Kajian Penggunaan Data Ikonos dan Landsat untuk Evaluasi Hutan Hujan Tropika Dataran Rendah

KAJIAN

PENGGUNAAN DATA IKONOS DAN

LANDSAT UNTUK EVALUASI HUTAN HUJAN

TROPIKA DATARAN RENDAH

OLEH

:

HILDANUS

PROGRAM PASCASARJANA

INSTITUT PERTANIAN

BOGOR

ABSTRAK

HILDANUS. Kaj ian Penggunaan Data Ikonos dan Landsat untuk Evaluasi Hutan Hujan Tropika Dataran Rendah. Dibimbing oleh UPIK ROSALINA dan

M.

BUCE

SALEH.

Penelitian penggunaan data Ikonos Pan

-

Multispektral (gabungan Pan dengan Multispektral) RGB 432 dan Landsat Multispektral optik (non-tennal) untuk evaluasi hutan hujan tropika dataran rendah di Hutan Lindung Gunung Beratus Kalimantan Timur bertujuan untuk: (1) mengkaji kemarnpuan data satelit Ikonos dan Landsat untuk mengklasifikasikan penutupan hutan secara digital serta menentukan kombinasi pita spelctral dari Ikonos dan Landsat yang terbaik, dan (2) mencari hubungan matematis terbaik antara nilai respon s p e w pada citra lkonos dan Landsat, masing- masing dengan jumlah pohon, rata-rata tinggi total, basal area, biomasa bagian po hon di atas tanah, LAI, dan penutupan tajuk, di hutan hujan tropika dataran rendah.

Penggunaan Ikonos RGB 432 dan Ikonos kombinasi 2 pita spektral yang menggunakan pita 4 (pita i n h e r a h dekat) dalam kombinasinya dapat menghasilkan akurasi klasifikasi (overall accuracy, Kappa accuracy, user's accuracy, dan producer's accuracy) > 85 % untuk mengkelaskan citra yang meliput hutan menjadi Log Over Area (LOA), semak, awan tebal, awan tipis, bayangan awan, dm bqangan relief Klasifikasi terhadap Ikonos RGB 432 mempunyai transformasi divergensi rata- rata dan minimum, overall accuracy, dan Kappa accuracy berturut-turut 1992, 1938, 100 %, dan 100 %. Dataset Ikonos pita 2-4 terbaik di antara dataset Ikonos kombinasi 2 pita spektral, dengan trans formasi divergensi rata-rata dan minimum, overall accuracy, dan Kappa accuracy berturut-turut 1990,1925, 99,87 %, dan 99,81%.

Penggunaan 3 sampai 6 pita spektral Landsat Multispektrd optik dapat menghasilkan akurasi hasil kl asifikasi (ovaall accuracy, Kappa accuracy, user's accuracy, dan producer's accwacy) > 85 % untuk mengkelaskan citra yang meliput hutan menjadi Log Over Area (LOA), semak, tanah terbuka, bayangan reliec campwan LOA dengan bayangan relief, awan, dan bayangan awan. Dataset Landsat pita 1-2-4-5-7 m e r u p a h dataset yang terbaik di antara semua dataset yang dapat dibuat dari 6 pita spektral Landsat Multispektral optik, dengan transformasi divergensi rata-rata dan minimum, overall accuracy, dan Kappa accuracy berturut- tumt 1975, 1814, 96,37 %, dan 95,72 %. Dataset Landsat pita 2-4-5 tehaik di antara dataset Landsat kombinasi 3 pita spektral, dengan transformasi divergensi rata-rata dan minimum, overall accuracy, dan Kappa accuracy berturut-turut 1959, 1754, 94,56 %, clan 9339 %.

Citra

NDVI

Landsat berkorelasi dengan rata-rata tinggi total, basal sea, biomasa di atas permukaan tanah, LAI, dan penutupan tajuk dari pohon berdiameter 10 cm atau lebih, tetapi tidak mempunyai korelasi dengan jurnlah pohoa Model regresi linier antara

NDVI

Landsat dengan rata-rata tinggi total, basal area, biomasa di atas permukaan tanah, LAI, dan luas penutupan tajuk ialah:

Rata-rata tinggi total = -2,22642

+

57,407NDVI; R' = 54,9 %

Basal area = -42,8128

+

184,070NDVI; R~ = 70,6 %

LA1 = -16,5396 -t 64,763irNDVI;

R~

= 69,5 %

Penutupan tajuk = 43,5987

+

63,6993NDVI; S = 9,81106;

R~

= 5,6 %

CitraNDVI Ikonos piksel 5, 10, dan 20 m hasil interpolasi/ resampling piksel dari Ikonos Pan-Multispektral

RGB

432 piksel 1 m tidak dapat digunakan untuk menduga jumlah pohon, rata-rata tinggi total, basal area, biomasa bagian pohon di

SURAT PERNYATAAN

Dengan ini sayamenyatakan bahwa tesis yang berjudul:

KAJIAN PENGGUNAAN DATA IKONOS DAN LANDSAT UNTUK EVALUASI HUTAN HUJAN TROPIKA DATARAN RENDAH

adalah benar hasil karya saya dan belum pernah dipublikasikan. Semua sumber dan infonnasi yang digunakan telah dinaydakan secara jelas dan dapd diperiksa

kebenarannya

KAJIAN PENGGUNAAN

DATA

IKONOS

DAN

LANDSAT UNTUK EVALUASI HUTAN

W A N

TROPIKA DATARAN RENDAH

HILDANUS

Tesis

sebagai salah satu sy& untuk memperoleh g e l s Magistet- Sain pada

Program Studi Ilmu Pengetahuan Kehutanan

PROGRAM PASCASAWANA

INSTITUT PERTANIAN B O O R

Judul Tesis : Kajian Penggunaan Data Ikonos dan Landsat untuk Evaluasi Hutan Hujan Tropika Dataran Rendah

Nama : Hildanus

Nomor Pokok : 99319

Program Studi : Ilmu Pengetahuan Kehutanan

Menyetujui:

1. Komisi Pembimbing

Dr. Ir. Upik Rosalina, DEA

Ketua

Dr. Ir. M. Buce Saleh, MS

Anggota

Mengetahui:

2. Ketua Program Studi 3. Direktur Program Pascasarjana Ilmu Pengetahuan Kehutanan

d

3

Prof. Dr. Ir. Cecep Kusmana, MS

2

7 JAN 2003

Penulis dilahirkan di P h g pada tanggal 13 Oktober 1963 sebagai anak kedua dari ayah Abulinar (alrnarhum) dan ibu Marjani

(almarhumah).

