Pada klasifikasi terbimbing, secara otomatis citra dikelaskan berdasarkan nilai spektral atau nilai statistik masing-masing kelas dari training area yang dibuat. Pada klasifikasi ini dibuat sebanyak 12 kelas tutupan lahan, yaitu pohon, semak dan kebun, kebun teh, sawah, rumput, kebun teh potong, tanah kosong, permukiman, jalan, sungai, awan, bayangan awan (Gambar. 4). Citra Ikonos mampu mendeteksi tutupan lahan sampai tingkat jenis, dimana untuk tutupan Pinus sp. dapat terlihat perbedaannya dengan hutan campuran dengan warna yang lebih gelap dan dari bentuk tajuknya.
Analisis Separabilitas
Dari hasil klasifikasi dengan pembuatan training area, dilakukan analisis separabilitas dengan mengacu pada kriteria separabilitas. Pada matrik terlihat dari 66 pasang kelas, ada 37 pasang kelas yang termasuk kategori terpisah sangat baik (excellent) (bernilai 2000), 23 pasang kelas yang masuk kedalam kategori terpisah baik (good), 2 pasang kelas yang masuk kedalam kategori terpisah cukup baik (fair), 3 pasang kelas yang masuk kedalam kategori terpisah kurang baik (poor) yaitu antara pohon dengan semak dan kebun, dan 1 pasang kelas yang masuk kedalam kategori tidak terpisahkan (inseparable) atau yang paling sulit dikalsifikasi, yaitu antara jalan dan sungai.
Adanya pasangan kelas yang masuk kedalam kategori terpisah kurang baik dan tidak terpisahkan adalah karena secara spektral nilai antara kelas yang bersangkutan (pohon dengan semak dan kebun, jalan dengan sungai) relatif sama sehingga dalam proses klasifikasi bisa masuk kedalam kelas lain. Selain itu, dengan resolusi spasial citra Ikonos yang tinggi, yaitu 1 x 1m, sebaran nilai pikselnya lebih lebar dibandingkan citra yang resolusi spasialnya lebih rendah sehingga kemungkinan suatu kelas masuk ke kelas lain juga lebih besar.
Kelas C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C1 0 1999.97 1221.34 2000 2000 2000 1999.91 1999.91 2000 2000 2000 2000 C2 0 1998.73 2000 2000 2000 1999.64 2000 2000 2000 2000 1969.38 C3 0 2000 2000 2000 1994.42 1999.37 2000 1999.89 2000 1996.92 C4 0 2000 2000 2000 2000 2000 2000 2000 2000 C5 0 2000 2000 2000 2000 2000 2000 2000 C6 0 2000 1999.99 1996.26 1982.87 1998.32 1999.43 C7 0 1985.64 1999.71 1996.65 1999.96 1982.54 C8 0 1659.66 1819.78 1968.29 2000 C9 0 1773.16 1827.47 1999.98 C10 0 1704.58 1998.2 C11 0 2000 C12 0
Tabel 9. Matriks Separabilitas Transformed Divergence
Keterangan :
C1
: Sungai
C7
: Kebun Teh Potong
C2 : Permukiman C8 : Pohon
C3 : Jalan C9 : Semak dan Kebun
C4 : Awan C10 : Sawah
C5
: Bayangan Awan
C11
: Kebun Teh
Evaluasi Akurasi
Metode evaluasi akurasi yang digunakan disini adalah dengan user’s accuracy, producer’s accuracy, overall accuracy dan Kappa accuracy. Jumlah keseluruhan piksel yang dibuat ada 60423 piksel dengan komposisi terbanyak adalah bayangan awan dan yang paling sedikit adalah sungai. Untuk user’s accuracy yang merupakan hasil pembagian matrik diagonal dengan total kolom, didapatkan kelas dengan tingkat akurasi tertinggi yaitu rumput dengan nilai 98,384%. Dari 2290 piksel yang terklasifikasi sebagai kelas rumput, ada sebanyak 2253 piksel, 4 piksel kedalam kelas tanah kosong dan 33 piksel kedalam kelas sawah, sedangkan kelas dengan user’s accuracy terendah adalah sawah dengan nilai 78,8% dimana dari 1217 piksel yang terklasifikasi sebagai sawah, 959 piksel masuk kedalam kelas sawah, 9 piksel kedalam kelas pemukiman, 1 piksel kedalam kelas sungai, 20 piksel kedalam kelas rumput, 16 piksel kedalam kelas kebun teh potong, 5 piksel kedalam kelas pohon, 33 piksel kedalam kelas semak dan kebun, dan 174 piksel kedalam kelas kebun teh. Dengan rata-rata user’s accuracy sebesar 91,422%, berarti masih bisa digunakan dengan mengacu bahwa akurasi minimal adalah 85%.
