4. HASIL PENELITIAN DAN PEMBAHASAN 1 Identifikasi Degradasi Hutan di Lapangan
4.3 Hasil Uji Akurasi Kerapatan Hutan Menggunakan 4 Kelas Kerapatan Hutan
Hasil klasifikasi FCD, maximum likelihood, fuzzy dan belief tahun 2008 diuji keakuratannya dengan kerapatan kanopi lapangan, LAI, crown indicator
(CSI,CDI dan VCR), kerapatan tegakan, lbds dan volume. Hasil overall accuracy
dan analisis Kappa dengan berbagai indikator lapangan maka dapat dilihat pada Tabel 17.
Pada klasifikasi FCD dapat dilihat bahwa untuk klasifikasi kerapatan hutan dapat menggunakan kerapatan kanopi dan kerapatan tegakan diameter > 5cm. Akurasi kerapatan kanopi adalah lebih besar dari 85%. Pengunaan indikator kerapatan tegakan diameter > 5cm mempunyai akurasi sedang yaitu 61%. Penggunaan indikator LAI, CSI, CDI, VCR, lbds dan volume tidak dapat digunakan karena mempunyai akurasi yang rendah.
Tabel 17 Hasil uji akurasi klasifikasi FCD, Maximum Likelihood, Fuzzy dan Belief Demspter Shafer menggunakan 4 kelas kerapatan hutan
No Indikator Lapangan Hasil Uji Akurasi (%)
FCD Maximum
Likelihood Fuzzy Belief Overall accuracy Akurasi Kappa Overall accuracy Akurasi Kappa Overall accuracy Akurasi Kappa Overall accuracy Akurasi Kappa 1 Kerapatan Kanopi 86 79 71 60 67 51 65 49 2 LAI 53 37 49 32 47 27 51 35 3 CSI 59 43 60 45 54 36 45 25 4 CDI 60 45 59 40 59 40 56 40 5 VCR 59 42 60 42 59 39 52 32 6 Kerapatan Tegakan > 5cm 61 46 57 40 49 31 45 27 7 Lbds > 5cm 58 46 50 37 45 29 47 32 8 Volume 39 30 35 25 35 27 31 21
Pada klasifikasi maximum likelihood maka klasifikasi kerapatan hutan hanya dapat menggunakan indikator kerapatan kanopi dengan akurasi sedang yaitu 71%. Penggunaan indikator LAI, CSI, CDI, VCR dan Lbds tidak dapat digunakan karena mempunyai akurasi yang rendah. Penggunaan klasifikasi fuzzy
mempunyai akurasi sedang pada indikator kerapatan kanopi yaitu 67%, sedangkan pada indikator lainnya adalah rendah. Berdasarkan akurasinya maka klasifikasi kerapatan hutan menggunakan klasifikasi fuzzy dan maximum likelihood relatif kurang baik.
Klasifikasi belief kurang baik digunakan untuk klasifikasi kerapatan hutan. Akurasi klasifikasi ini menunjukkan bahwa akurasinya dibawah 60% untuk semua indikator lapangan kecuali indikator kerapatan kanopi. Akurasi tertinggi hanya didapatkan pada indikator kerapatan kanopi 65%. Penggunaan kerapatan hutan lainnya diantaranya LAI, CSI, CDI, VCR dan Lbds mempunyai akurasi yang rendah.
Pada indikator lapangan menggunakan indikator tajuk (crown indikator) yaitu CSI, CDI dan VCR, klasifikasi FCD mempunyai akurasi yang rendah.
Crown indicator merupakan indikator tegakan yang tidak hanya mencerminkan dimensi horizontal tajuk tetapi juga vertikal dan kualitas tajuk. Berdasarkan indikator ini maka FCD tidak dapat digunakan untuk mendeteksi kualitas tajuk. Sedangkan untuk dimensi horizontal tajuk yaitu menggunakan kerapatan kanopi mempunyai akurasi yang tinggi yaitu 86%. Hal ini berarti bahwa apabila kerapatan tajuk digunakan sebagai indikator degradasi hutan sehingga klasifikasi FCD dapat diterapkan dengan baik.
Indikator lain yang sering digunakan dalam klasifikasi kerapatan hutan adalah dengan LAI. Indek luas daun (LAI) merupakan total luas daun yang pada tegakan. LAI biasanya digunakan dalam pendugaan biomasa dan untuk identifikasi degradasi hutan. Klasifikasi FCD mempunyai akurasi yang rendah (53%) untuk klasifikasi LAI sehingga tidak dapat diterapkan untuk mendeteksi LAI.
Indikator kerapatan hutan dapat pula didekati dengan luas bidang dasar. Klasifikasi FCD untuk mendeteksi luas bidang dasar ini menunjukkan akurasi yang rendah yaitu 58%. Hal ini dapat dikatakan bahwa FCD tidak dapat digunakan untuk mendeteksi degradasi hutan dengan menggunakan klasifikasi kerapatan berdasarkan luas bidang dasar.