Tahun 1982, penulis lulus

dai

SMA Negeri 1 Padang, clan pada tahun yang sama lulus seleksi m a d Universitas Andalas Padang. Pendidikan sarjana ini

ditempuh di Program Stud Ilmu Tauah, Fakultas Pataniaa, dan lulus pada tahun 1987. Tahun 1987

-

1992, penulis bekerja di

PT.

Peconina

B m

yang btxgecsk

di

bidang perkebunan teh, dm sejak tahun 1992 sanpai seklatsng bedugas sebagai staf

pengajar Kopertis Wilayah 1 Medan di Sekolah Tinggi Ihnu Kehutanan Pante Kulu

Bmda Aceh.

Pada tahun 1999, penuiis mendapat kesempatan untuk melanjutkm stud Pascasarjana (S2)

di

Program Studi Ilmu Kehutanan Program Pascasajana IPB

PRAKATA

Puji syukur ke hadhit Allah SWT karena atas segala rahmat dan karunia-Nya penulisan tesis ini dapat terselesaikan Tema yang dipilih dalam penelitian yang dilaksanakan dari bulan Juli 2001 sampai Oktober 2001 di Hutan Lindung Gunung Beratus Kalimantan Timur ialah penggunaan data satelit di kehutanan.

Terima kasih penulis ucapkan kepada Ibu Dr. Ir. Upik Rosalina, DEA dm Bapak Dr. Ir. M Buce Saleh, M S selaku pembimbing pada penyusunan tesis. Disamping itu, penulis mengucapkan tsrima kasih kepada Ibu Dr. Ir. Upik Rosdina,

DEA sebagai Kepala Laboratorium Ekologi Hutan Fakultas Kehutanan IPB yang telah memberi kesempatan untuk menggunakan data satelit Ikonos dan Landsat serta s o f l ~ r e pengolahan citra dan fasilitas lainnya selama penelitian. Selanjutnya terima kasih diucapkan kepada Bapak Edi Pennana, S.Hut, Bapak Aep Hidayat, BscF, Sdr. Waluyo, Sdr. Hasan Rohim dan Ibu Murdhiani (Staf Laboratorium Ekologi Hutan) serta Bapak Saeful Ichwan, S.Hut ( S M LMGC-IPB) yang membantu selma pengumpulan data, pimpinan dan staf HPH PT. Balik Papan Forest Indwtries

(BR)

Semoga tesis ini dapat menjadi sumbangan yang berarti bagi ilmu

pengetahuan, khususnya ilmu pengetahunan kehutanan dm penginderaan jauh.

Bogor, September 2002

DAFTAR IS1

DAFTAR GAMBAR

DAFTAR LAMPIRAN

I. PENDAHULUAN

1.1. Latar Belakang 1.2. n j u m Penelitim 1.3. Hipotesis Penelitian

11. TINJAUAN PUSTAKA 2.1. Pendugaan Biornasa 2.2. Indeks Luas Daun 2.3. Indeks Vegetasi 2.4. Citra Satelit

111. MmODOLOGI

3.1. Tempat dan Waktu Penelitian 3.2. Citra dm Data Pendukung 3.3. &@ware dm Hardware

3.4. P e d d a n Lapangan 3.5. Prosedur Penelitian

IV. HASIL DAN PEMBAHASAN 4.1. Klasifrkasi Citra

4.1.1. Ikonos 4.1.2. Landsat 4.2. Korelasi

DAFTAR TABEL

Spesifikasi Ikonos 12

Karakt.eristik dari Landsat

TM

dan ETM+ 14

Kriteria tingkat keterpisahan 23

[image:135.571.72.501.38.727.2]

Matriks kesalahan (confusion matrix) 25

Tabel sidik ragan 3 0

Transform asi divergensi rat a d a dan m inimum

,

overall accuracy, dan Kappa accuracy dari hasil klasifikasi Ikonos RGB 432 dan Ikonos 34 kombinasi 2 pita spektral

User's accuracy dan producer's accuracy untuk Log Over Area dan

semak dari hasil klasifikasi Ikonos 35

Jumlah dataset yang dapat dibuat dari 1 pita spektral, kombinasi 2 , 3 , 4 , dan 5 pita spektral, serta 6 pita spektral pada Landsat Multipektrai 37 optik

Trandomasi dive-rgensi rata-rata dan minimum, overall accuracy, dan Kappa accuracy dari hasil klasifikasi dataset kombinasi 2, 3, 4, dan 5 39 pita spektral, serta 6 pita spektral pada Landsat Multipektral optik

User's accuracy dan producer's accuracy wituk Log Over Area dm

semak dari hasil klasifikasi Landsat 4 1

Rata-rata per hektar jurnlah pohon, basal area, biomasa, LAI, dan

penutupan tajuk pada plot pengatnatan 4 2

Rekapitulasi uji F analisis regresi linier antai-a NDVI pada Ikonos piksel 5 m, 10 m, dan 20 m, serta Landsat dengan beberapa parameter

tegakan hktan 43

Model regresi linier antara NDVI pada Ikonos piksel 5, 10, dan 20 m dengan b e b e m a parameter tegakan hutan 44

Model regresi linier antaraNDV1 pada citra Landsat dengan beberapa

DAFTAR GAMBAR

1. Skenla pengolahan citra Ikonos dan Landsat 18

2. Posisi piksel Landsat pada piksel Ikonos 10 m untuk plot 1 , 2 dan 3 26

3. (a) Citra Ikonos RGB 432 yang akan diklasifikasi, dan (b) citra Ikonos 32 RGB 432 hasil klasifikasi

4. Rata-rata nilai piksel masingmasing kelas pada setiap pita spektral

Ikonos 3 3

5. (a) Citra Lands& RGB 542 yang akan diklasifikasi, dan (b) Citra 36 Landsat pita 1-2-3-4-5-7 hasil klasifikasi

6. Rata-rata nilai piksel setiap kelas pada masing-masing pita spektral

Landsat Multispektral non termal 37

7. Kurva regresi linier antara NDVI pada Landsat dengan rata-rata tinggi

total 45

8. Kurva regresi linier antara NDVI pada Landsat dengan basal area 46 9. Kurva regresi linier antaraNDV1 pada Landsat dengan b i m a s a 46 10. (a) Kurva regresi linier antara biomasa di atas permukaan tanah dengan

rata-ratatinggi total, dan (b) kurvaregresi linier antara biomasa di atas

1. Statistik dataset Ikonos piksel5,10, 15, dm 20 m 57 2. GCP pada registrasi Landsat dengan Ikonos 59 3. Statistik dataset Landsat pita 1-2-3-4-5-7 60

5. T d o r m a s i divergensi rata-rata dm minimum dari hasil klasifikasi 63 Ikonos dan Landsat

6. Evaluasi akurasi terhadap hasil Masifikasi Ikonos dan Landsat 68

7 Hasil analisis data parameter tegakan hutan dan NDVI pada citra 72

I.