Pada producer’s accuracy kelas dengan tingkat akurasi tertinggi adalah awan dengan nilai 99,98% dimana dari 13022 piksel yang terklasifikasi sebagai awan, 13020 masuk kelas awan dan 2 piksel masuk kedalam kelas pemukiman, sedangkan kelas dengan tingkat akurasi terendah adalah sawah dengan nilai 65,23% dimana dari 1470 piksel yang terklasifikasi sebagai sawah, 959 yang masuk kedalam kelas sawah, 1 piksel kedalam kelas sungai, 3 piksel kedala kelas jalan, 74 piksel kedalam kelas tanah kosong, 33 piksel kedalam kelas rumput, 134 piksel kedalam kelas pohon, 106 piksel kedalam kelas semak dan kebun, dan 160 piksel kedalam kelas kebun teh. Sama halnya dengan user’s accuracy, dengan rata-rata 89,131% producer’s accuracy ini masih bisa diterima.
Untuk mengetahui tingkat akurasi keseluruhan, bisa dilihat dari overall accuracy dan Kappa accuracy. Disini digunakan Kappa Accuracy karena memperhitungkan semua elemen dalam kolom sehingga hasilnya akan lebih akurat. Overall accuracy yang diperoleh adalah 94,906% dan Kappa accuracy sebesar 93,699%.
Jika dilihat pada tabel, ada kelas yang mempunyai akurasi tinggi dan ada yang rendah, hal ini disebabkan oleh beberapa faktor baik internal maupun eksternal. Secara internal, citra Ikonos dengan resolusi tinggi 1 x 1m pasti mempunyai jumlah piksel yang semakin banyak seiring semakin besarnya cakupan wilayah penelitian. Dengan semakin banyaknya jumlah piksel, variasi nilai spektral akan semakin banyak dan pada akhirnya akan semakin sulit mengklasifikasikan secara digital karena kemungkinan satu piksel dalam sauatu kelas masuk ke kelas lain besar. Menurut Atkinson dan Tate (1999), sehubungan dengan semakin tingginya resolusi spasial, biasanya akan semakin tinggi pula noise pada citra. Dengan tingginya resolusi spasial, banyak pula informasi pada citra yang bisa didapatkan, namun akurasi klasifikasi kemungkinan menurun.
Data Acuan Training Area C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C1 1004 14 164 0 5 0 0 0 0 0 0 0 1187 84.583 C2 20 1877 29 152 0 0 15 0 0 9 0 135 2237 83.907 C3 93 14 1252 0 57 0 22 0 0 1 0 0 1439 87.004 C4 0 2 0 13020 0 0 0 0 0 0 0 0 13022 99.984 C5 0 0 0 0 20713 0 0 7 0 0 0 0 20720 99.966 C6 0 0 0 0 0 2253 0 0 1 20 2 5 2281 98.772 C7 1 24 10 0 0 0 2071 22 7 16 0 56 2207 93.837 C8 5 0 0 0 551 0 0 4095 81 5 18 0 4755 86.119 C9 0 0 1 0 0 0 0 193 2017 33 122 0 2366 85.249 C10 1 0 3 0 0 33 0 134 106 959 160 74 1470 65.23 C11 0 0 0 0 0 0 0 55 55 174 4226 0 4510 93.702 C12 0 234 1 86 0 4 46 0 0 0 0 3858 4229 91.227 Total Kolom 1124 2165 1460 13258 21326 2290 2154 4506 2267 1217 4528 4128 60423 User's Acc (% ) 89.323 86.697 85.753 98.204 97.125 98.384 96.146 90.878 88.972 78.8 93.33 93.459 Overall Acc (% ) 94.906 Kappa Acc (% ) 93.699
Diklasifikasi Sebagai Kelas Total
Baris
Producer's
Acc (% )
Tabel 10. Matrik Kesalahan (Error Matrix)
Keterangan :
C1 : Sungai C5 : Bayangan Awan C9 : Semak dan Kebun
C2 : Permukiman C6 : Rumput C10 : Sawah
C3 : Jalan C7 : Kebun Teh Potong C11 : Kebun Teh
30
Penghitungan Indeks Vegetasi
Indeks vegetasi yang dibuat yaitu dibagi menjadi 2 kelas besar, yaitu vegetasi dan non vegetasi. Untuk non vegetasi seperti jalan, sungai, pemukiman, sawah kosong, tanah kosong, kebun kosong, kebun teh potong, awan dan bayangan awan, memiliki indeks vegetasi antara -1 ~ 0. Vegetasi dibagi lagi menjadi pohon, sermak dan kebun, kebun teh, sawah dan rumput dengan kisaran nilai NDVI dari 0 ~ 0,992188. Untuk kisaran nilai 0 ~ 0,164063, menunjukkan nilai NDVI sawah dan rumput, kisaran nilai > 0,164063 ~ 0,328125, adalah nilai NDVI untuk kebun teh, sawah, semak dan rumput. Kisaran nilai > 0,328125 ~ 0,492188 adalah nilai NDVI untuk semak, kebun dan sawah, sedangkan kisaran nilai > 0,492188 ~ 0,99218 adalah nilai NDVI untuk pohon dan semak. Untuk lebih jelasnya dapat dilihat pada Tabel 11.
