah penggunaan berlebihan, tersedia batas 20 pertanyaan per menit untuk setiap alamat IP. Batas ini masih disimpan sementara di satu server dan belum menggunakan sistem terpusat.

3.5 Website yang digunakan pengguna

Website dibangun dengan React dan menyediakan empat halaman utama: beranda, peta, grafik, dan tentang proyek.

Halaman peta menyediakan pemilihan tahun, perbandingan dua tahun, heatmap, panel statistik, legenda, pilihan peta dasar, ekspor CSV/GeoJSON, dan ringkasan AI. Halaman grafik menampilkan perubahan luas dalam bentuk grafik garis dan batang. Halaman tentang proyek menjelaskan konteks, sumber data, dan cara kerja AI.

3.6 Infrastruktur dan deployment

Untuk pengembangan lokal, database dijalankan dalam Docker agar pengaturan lebih mudah. Server dapat dipublikasikan melalui Heroku, sedangkan website dipublikasikan melalui Netlify dengan Vercel sebagai pilihan cadangan. GitHub Actions membantu menjalankan proses publikasi ketika perubahan dikirim ke branch master.

Sebelum server dipublikasikan, ringkasan statistik disalin ke folder data server. Informasi rahasia seperti alamat database, kunci AI, dan token publikasi disimpan sebagai pengaturan lingkungan, bukan ditulis di website.

4. Metodologi Implementasi Studi Kasus

4.1 Lokasi studi

Studi kasus berfokus pada Teluk Balikpapan, Kalimantan Timur, di dalam batas kotak wilayah 116,60°–117,15° BT dan 1,55°–1,00° LS. Batas kotak ini digunakan untuk proses pengolahan data dan bukan klaim batas administratif atau batas ekosistem mangrove yang presisi.

4.2 Tahapan pembuatan sistem

Implementasi dibagi menjadi empat fase sesuai rencana proyek:

1. 1.
   Menyiapkan data dan server: membatasi wilayah data, menghitung statistik, menyimpan peta, dan membuat layanan data.

1. 2.
   Membangun website inti: membuat peta, pilihan tahun, panel informasi, legenda, dan peta dasar.

1. 3.
   Menambahkan analisis: membuat grafik, perbandingan, heatmap, dan AI Assistant.

1. 4.
   Penyempurnaan dan publikasi: memperbaiki tampilan, dokumentasi, dan proses publikasi website.

Tidak ada mitra eksternal, pengumpulan data pembanding dari lapangan, atau uji pengguna formal yang terdokumentasi dalam repository. Dengan demikian, artikel ini mengevaluasi website dan hasil perhitungannya, bukan ketepatan peta terhadap kondisi lapangan.

4.3 Contoh penggunaan

Peneliti dapat memilih tahun untuk melihat sebaran mangrove dan luas total, lalu membuka halaman grafik untuk membaca tren. Pengguna yang ingin membandingkan dua tahun dapat mengaktifkan mode perbandingan dan melihat area yang hilang, bertambah, atau tetap pada peta. Pengguna non-GIS dapat meminta penjelasan statistik melalui AI Assistant tanpa mengakses file peta mentah secara langsung.

5. Hasil dan Evaluasi

5.1 Hasil perhitungan luas mangrove

Data berikut menggunakan hasil yang telah dihitung sebelumnya dan menjadi sumber dashboard serta AI Assistant:

• 2007: luas 13.401,29 ha; perubahan -; perubahan persentase -; jumlah bentuk area pada peta 738.

• 2008: luas 13.281,35 ha; perubahan -119,94 ha; perubahan persentase -0,89%; jumlah bentuk area pada peta 726.

• 2009: luas 13.335,16 ha; perubahan +53,81 ha; perubahan persentase +0,41%; jumlah bentuk area pada peta 610.

• 2010: luas 13.357,81 ha; perubahan +22,65 ha; perubahan persentase +0,17%; jumlah bentuk area pada peta 561.

• 2015: luas 13.370,07 ha; perubahan +12,26 ha; perubahan persentase +0,09%; jumlah bentuk area pada peta 572.

• 2016: luas 13.281,53 ha; perubahan -88,54 ha; perubahan persentase -0,66%; jumlah bentuk area pada peta 623.

• 2017: luas 13.276,49 ha; perubahan -5,04 ha; perubahan persentase -0,04%; jumlah bentuk area pada peta 623.

• 2018: luas 13.336,00 ha; perubahan +59,51 ha; perubahan persentase +0,45%; jumlah bentuk area pada peta 567.

• 2019: luas 13.406,87 ha; perubahan +70,87 ha; perubahan persentase +0,53%; jumlah bentuk area pada peta 541.