PENDAHULUAN

1.1. Latar Belakang

Infomasi penggunaan lahan

dan

penutupan lahan dibutubkan di tingkat lokal, regional, dan nstional untuk perenmaan penggunaan lahan dan pengelolaan lahan yang baik (Paul dan Maacarenhas 1981, diacu

dalam

Jensen 1986). Padaskala global dan regional, penggunaan teknik penginderaan jauh terbukti cepat dan dapd dipercayai untuk panantaran penutupan hutaa (Jensen 1986).

Kebanyakan penelitian deforestasi dan pembahan penggunaan lahan yang menggunakan &a penginderaan

jauh

cendaung memfokuskan pada deskripsi vegetasi secara m u m (Carlson dm Azofeifa 1999). Citra satelit digunakan sebagai alat untuk mempdajai ekosistem tertentu (Hall et al. 1991, diacu Man Carlson dan Azofeifa 1999). Misalnya Asrar et

al.

(1984), Tucker et d. (1984), dan Goward et al.

(1991): (diacu dalam Carlson dan Azofeifa 1999) menekankan pada pendugaan

terhadap biomasa

Teknik p e n g i n d m jauh ti& mengulcur birmasa secara langsung, tetapi menduga biomasa dari hubungan karakteristik hutan di lapangan dengan reflektansi kanopi pada citra satelit (Sader 1988, diacu dalan Brown et al. 1989). Penginderaan jauh optik dapat menduga biomasa bagian pohon di atas permukaaa tanah secara

Kebutuhan terhadap informasi LAZ untuk areal yang luas lebih menekankan penelitian-penelitian mengenai hubungan ant= LA1 yang diukur di lapangan dengan indek vegetasi dwi cits-asatelit (Brown et d. 2000).

Pengulcuran

L M

s e e m langsung di lapangan terutama di ekosidem hutan sangat sulit dm mahal (Fassnach et

al.

1994, dim dalam Wasrin et

al.

1997), sehingga teknik pengukutam LAI secga tidak langsung yang cukup murah

dan

cukup

teliti merupakan dteanatif yang perlu dikembmghm. Pendekatan pengukuraa parameter hutan menggmakan data satelit dan persamaan alometrik merupakan salah

satu pendekatan y ang dicoba untuk dikembangkan (Wasin et al. 1997).

Persamaan alometrik yang menghubungkan pznrmder hutan yang mudah diukur dengan volume k a p tegakan, total biomasa, persediaan k d o n dan persediaan hara sering digunakan pada inventarisasi hutan dan kajian-kajian ekologi (Ketterings et

a2.

1999).

Reflektaasi inframerah-dekat dengan reflektansi m dtelah digunakan untuk meneliti vegetasi dan fenologi sejak awal tahun 1970-an (McGwire et d. 2000). Banyak penelitian indeks vegetasi menggunakan NDVI karena ia dapat memperkecil

pengaruh topograG (Holben dan Justice 1981, diacu dalam McGwire et

d.

2000), tidak memerlukan pengetahuan tentang kondisi lapangan yang rinci dan sensitif terhadap fotmintesis (Myneni et al. 1992 danTucker 1979: diacu dalam McGwire et

d.

2000).

Untuk mengetahui wtiabel ekologi (seperti biomasa di atas-permukaau atau

LAI) menggunakan data satelit, dapat dilakukm dengan menganalisis hubungan antara indeks spektral dengan variabel ekologi melalui analisis regresi (Lawrence dan Ripple 1998 dan Gong et d. 1993: diacu dalan Thenkabail et al. 2000).

Teknologi satelit yang ada cukup memadai untuk memantau hutan tropis (Sader et

d

1990, diacu dalm Carlson dan Azofeifa 1999). Aplikasi penginderaan jaub satelit di bidang kehutanan secara efektif dimulai sejak peluncuran satelit

sumberdaya bumi Amerika Serikat, Ehrth Resouas Techndogid Scrtelfite

(ERTS-

1) pada tahun 1972, yang kemudian dikenal sebagai satelit Landsat (Howard 1991). Data satelit Landsat

TM

mengindem radiasi yang direfleksikaa dan diemisikan pada daerah k a s t mata (bim, hijau, dan merah) clan daerah infEamerah

(inframerah-dekat dan

infEamerah

tengah). Klasifiikasi menggunakan semua pita

TM

tidak digunakan dalam kombinasi pita-pita

TM

disebabkan resolusi spasialnya ymg berbeda dengan pita non termal (Jaya 1996). Kom binasi yang tepat d a i pita-pita

TM

menghasilkan klasifikasi citra dengan akurasi/ ketelitian yang tinggi (Jaya dm

Kobayashi 1994).

Beberapa penelitian menctapatkan bahwa data Landsd

TM

bdubungan erat

dengan indikatar kerapatan vegetasi seperti bianasa, persen penutupan dan populasi tumbuhan (Jaya clan Kobayashi 1994). Di ant- sensor-sensor yang biasa digunakan, data

TM

lebii baik korelasinya dengan variabel-variabel hutan tertentu (Brockhaus

dan n o r r a m 1996, diacu dalam Andersen 1998).

Saat sekarang, citra sdelit dari berbagai jenis sensor tasedia secaa komasial. Kebanyakan citra yang tersedia berasal dari sensor: Landsat Thematic Mapper

(TM)

dan Mdtr Qectral Scanner (MSS), SPOT Mdtispecfral

(XS)

dan Panchromatic

(Pan),

NOAA

Advanced Very High Resolution Radiometer (AVHRR), Radarsat dan sebagainya (Haeusler 1991). Sensoraensor tersebut beragan dalam hal luas areal yang terliput, pengulangau penganbilan gambar, resolusi spektral, resolusi spasial, dau biaya akuisisi.

Disamping c h c i t r a tersebut, tersedia pula secam komersial citra Ikonos dari satelit Ikonos-2 yang diluncwkau Sgrtember 1999. Satelit Ikonos menghasilkan citra Pankromatik

(Pan)

dengan resolusi spasial 1 m,

dau

citra Multispektral yang mempunyai resolusi spasial 4 m dengan 4 pita s p e W (biru, hijau, merah,

dan

infranerah-dekat). Penggabungan citra Ikonos Pau dengan citra Ikonos Multispektral

Multispektral s m a dengan pita 1 (biru), pita 2 (hijau), pita 3 (merah), dan pita 4

(infram d - d e k a t ) pada Landsat Multispektral.