Tabel 11. Nilai Indeks Vegetasi
Pada kenyataannya, nilai NDVI vegetasi memang lebih besar dari permukaan bumi yang lain. Hal ini membantu untuk membedakan vegetasi dan dapat berguna untuk monitoring vegetasi. Vegetasi hijau yang sehat merefleksikan sebagian besar near-infrared dan nilai sinar merah (red) cenderung menurun seiring dengan bertambahnya vegetasi (Parkinson, 1997). Dengan semakin tingginya nilai NDVI berarti vegetasipun semakin banyak atau rapat. Hal ini dibuktikan dari hasil penghitungan, bahwa rumput dan sebagian sawah mempunyai nilai NDVI yang lebih kecil dari tutupan vegetasi yang lainnya.
Jenis Tutupan Lahan Nilai Indeks Vegetasi
Non Vegetasi -1 ~ 0
Sawah dan rumput 0 ~ 0,164063
Kebun teh, sawah, semak dan rumput > 0,164063 ~ 0,328125 Semak, kebun dan sawah > 0,328125 ~ 0,492188
31
Gambar 5. Peta Kisaran Nilai NDVI
Pada gambar ditampilkan penampakan tutupan lahan yang dibuat pada citra dan keadaan di lapangan :
Gambar 6. (1a) Hutan pada citra, (1b) Hutan di lapangan, (2a) Semak pada citra, (2b) Semak di lapangan.
1a
2b 2a
32
Gambar 6. (lanjutan) (3a) Kebun pada citra, (3b) Kebun di lapangan, (4a) Sawah pada citra, (4b) Sawah di lapangan, (5a) Rumput pada citra, (5b) Rumput di lapangan, (6a) Kebun teh potong pada citra, (6b) Kebun teh potong di lapangan 4b 4a 6a 6b 5a 5b 2a 2b
33
Gambar 6. (lanjutan) (7a) Sawah kosong pada citra, (7b) Sawah kosong di lapangan, (8a) Kebun kosong pada citra, (8b) Kebun kosong di lapangan, (9a) Tanah kosong pada citra, (9b) Tanah kosong di lapangan, (10a) Permukiman pada citra, (10b) Permukiman di lapangan. 7b 7a 8b 8a 9a 10a 9b 10b
34
Gambar 6. (lanjutan) (11a) Jalan pada citra, (11b) Jalan di lapangan, (12a) Sungai pada citra, (12b) Sungai di lapangan, (13a) Awan pada citra, (14a) Bayangan Awan pada citra.
Kondisi Tutupan Vegetasi Secara Umum
Secara umum, tutupan vegetasi di sub DAS Ciliwung Hulu masih baik, dengan komposisi antara lahan yang diperuntukan bagi vegetasi dan non vegetasi yang masih seimbang bahkan lebih banyak vegetasi (8773, 853 ha). Untuk pohon, di daerah sub DAS Ciliwung ini terdapat berbagai jenis pohon-pohonan diantaranya kayu manis, pinus (Pinus merkusii), ki endog, pasang kapas, riung anak, pohon buah-buahan dan lain-lain (Lampiran 2). Untuk penyebarannya, tiap jenis tidak merata. Pinus lebih banyak ditemui ditepi hutan, kayu manis banyak terdapat di Perkebunan Teh Gunung Mas, sedangkan yang lain tersebar.
11a 11b
12a 12b
14a 13a
35
Semak dan kebun tersebar di seluruh daerah penelitian. Untuk semak biasanya ditemui didekat hutan atau didalam hutan, disisi sungai dan dekat kebun- kebun, sedangkan kebun tersebar juga mangingat daerah puncak juga merupakan penghasil sayur-sayuran. Jenis-jenis tanaman yang ditanami diantaranya wortel, terung, cabai, sawi, ubi, daun bawang, kacang-kacangan dan lain-lain.
Kebun teh baik yang masih hijau (1129,640 ha) ataupun yang sudah dipanen /dipotong (442,180 ha) membentang cukup luas di daerah ini. Disana terdapat 2 perkebunan teh, yaitu perkebunan teh Gunung Mas dan perkebunan teh Ciliwung yang letaknya bersebrangan dan dalam manajemen pengelolaan yang berbeda.
Tutupan sawah masih cukup banyak dan sebagian besar adalah sawah irigasi. Untuk rumput, sebagian besar tutupan rumput adalah rumput yang berada di halaman-halaman vila atau penginapan, dan sebagian adalah lapangan rumput.
Berdasarkan data dari Badan Pusat Statistik (BPS) tahun 2003, dari segi ekonomi produksi sayuran yang paling banyak adalah sawi dan daun bawang baik di Kecamatan Ciawi, Megamendung maupun Cisarua. Produksi sawi dan daun bawang tahun 2003 di Kecamatan Cisarua adalah 15.960 kg dan 13.345 kg, di Kecamatan Megamendung 13.240 kg dan 11.284 kg.