• 2020: luas 13.366,67 ha; perubahan -40,20 ha; perubahan persentase -0,30%; jumlah bentuk area pada peta 561.

• 2022: luas 15.189,18 ha; perubahan +1.822,51 ha; perubahan persentase +13,63%; jumlah bentuk area pada peta 864.

Ringkasan hasil:

• Luas tertinggi: 15.189,18 ha pada 2022;

• Luas terendah: 13.276,49 ha pada 2017;

• Perubahan bersih 2007–2022: +1.787,89 ha atau +13,34%;

• Penurunan terbesar antar-tahun: -119,94 ha pada 2008;

• Perubahan terbesar antar-tahun: +1.822,51 ha dari 2020 ke 2022.

5.2 Visualisasi dashboard

Gambar 1 memperlihatkan kartu ringkasan yang digunakan pada dashboard statistik.

Gambar 2 memperlihatkan grafik garis luas per tahun pengamatan. Nilai 2007–2020 relatif berada pada kisaran 13.276–13.407 ha, sedangkan 2022 berada pada 15.189,18 ha.

Gambar 3 memperlihatkan perubahan luas antar-tahun pengamatan. Batang positif menunjukkan kenaikan luas dan batang negatif menunjukkan penurunan luas.

Gambar 4 memperlihatkan fitur metode perbandingan dua tahun untuk menandai area yang hilang, bertambah, atau tetap, serta dilengkapi dengan AI Assistant yang memberikan summary otomatis agar hasil perbandingan lebih mudah dipahami.

Gambar 5 memperlihatkan tampilan heatmap untuk membaca konsentrasi area mangrove pada wilayah studi.

Gambar 6 memperlihatkan kombinasi heatmap dan AI Assistant yang membantu pengguna membaca pola data secara lebih cepat.

5.3 Evaluasi yang tersedia

MangroveSight telah mencakup 11 tahun pengamatan, menyediakan pencarian peta berdasarkan lokasi dan tahun, serta melakukan perbandingan wilayah di server. Luas mangrove dihitung sebelum ditampilkan di website. Namun, proyek ini belum memiliki pengujian kinerja formal.

Belum tersedia pengukuran yang dapat digunakan untuk menyatakan:

• Seberapa tepat peta dibandingkan kondisi nyata di lapangan;

• Seberapa cepat server menjawab pada penggunaan publik;

• Waktu rata-rata sampai peta selesai tampil;

• Kestabilan website dalam jangka panjang;

• Hasil uji pengguna atau perbandingan waktu kerja manual dengan website.

Karena itu, hasil yang disampaikan dalam artikel ini dibatasi pada cakupan fitur dan angka perhitungan luas. Artikel ini tidak mengklaim tingkat ketepatan peta atau kecepatan layanan yang belum diuji.

6. Diskusi

6.1 Interpretasi hasil

Secara keseluruhan, data menunjukkan peningkatan luas mangrove sebesar 13,34% antara 2007 dan 2022. Namun, angka tersebut tidak berarti seluruh area mengalami pemulihan ekologis. Nilai total dapat dipengaruhi oleh perbedaan sumber data, tingkat ketelitian, cara pengolahan, dan cara area digabungkan. Tahun 2022 sangat menonjol: luasnya 1.822,51 ha lebih besar dibandingkan dengan 2020. Lonjakan tersebut harus diperiksa kembali sebelum dianggap sebagai pertumbuhan mangrove di lapangan.

Penurunan tetap terlihat pada 2008, 2016, 2017, dan 2020. Dengan demikian, dashboard lebih tepat digunakan untuk melihat pola perubahan dan menentukan lokasi yang perlu diperiksa lebih lanjut, bukan sebagai satu-satunya dasar keputusan konservasi.

6.2 Keterbatasan

1. 1.
   Sumber data 2022: catatan proyek menyebut beberapa versi sumber data. Versi dataset dan cara pengolahan setiap tahun perlu dipastikan agar perbandingan benar-benar setara.

1. 2.
   Belum ada pemeriksaan lapangan: sistem belum memiliki data pembanding dari lapangan untuk mengukur ketepatan peta.

1. 3.
   Cakupan wilayah: penelitian menggunakan batas kotak wilayah kerja, bukan batas ekosistem mangrove atau batas administrasi yang telah diverifikasi.

1. 4.
   Arti perubahan luas: angka perubahan pada dashboard adalah selisih luas total. Angka tersebut tidak sama dengan luas pasti area yang hilang atau tumbuh di lokasi tertentu.

1. 5.
   Ukuran file peta: website dapat menjadi lebih lambat jika jumlah atau kerumitan area peta bertambah besar.