Citra Landsat merupakan citra satelit yang paling unggul dalam ha1 resolusi

spektral sedangkan citra Ikonos paling unggul dalan hal resolusi spasial. Pada penelitian ini, citraIkonos gabungan Pan dengan Multispektral pita 2,3, dan 4 (pita 1 tidak tersedia)

dm

Landsat Multispektral optikfnon-tennsl (pita 1,2, 3,4, 5, dan 7) d i k l ~ i k a s i k a n dengan metoda terbiibing (supervised cImsi$cation), dan ditnmdormasi dengan MlVI untuk mencari hubungan antara NDVI dengan parameter tegakan hutan yang sering diukur, yaitu jumlah pohon, tinggi pohon bang digunakan lata-rata tinggi total), luas bidang dasar (bassd ama), biomasa bagian pohon di atas permukaan tanah, indeks luas dam (letgc area index/ LAI), dan penutupan t$uk (crown cover).

1.2 Tnjnan Penelitian

Penelitian mi bertujuan untuk:

1. Mengkaji kemampuan data satelit Ikonos

dan

Landsat untuk mengklssifikasikan penutupan hutan alam tropis secaa digital serta menentukan kombiasi pita spektral dari Ikonos dan Landsat yang terbaik.

2. Mencari hubungan matematis terbaik antara nilai respon spektral pada citra

1.3. Hipoteds Penelitian

Nilai respon spektral pada citra Ikonos dan Lands& mempunyai komlasi

dengan jurnlah pohon, rata-&a tinggi total, basal area, biomasa bagian pohon di atas

11. TINJAUAN PUSTAKA

21. Pemdagaan Biomasa

Pendugaan biomasa bagiau pohon di atas permukaan tanah mapalcan aspek penting p& kajian persediaan khan (C stocks)

dm

pengaruh deforedasi terhadap.

keseirnbangan C global (Ketterings et

al.

1999). Pendugaan biomasa vegetasi dapt memberikan infomasi mengenai persediaan h a a dan karbon pada seluruh vegetssi, atau jumlah bagian tertentu dari vegdasi yang dapat dipanen, seperti kayu yang dapat dihasikaa dari tegakan (Hairiah et al. 1999).

Biomasa merupakan massa vegetasi hijau per satuan luw, yang biasanya

diukur dengan cara memanen dan menimbmg vegetasi (Lo 1986). Pendugam biomasa dapat dilakukan dengan (1) metoda pengukuran lmgsung di lapangan, (2)

stmti'ed random sampling terhadap strata vegetasi hamogen yang dipetakan menggunakan data penginderaan jauh yang selanjutnya digunakan untuk mengekstrapolssi ti&-titik sampel, dan (3) mengembangkan model-model emperis

respon spektral satelit terhadap biomasa(Roy dan Ravan 1996).

Pendugaan biomasa pohon cara penimbangan merupakan metoda paling a k u . tetapi sangd menyita waktu dan destdcM. Penggunaan metoda ini terbdas untuk luts ma1 dan ukuran sanpel plot yang kecil (Ketterings ef

al.

2001). Metoda

Umumnya ada dua metoda untuk pendugaan biomasa, yaitu (a) destructive smipi~rzg yang membutuhkan banyak tenaga tetapi lebih akurat, dan (b) metoda non- destruktif menggunakan persarnaan alametrik yang relatif cepat tetapi kurang akurat. Pendugaan biomasa dengan pasamam almetrik dikembangkan dari parsmeter yang mudah diukur sepeiti tinggi pohon dan dianeter setinggi

dada

(Pahn et

d.

1994).

Brown et

d.

(1989) mengembangkan penamaan regresi untuk menduga total biomasa pennukaan dari pohon di hutan tropik sebagai fungsi dari dianeter setinggi dada, tinggi total, berat jenis

kgnr,

dan zona kehidupan (ife wrze). Persanaan biomasa dibuat berdasarkan (a) diameter setinggi dada saja, @) diameter setinggi dada dengan tinggi total, dan (c) diamder sdinggi dada, tinggi total, dan berat jenis. Persamaan biamasa yang menggunakan diameter sdinggi dada dan tinggi total

menghasilkan pendugaan yang lebih baik dibandingkau yang menggunakan diameter setinggi dada saja Palm et

d.

(19P4) menyatakan bahwa pendugaan biomasa lebih baik apabila lebih banyak psremeter yang digunakan.

Ogawa et al. (1985) menyatakan bahwa sejak penelitian Kiedge (1944, 1948) mengenai regresi almetrik antara jumlah dam

dai

sebatang pohon dengan

diameter batangnya, pensmaan alometrik menjadi l e b i sering digunakan untuk pendugam biomma hutan.

22

Indeks h a s Daun ( L e d area indcr / LAI)

LA1 adalah total luas satu-pennukaan daun hijau per luasan permukaan tanah

(Le

Dantec et

d.

1999). LA1 merupakan variabel utama yang berhubungan dengan

transpirasi) sampai tingkat kanopi hutan (Running dm Coughlan, 1988, diacu dalam Le Dantec et

al.

1999). Pengukuran LAI. yang akurat dapat digunakan untuk

memahani proses biologi dan fisik yang berfiubungm ciengan vegdasi, dan sebagai

input untuk model-model produktifias ekosistem (Sellem d at. 1986, Bonan 1993, dan Liu et d. 1997:

d i m

dalan Brown et d. 2000).

Sejumlah penelitian menetapkan secaa teoritis

dan

empiria hubungan poctitif antara LA1 dengau produktifit~ls butan (Le Dantec et d. 1999). Mc Naughton

dan

Jarvis (1983)

(dim

dalam

W

h

et

d

1997) membuktikau pentingnya LAI dalam

menduga evapotranspirasi, LA1 dalsm pendugaan transpirasi, intersepsi, neraca air,

laju fotosintesis, dan pertumbuhan (Grier dan Running 1997, Gholz 1982,

Mc

Lead dan Running 1985: diacu dalam WaElrin et al. 1997). Piace dan Running (1988) (diacu dalan Wasrin et al. 1997) memperlihatkan hubungan yang erat mtara LA1 dengan volume kayu pada berbagai kondisi ekoistem hutan.

h a pendekatan mum untuk pendugaan LA1 menggunakau c i h penginderaan jauh ialah pendekatan indeks vegetasi dan pendekatan modeling (Qi et

d.

2000). Prosedur m u m menduga LA1 dengan data penghderaan jauh ialah menetapkau hubungan emperis antaraNDVI dengan LAI s e c m statistik. Hubungan

LAI dengan indeks vegdasi ant-

lain

sebagai berikut (Bare4 1995, Bed dan H d a u 1985, Curmn 1983,

Asrar

et a 1985r5b; Peterson et al. 1987, Price dan Bausch 1995: diacu dalan

Qi

et d. 2000):

L A I = U ? + ~ ~ + C X + ~

LAI = a

+

bxc

LA. = f i x )

Dimana x merupakan indeks vegetasi, koofisien a, b, c dan d merupakan parameter- parameter emperis yang bervariasi men& tipe vegetasi.