Tingkat akurasi pada masing-masing kelas kerapatan hutan dapat dilihat pada Tabel 18. Berdasarkan Tabel 18 maka dapat disimpulkan bahwa perbedaan kelas kerapatan hutan pada klasifikasi FCD berpengaruh terhadap tingkat akurasinya. Hal ini dapat dilihat pada user accuracy pada kelas hutan kerapatan rendah (H1), kerapatan sedang (H2) dan kerapatan sangat tinggi (H4) mempunyai
akurasi dibawah 85%, sedangkan pada kelas hutan tinggi mempunyai akurasi lebih besar dari 85%.
Tabel 18 Hasil uji akurasi klasifikasi FCD, Maximum Likelihood, Fuzzy dan Belief Demspter Shafer per 4 kelas kerapatan hutan.
No Kerapatan hutan
Hasil Uji Akurasi (%)
FCD Maximum Likelihood Fuzzy Belief User’s Accuracy Produser Accuracy User’s Accuracy Produser Accuracy User’s Accuracy Produser Accuracy User’s Accuracy Produser Accuracy 1 NH 100 86 100 85 85 85 85 85 2 H1 83 71 86 86 40 40 54 75 3 H2 62 83 62 71 28 28 0 0 4 H3 92 92 88 84 80 91 83 77 5 H4 80 80 75 30 100 25 100 20
Keterangan: NH = Non Hutan, H1 = Kerapatan Rendah, H2 = Kerapatan Sedang, H3= Kerapatan Tinggi, H4 = Kerapatan Sangat Tinggi
Akurasi klasifikasi menggunakan user’s acuracy yang mempunyai akurasi rendah hanya pada kelas kerapatan hutan sedang yaitu 62%. Hal ini berarti bahwa klasifikasi menggunakan FCD kurang baik digunakan pada kelas kerapatan sedang atau rendah. Oleh sebab itu maka klasifikasi FCD pada kelas kerapatan hutan tinggi dapat digunakan secara baik. Akan tetapi apabila menggunakan dua indikator akurasi yaitu producer’s acuracy dan user’s acuracy maka hanya pada klas kerapatan tinggi yang mempunyai akurasi lebih besar dari 85%. Hal ini dapat diartikan bahwa algoritma yang dibangun oleh FCD kurang dapat meminimalkan efek latar belakang tanah dalam mempengaruhi nilai spektral pada kelas kerapatan hutan sedang dan rendah. Akan tetapi pada kelas kerapatan tinggi algortima yang dibangun oleh metode FCD terbukti dapat mengurangi efek latar belakang tanah.
Berdasarkan Tabel 18 maka dapat disimpulkan bahwa dengan menggunakan
producer’s accuracy dan user’s accuracy maka hanya pada kelas hutan kerapatan rendah yang dapat diklasifikasi dengan baik oleh klasifikasi maximum likelihood. Pada kerapatan hutan, sedang dan sangat tinggi mempunyai tingkat akurasinya yang rendah.
Hal ini disebabkan pada kelas kerapatan hutan sedang terdapat kesalahan yang tinggi akibat dari heterogenitas dari tutupan hutan yang bercampur antara tanah dan vegetasi hutan. Pada hutan yang mempunyai kerapatan tinggi mempunyai akurasi yang rendah dikarenakan pengaruh tutupan kanopi hutan yang
tegakan yang berdiameter lebih besar dari 20 cm. Pada kerapatan hutan yang tinggi dimungkinkan tegakan dibawah 20 cm tidak dapat direkam oleh sensor satelit. Pada kerapatan hutan sedang terdapat beberapa kelas yang masuk pada kelas pertanian lahan kering sehingga berakibat tingkat akurasinya menjadi rendah
Pada klasifikasi fuzzy hanya dapat digunakan pada kerapatan hutan yang sangat tinggi karena mempunyai user’s accuracy lebih besar dari 85%. Sedangkan pada kelas hutan yang kerapatannya lebih rendah maka akurasinya lebih rendah dari 85%. Hal ini disebabkan karena pada saat penentuan piksel
training area merupakan training area yang bercampur sehingga pada hasil klasifikasinya terdapat beberapa kelas yang masuk ke kelas lainnya. Penentuan fungsi keanggotaan juga menentukan kualitas dari hasil klasifikasi ini.
Pada klasifikasi belief, kerapatan hutan yang sangat rendah dan rendah mempunyai tingkat akurasi yang rendah. Pada kerapatan hutan sedang dan tinggi mempunyai akurasi yang lebih baik. Hal ini dapat dilihat pada user’s
accuracy yang kelas H1, H2 dan H3 yang mempunyai akurasi dibawah 85%.
4.4 Hasil Uji Akurasi Tingkat Degradasi Menggunakan 3 Kelas Degradasi