1. 6.
   Batas pertanyaan AI: pembatas pertanyaan AI masih sederhana dan berjalan pada satu server.

1. 7.
   Layanan luar: peta dasar, AI, hosting, dan publikasi website bergantung pada layanan pihak ketiga.

1. 8.
   Bukan pemantauan langsung: sistem menggunakan data yang telah tersedia dan tidak menerima data satelit atau sensor secara langsung.

6.3 Pelajaran dari proses pembuatan

Pemisahan antara peta dan ringkasan statistik membuat website lebih sederhana dan mengurangi pekerjaan yang harus dilakukan browser. Penyimpanan data berdasarkan lokasi juga memudahkan proses perbandingan wilayah. Di sisi lain, versi sumber data dan cara pengolahannya harus dicatat sejak awal. Untuk penggunaan ilmiah, proses ini perlu dilengkapi dengan catatan sumber, catatan pengaturan, dan pemeriksaan hasil pada beberapa contoh area.

7. Kesimpulan

MangroveSight berhasil mengubah data peta dan statistik mangrove menjadi website yang dapat digunakan untuk mengeksplorasi perubahan mangrove di Teluk Balikpapan. Sistem menyediakan peta berdasarkan tahun, perbandingan dua tahun, heatmap, dashboard statistik, ekspor data, dan AI Assistant yang menggunakan ringkasan data proyek.

Data yang telah dihitung menunjukkan luas 13.401,29 ha pada 2007 dan 15.189,18 ha pada 2022, dengan perubahan bersih +1.787,89 ha (+13,34%). Hasil ini berguna sebagai gambaran awal, tetapi lonjakan 2022 dan perbedaan sumber data perlu diperiksa sebelum dijadikan kesimpulan tentang kondisi ekosistem. Dengan batasan tersebut, MangroveSight membantu menjawab masalah sulitnya mengakses data mangrove dan menyediakan dasar untuk pemantauan yang lebih baik.

8. Rekomendasi dan Pengembangan Berikutnya

Pengembangan berikutnya yang paling penting adalah:

1. 1.
   Memastikan versi dan sumber data setiap tahun konsisten;

1. 2.
   Menambahkan pemeriksaan lapangan untuk menguji ketepatan peta;

1. 3.
   Mengukur kecepatan dan kestabilan website;

1. 4.
   Menghitung secara terpisah luas area yang benar-benar hilang dan bertambah;

1. 5.
   Mengoptimalkan cara pengiriman peta ketika data menjadi lebih besar;

1. 6.
   Memperkuat pembatasan penggunaan AI;

1. 7.
   Menyimpan catatan sumber dan proses pengolahan secara lebih lengkap;

1. 8.
   Menambahkan pemberitahuan perubahan atau perkiraan masa depan setelah hasil dasar tervalidasi;

1. 9.
   Memperluas sistem ke wilayah pesisir lain.

9. Referensi

1. 1.
   Bunting, P., Rosenqvist, A., Lucas, R. M., Rebelo, L.-M., Hilarides, L., Thomas, N., Hardy, A., Itoh, T., Shimada, M., & Finlayson, C. M. (2022). Global Mangrove Extent Change 1996–2020: Global Mangrove Watch Version 3.0. Remote Sensing, 14(15), 3657.

1. 2.
   Global Mangrove Watch. (2022). Global Mangrove Watch v3.0 Dataset. Zenodo. https://doi.org/10.5281/zenodo.6894273

1. 3.
   Japan Aerospace Exploration Agency Earth Observation Research Center. (2026). ALOS. https://www.eorc.jaxa.jp/ALOS/en/index_e.htm

1. 4.
   FastAPI. (2026). FastAPI Documentation. https://fastapi.tiangolo.com/

1. 5.
   PostGIS Project. (2026). PostGIS Documentation. https://postgis.net/documentation/

1. 6.
   React Leaflet. (2026). React Leaflet Documentation. https://react-leaflet.js.org/

1. 7.
   Recharts. (2026). Recharts Documentation. https://recharts.org/

1. 8.
   OpenRouter. (2026). OpenRouter API Documentation. https://openrouter.ai/docs

10. Lampiran

A. Struktur output statistik

File statistik memiliki tiga bagian utama:

B. Reproduksibilitas

Urutan pipeline lokal adalah:

Tahap import memerlukan PostgreSQL dengan ekstensi PostGIS dan DATABASE_URL yang valid. Backend membaca salinan statistik dari backend/data/mangrove_stats.json ketika output pipeline tidak tersedia di environment deployment.

C. Akses proyek

• Repository GitHub: https://github.com/titan2903/MangroveSight

• WebGIS: https://mangrovesight.netlify.app