23.

Indeks Vegetasi

B d a g a i indeks vegetasi berhubungan dengan parameter vegetasi seperti

LA.,

biomasa, persen penutupan tajuk, produktifiias, dan aktifitas fotosintesis (Colwell

1974, Asrar et al. 1984, Hatfield et al. 1984, dan Sellers 1985: diacu dalam Asrar 1989). Indeks vegetasi rnerupakan ukursn untuk kerapatan vegetasi dan biamasaaktif secara fotosintesis (Tucker 1979, Wiegand et al. 1973, Wiegand dan Richardson 1984: diacu dalarn Jaya 1996).

Sejumlah indeks vegetasi masih terus dikembangkan untuk mencirikan kanopi vegetasi (Asra 1989). Indeks-in&ks vegetasi dapa dikelampokkan menjadi 3

kategori: (1) indekaindeks mendasar (intrinsic indices), (2) indeks-indeks yang berfiubungan dengan garis-tanah (soil-line d a t e d indices), dan (3) indeks-indeks pengaturaa &mo&ir (atmosphet;tcatly adjusted indies) (Rondeaux et

d.

1996, B m t dan Guyot 1991: diacu dalam Daughtry et

d

2000).

Sensitifitas NDVI terhadap vegetasi hijm berdasarkan radiansi pada pita merah yang berhubungan dengan jurnlah klorofil, dan radiansi pada infi-amerah yang berhubungan dengan kerapstan daun hijau ( B m t clan Curtis 1992). Jika biamasa (vegetasi) meningkat maka reflektansi infinunerah-dekat akan bertambah, sebaliknya reflektansi pada kasat mata akan berkurang (Jaya 1997).

Indeks vegetasi telah lama digunakan @a citm satelit untuk pemantauan kondisi vegetasi. Perbedaan nilai indeks vegetasi antma citra yang berbeda waktu pada lokasi yang sama

dap&

untuk memantau pembahan vegetasi. NDVI digunakan

pada sejumlah penelitian untuk menganalisis kondisi dan pembahan vegetasi (Briggs dm Neillis 1991, Chilar et

d.

1991, Lee dan Marsh 1995: dam dalam Sohl 1999).

Indeks-indeks vegetasi umumnya mengasumsikan bahwa pengaruh tanah berkurang dengan semakin berkembang vegetasi, karena bagian tanah yang relatif terbuka menjadi berkurang. Pengaruh tanah yang terpenting terhadap spektral

vegetasi ialah p e n g d kecerahan tmah. V.ilriasi kecershan tanah dapat diakibrtkan perbedaan kelembaban, kekasaran, bayangan, atau bahan organik. Banyak penelitian memperlihatkan indeks vegetasi berkarelasi dengan kecerabaa t d , dan paling nyata pada tingkat kerapatan vegetasi yang sedamg (h 1989).

25.1. Citra Ikonos

Tabel 1. Spesifikasi Ikonos

Waktu Peluncuran 24 September 1999 (11:21:08 am PDT) Lokasi Peluncuran Vandenberg Air Force Base, California Resolusi _{Resolusi setiap pita spektral:}

Pankromatik: 1-meter

(nominal c 26 derajai offnadir)

Multispektral: 4-meter

(nominal < 26 derqjat o f l n d r ) Respon Spektral Citra _Pankromatik:

0,45

-

0,90 mikron Multispektral:

Pita 1: Biru 0,45

-

0,52 Pita 2: Hijau 0,52

-

0,60

Pita 3: Merah 0,63

-

0,69

pita 4: I n h e r a h dekat 0,76 - 0,90 (sama dengan Landsat pital-4) Lebar Swafh dan Ukuran Scene _{Lebar swh}

13 km pada nadir Areas of iderest:

citratunggal 13

km

x 13

krn

Ketinggian (Alti Me) 423 mi1 / 681 kilometer

98,l derajat

Kecepatan 4 mil per detik / 7 kilaneta per detik

Revisit frequency 2,9 hari padaresolusi 1 meter, 1,5 hari padaresolusi 1,5 meter

~ilai-nilai tersebut untuk target pada lintang 40 derajat. Waktu revisit lebih sering untuk lintang lebih tinggi dan jam8 untuk lintang dekat khatulistiwa

Waktu Orbit 98 menit

Tipe W i t sun-synchmous

[image:149.584.77.520.112.715.2]

synchrorrous. Satelit tersebut mengitari bunli 14 kali per hari, atau setiap 98 menit. Satelit Ikonos yang diluncurkan September 1999 mengorbit pada ketinggian 681 km

dengan inklinasi 98,1° padawaktu crossing 10.30 a m (Pike dm Brown 1999).

Pita spektral 1, 2, dan 3 dari citra Ikonos niultispektral secara berurutan mengukur reflektansi spektrum elektromagnetik pada bagian biru, hijau, dan merah. Pita-pita

tersebut urituk mengukur karakteristik spektral yang tanipak oleh mata Pita 4

mengukur reflektansi spektrum elektromagnetik pada bagian inframaah-dekat, dan

sangat membantu dalam mengklasifikasikan vegetasi (NASA Commercial Remote

Sensing Progratii 2001).

2.5.2. Citra Landsat TM dan ETM+

Satelit Landsat 4,5, dan 7 m engorbit bum i pada orbit stm-synchronous pada

ketinggian 705 km (Richards dan Xiuping Jia 1999). Landsat 4 dm 5 mempunyai iris~.llmeti Thematic Mapper

(TM)

sedangkan Lanrlsat 7 rn em puny ai instum en

Enhanced Thematic Mapper (ETM+).

TM

mempunyai 7 pita spektral, dan

TM

pita 7 tidak dirancang bersamaan

dengan 6 pita lainnya Pita 7 ditambahkan setelah 6 pita lainnya ada berdasarkan pennintaan masyarakat geologi, karena daerah sekitar 2 p berguna untuk penilaian

alterasi hidsotamal. EXM+ padaLandsat 7 memiliki karakteristik seperti TM setelah

memperbaiki resolusi spasial pada pita termal dan menambah pita spektral

Tabel 2. Karakteristik dari Landsat TM dan lZTM+

Instmien Pita Spektral ( p n ) IFOV (m) Dynamic

range (bits)

TM 1 0,45 - 0,52 (biru) 30 x 30 8 2 0,52 - 0,60 (hijau) 30 x 30 8

3 0,63 - 0,69 (merah) 30 x 30 8 4 0,76 - 0,90 (inframerah dekat) 30 x 30 8 5 1,55

-

1,75 (inframerah tengah) 30 x 30 8 7 2,08 - 2,35 (inframerah tengah) 30 x 30 8 6 10,4

-

12,5 (Termal) 120x120 8

ErM+ 1 0,45 - 0,52 (biru) 30 x 30 8

2 0,52 - 0,60 (hijau) 30 x 30 8

4 0,76 - 0,90 (infmerah dekat) 30 x 30 8 5 1,55 - 1,75 (inframerah tengah) 30 x 30 8 7 2,08 - 2,35 (inframerah tengah) 30 x 30 8 6 10,4-12,5 (Termal) 60 x 60 8 plus 0,52 - 0,90 (Pankromatik) 15 x 15 8 Sumber: Richards dan Xiuping Jia (1999) (sudah diedit)

Kombinasi yang tepat dari pita-pita 'I'M menghasilkan klasifikasi citra dengan akurasil ketelitian yang tinggi. Di antara ketiga pita kasat mata (pita 1,2, dan 3) dan di antara kedua pita inframerah-tengah (pita 5 dan 7) erat korelasinya Penggunaan semua pita non termal dapat berlebihan (redundant) dalarn kandungan inforrnasi, disamping juga memerlukan banyak waktu, usaha, dan kapasitras penyimpanan dalanl proses klasifikasi (Jaya dan Kobayashi 1994). Salah satu dari pita kasat mata,

[image:151.576.74.502.130.501.2]

Jaya dan Kobayashi (1995) mendapatkan bahwa dari kombinasi dua sampai lima pita spektral selalu mempunyai

TM

pita 5. Ini menunjukkan bahwa keberadaan

'I'M pita 5 dalam kombinasi pita tersebut memainkan peranan penting untuk

menghasilkan pemisahan (separation) yang lebih baik. Dengan rnenggabungkan pita

111.

METODOLOGI

3.1. Tempat dm W akta Penelitian

Penelitian teniiri dari dua kegiatan, yaitu: (a) pengecekan lapangan, di Hutan Lindung Gunung Beratus yang berada dalam areal keja

NPH

PT. Balik Pqan Forest Industries

(PT.

BPI), Kalimantan Timur, dan (b) pengolahan citra serta analisis data,

di

Laboratoriwn Bologi Hutan Fakultas Kebutanan

IPB

Bogor. Penelitian

dilaksanakan dari bulan Juni 2001 sampai dengan Oktober 2001.

3.2. Citra dm Data Pemdnknng

Citra dan data pendukung yang digunakan:

(a) Citra Ikonos 1154-lbd Kalimantan yang meliput sebagian areal Hutan Lindung Gunung Beratus, Kalimaatan Tmur. Koordiiat liputan citra 0°:58':56',18 S

-

1°:7':6",51 S (407484,61

E

-

422556'83 E) dan 1160:10':6',58

E

-

1160:18':14",12 E (9876365,66

N

-

9891417,66 N). Citra tersebut diakuisisi tanggal 28 Oktober 2000. Citra Ikonos yang digunakan

merupakan ghungan Pan dengan Multispektral

RG33

432 ( i n h e r a h dekat-merah-hijau) 11 bit dengan resolusi spasial 1 meter, yang geometrik dan radiametriknya telah dikoreksi.

(b) Citra Landsat Multispektral path-row 117-061 yang diakuisisi tanggal 26

Juni 2001.

3.3. S o m a r e dan Hardware

Pengolahan citra menggunakan sepemngkat Personal Computer (PC) dengan

sofware

ER

Mapper, Erdas, Arc View dan Arc View Image Analysis, sedangkan analisis data menggunakan sofiyare Excel dan Minitab.

3.4. Peralatam di Lapangan

Kegiatan lapangan menggunakan pemwat Global Positioning System

(GPS),

kompas, haganeter atau bEumeZeiss, m&errm,phi-band, kanera, tali, dan pa-ang.

3.5.

Prosedur Penelitian

Penelitian mencakup kegiatzn pengolahan c~tra, pengumpulan dan analisis data lapangan (jumlah pohon, ratarata tinggi total, basal area, biomasa pohon di atas

permukaan tanah, LAI, dan penutupan tajuk), dan menentukan karelai antaraNDV1 dengan data lapangan.

3.5.1. Pengolahan citra

Skemapengolahan citra Ikonos dan Landsat dapat dilihat pada Gambar 1.

Pemutaran (ratdon) citra Ikonos

I

+

I

Rotasi

I

L I

Penentuan Plot Interpretasi Mosaik di Citra 4- Visual dari Dataset I

1.2

...

n

Statistik Citra

T

bransformasi Ukuran ~iksell

Rotasi

1-1

-1

Training Area

1

Multispektal Belum

Pernotongan Citra

1

(

Potongan Citra

I

Interpretasi

4

Visual Streching Dataset

Penggunaan Lahan

I

[image:155.762.51.691.78.451.2]

mosaic) seringkali memalukan waktu yang cukup lama dan tidak selalu berhasil karena kapasitas sirnpanan data yang besar.

Penggabnngan citra Ikonos

Semua dataset hasil rotasi digabungkan menjadi satu dataset melalui proses mosaic. Dataset hasil mosaic dapat digunakan langsung untuk interpretmi v i d , tetapi dataset tersebut hams dihitung statistiknya bila digunakan untuk interpretasi dijital, dan dataset yang digunakan ialah dataset yang dapat dihitung statistiknya

Penghitungan statistik a k a Ikonos

Dataset gabungan dapat dihitung statistiknya apabila dataset-dataset ymg

digabung pada proses mosaic telah dikoreksi geometrik &ngan ketelitian yang sama Jika gabungan 5 dataset tidak dapat dihitung statistiknya maka dilakukan mosaic untuk 4 dataset, kemudian kembali dihitung statistik terhadap dataset yang dihasilkan. Jika penghitungan statistik tidak dapat dilakukan t d a d a p dataset tmebut maka dilakukan mosaic terhadap 3 dataset, dan terakhir untuk 2 datasd. Dari 5 dataset yang digunakan, penggabungan 4 dataset menjadi 1 dataset dapat dihitung statiatik citranya Statistik citra Ikonos dapat dilihat pada L a m p i i 1.

Merrrbah akuran piksel Ikonos

Ketiga citra Ikonos tersebut digunakan untuk membud citm

NDVI.

Perubahan

ukuran piksel menjadi 30 m sesuai dengan ukuran piksel Landsat, dan citra Ikonos tersebut digunakan untuk meregistasi Landsd.

Pernutaran citra Ikonos

Ikonos piksel 30 m harus diputar kembali 180 demjat sebelum digunakan untuk memgistrasi citra Landsat. Peanutaran citra dapat berhasil dengan baik kaena kapasitas penyirnpanan data Ikonos gabungan piksel 30 m jauh lebih kecil dibandingkan dengan data Ikonos gabungan piksel 1 m.

Pemotongan citra Landsat

Dataset Landsat@l sene dipotong kira-kira sana dengan area yang terliput oleh mosaic Ikonos.

Registrasi Landsat demgan Ikonos

Koreksi geanetris citra Landsat dilakukan dengan cara meregistmi citra Landsat dengan citra Ikonas yang telah dirubah ukuraa pikselnya sama dengan

ukuran piksel Landsd. Ground control points (GCPs) untuk registrasi dicari yang dapat dikenali pada citra Landsat dan citra Ikonos. Sistem datum yang digunakan ialah

WGS

84 dengan proy eksi Universal Tmnsverse M e ~ a t o r

(UTM)

pada zone 50

South (S).

pernyataan Jaya (1997) bahwa jumlah

GCP

minimum unttlk trandmmasi M n e = 3, dan ratacata RMSE hams kmmg dari 0.5 piksd. Hasil transformasi koordinat Landsat dengan koordinat Ikonos dapat dilihat di Larnpiran 2.

Ccdink antara Landsat dengan Ikonos

Citra Landsat yang telab diregidmi dengsn Ikonos di-gedink-kau dengan citraIkonos. Datmet Landsat yang dihasilkan digunakan untuk proses selanjutnya

Interpretasi visual terhadap Ikonos dan Landsat

Interpretasi citra secara visual diiakukan dengan mengidentifiikasi dan mendelinasi kelas-kelas penutupan dan penggunaan lahan berdasarkan unsur-unsur interpretmi: ukuran, bentuk, tonel m a , bayangan, tekstur, pola, lokasi, dm asosiasi (Lillesand dan Kiefer 1997). Kelas-kelas p u t u p a n lahan didefmisikan berdasarkan Klasifikasi FA0 pada Lampiran 4.

Interpretmi visual berguna sebagai dasar untuk penentukan kelas-kelas penutupan lahan dan pnmunaan lahan pada klasifikasi citra secara digital dan untuk penentuan ldak plot-plot contoh pada citra

Klasifikasi &a Ikonos d m Lgndsat secara digital

Informasi tematik dapat diperoleh dari analisis data p e n g i n d m jauh.

kelas infmasi. Klasif'ikasi multispektral dilakukan rnenggunakan dua metoda: t erbim bing (supervi~d) dan t idak t erbim bing (unsupervised) (Jensen 1986). Klasifikasi terbimbing merupakan prosedur yang paling sering digunakan untuk analisis kuantitatif terhadap &a citra penginderasn

jauh

@chard 1993).

Klasifikasi citra yang digunakan untuk Ikonos dan Landsat pada penelitian ini ialah klasifikasi terbimbing (supervised classi$c~ion) dengan metoda peluang maksimum (maximwn likelihood method). Metoda tersebut mempakan metoda klasiftkasi terbimbing yang paling umum digunakan (Richard 1993). Klasifikasi citra Ikonos dilakukan terhsdap &as& 1 pita spektral, dataset krmbinasi 2 pita spektrat, dan dataset kombiiasi 3 pita spektral, sedangkan klasifikasi citra Landsat diiakukan tehadap dataset 1 pita spektral, dataset kombinasi 2, 3,4,5 pita spektral, dan dataset 6 pita spektral.

A n a l i s i ~ ~ ~ a b i l i t a s

Beberapa cara mengukur sepaabilitas untuk menentukan kambinasi pita spektral yang terbaik untuk klasifikasi terbimbing, yaitu Divergenfi (D),

Transformasi Divergensi ('I'D), Battachayya Didance (B-D), dan Jeffries-Matusita Distance (JM-D). Mausel et al. (1990) (diacu dalam Jaya 1996) memkomendasikan bahwa

TD

dan JM-D memberikan hasil yang lebih baik. Pada penelitian ini digunakan pengukunm

TD.

Rumus separabilitas yang digunakaa idah (Swain dan Davis 1978, Jensen 1986, dan Jaya 1996):

Dj, = 0,s t t [(C,

-c,)(G-~

-q'l)]

+

0,s h.

[(c"

-c,-')(M

-

M,)(M,

-

M,jT]

Dimana Ci = malriks peragam kelas ke-i, C; = mairiks pemgam kelraj! ke-j,

Mi

=

matriks rata-rata kelas ke-i, dan

Mj

= matriks rata-rata kelas ke-j.

Kriteria tingkat keterpisahan dari nilai divagensi menurut Jeasea (1986) dan Jaya ( 1 996) dapat

dilihat

pada Tabel 3.

Tabei 3. Kriteria tingkat keterpisahan

Nilai T d o n n a s i Divergensi

(qj)

Keterangan

TDjj >_ 2000 Sempurna (adlent)

1900 2 TDjj > 2000 Sangat Baik (Good) 1700 2 TDjj > 1900 Baik (Fair)

1600

>

TDjj > 1700 Cukup baik (Poor)

TDjj < 1600 Tidak terpisahkan (insepmble)

Pada penelitian ini dipilih kanbinasi-kanbinasi pita spelrtral yang mempunyai

TD

minimum > 1600 untuk selanjutnya dilakukan uji sku&.

Evaluasi akurast'

Evaiuasi akurasi untuk menentukan berapa besar persentase ketelitian dalam mengkelaskan suatu areal menjadi kelas-kelas penutupan dan penggunaan lahan, dengan cam menghitung jumlah piksel s e a contoh (training area) yang

accuracy, (2)producer's accuracy (omission error), (3) user 's accuracy (commission error), dan ( 4 ) Kappa accuracy.

i = l

Overall accuracy =

-

x 100 %

N

i = l

Producer's accwacy =

-

x 100 %

Xl +

i = l

User's accuracy =

-

x 100%

x+1

i t 1 i = l

Kappa accuracy =

x

100 %

Dim ma:

N = jumlah piksel setiap kelas pada training area

r = jumlah kelas

X+

= Z

Xj

(jumlah k o l m pada baris ke-i)

X+, =

X

Xj

(jumlah kolom pada baris ke-j)

Tabel 4. Matriks kesalahan (con fwion matrix)

Data Acuan Diklasifikasikan ke Kelas Total Baris Producer's

Training &+ Accuracy

Area A B

...

D &k&+

User's Acc.

qk&

Badan Survey Geologi Amerika Serikat (USGS) (diacu dalam Lillesand dan Kiefer 1997) mensyaratkan tingkat a k d ketelitian klasifikasi penutupan dan penggunaan lahan, ialah: (1) tingkat akurasi > 85 %, dan (2) akurasi h m s lebih kurang sama untuk beberapa kategoril kela.

Pada penelitian ini dipilih kombinasi-kombinasi pita spektral yang

mempunym Kappa accuracy, overall accuracy, user's accuracy, dan producer's accuracy > 85 %.

Penentnan plot contoh pada citra

[image:162.571.84.503.108.310.2]

lapangan, dimana plot ditempatkan dekd dengan ciriciri dam maupun budan (contohnya persimpaugan sungai dan persimpangan jalan) yang terlihat di citra Ikonos piksel 1 m. Ciri-ciri tersebut &an mempamudah mencari lokasi plot contoh

[image:163.578.71.452.238.736.2]

di lapangan. Koordinat-koordinat plot contoh yang ditentukm pada citra digunakan sebagai acuan untuk membuat plot-plot contoh di lapangan. Penentuan plot contoh pada citraIkonos 5,10,20 m, clan Landsat berdasdau plot contoh pada citraIkonos 1 m, dengan caramelakukan gedink antara citra-citra tersebut dengan Ikonos piksel 1 m.

Gambar 2. Posisi piksel Landsi padaprksel Ikonos 10 m untuk plot 1,2 dan 3.

Dalam plot contoh berukum 8 x 8 piksel pada citra Ilconos piksel10 m dapt dibuat plot contoh bedcuran 2 x 2 piksel pada citra Landsat seperti pada -bar 2. Koordinat pusat ketigaplot tersebut ialah:

Plot 2: 1°:0':48",29 S dan 1 16°:157:13", 67 E Plot 3: 1°:1':05",23 S

dan

116415':55", O8E

Indeks veg-

Dataset Ikonos

dan

Landsat d i m M menjadi citra indeks vegetmi menggunakan trandacmasi

Abmd

Lhiference Vegetation Indw (NDVI).

NDFT

=(MR

- red) /

(MR

+

red)

Nilai indeks vegetasi pada citra Ikonos piksel5 m, 10 m, 20 m, dan Landsat dikorelaikan dengan &a lapangan (jumlah pohon, ratersta tinggi total, b a d area, biomasa pohon di atas permukaan tanah, LAI, dan penutupan tajuk). '

3.5.2 Peanbnatan plot contoh di lapangan, pengrrmpnlan dan analisis data lapangan

Koordinat plot contoh di lapangan ditentukan dengan GIPS sesuai koordinatnya di citra Pada plot-plot contoh dibuat petak-petak pengamstan

Semua pohon berdiameter 1 10 an dalan plot pengamatan dicatat, dan

dilanjutkan dengan pengukuran diameter setinggi dada, tinggi bebas cabarg, tinggi

total, posisi batang dan proyeksi tajuk. Diameter setinggi dads diukur menggunakan

petak penganatan 5 x 5 m

clan

20 x 20 m serta penghltungan persentase penutupan tajuk diientukau berdasdcan gambar pada kertas milimeter.

Batasan yang dgunakan untuk pohon berdiameter 5: 10 cm berdasarkan Lugo dm Brown (1992), bahwa pendugaan bimasa hutan tropik selama ini memfokuskan pada biomasa pohon-pohon di atas-permukaan untuk diameter minimum 10 cm dan luasan yang kecil.

Basal area dihitung dengsn rumus 0,7854 x

d .

Biornasa di stas pexmukm tanah dan LA1 dihitung dengau pemamaan alam etrik dari Ogawa (1965,1976, 1985, 1992: diacu dalam Wasrin et

d.

1997) sebagai berikut:

Untuk hutan primer:

-

Biornasa batmg (ws) = 0,0396

@ 2 ~ ) ~ * ~ ~ ~ ~

-

Biomasa cabang (wb) = 0,00602 ( D 2 ~ ) l r n 7

-

Biomasa daun (wl) = ws / (13,75

+

0,025 ws)

-

Total biomasa (B) = ws

+

wb

+

wl

-

LAI = ws / (0.907

+

0.00205 ws)

Untuk

hutan s e h d e r :

2 09326

-

Biomasa batang

(ws)

= 0,0396 @

H)

-

Biomasa cabang (wb) = 0,003487 (I?H)1s027

-

Biomasa daun (wl) = ws / (22,s

+

0,025 ws)

-

Tot a1 biom asa (B) = ws

+

wb

+

wl

Hutan Lindung G. Beratus Kalimantan Timur merupakan areal bekas tebangan (log over areal LOA) dari HPH.

PT.

B E , sehmgga perhitungan biomasa dan LA1 menggunakan persamam alometrik untuk hutan sekunder.

3.5.3. Model peudagaan parameta tegakrm h u h dan penMan hipotesis

Model r e p s i linier sedehana antara paraneter tegakan hutan (jumlah pohon, ratai-ata tinggi total, basal aea, biomasa pohon di atas permukaan tanah, LAI, atau penutupan tajuk) dengan nilai indeks vegetasi yaitu:

Y = h + b 1 X Dim ana:

Y

= parameter tegakan hutan (jumlah pohon, ratarata tinggi total, basal area,

biomasa pohon

di

atas pemukaan tanah, LAI, atau penutupan tajuk)

X = nilai indeks vegetasi

bo dan bl = konstanta/ parameter model

Pengujian hipotesis dimaksudkan untuk menunjukkan ada atau tidak hubungan antara parsmeter tegakan hutan (jumlah pohon, rsta-rata tinggi total, basal area, biomasa pohon di at= permukaan tanah, LAI, atau penutupan Qjuk) dengan nilai NDVI. Pengujian hipotesis melalui analisis sidik ragan seperti padaTabel5.

Kriteria uji

F

ialah jika

Fht,

>

Fdel ( k d b 9 maka terima HI, sebaliknya jika

Fhitung < Ft.bd ( k d b + maka terimaH,,. Untuk menentukan tingkd ketelitian model rtau

Tabel 5. Tabel sidik ragam

Sum ber DerajatBebas J u m l a h K u ~ Kuadrat F hitung

K q a m a n (db) (JK) Tengah (KT)

Regresi P -1

P'X'Y

-@

JKWJKT KTR/KTS

Sisa K - P

JKT

-

JKR JKS/SI(T

Total K - 1 Y'Y

-kyZ

[image:167.582.71.510.118.741.2]

IV.

HASIL

DAN PEMBAHASAN

4.1. Klasifikasi Citra

4.1.1. Ikonor

Pada interpretasi visual terhadap Ikonos RGB 432 p i b e l l

m

dapat dibedakm

antara hutan rapat, hutan kerapah sedang, hutan jaraug, semak, awan, bay- awan, bayangan relief, tan& terbuka, jalan, dan sun@. Meskipun secara visual di citra Ikonos, hutan @at d i l a s k a n menjadi tiga kelas b e r d a s b tonel wan?%

tekstur, clan bayangan, kenyaiaamya cli lapangan hutan tersebut masuk dalam satu kategori yang sama menurut Masifikasi FAO. Pada Tabel 11 dibetikan persentase penutupan tajuk dari ketiga plot pengamatan berturut-turut 58,62 %, 69,59 %, dan

70,47 %. Berdasarkan Klasifikasi FA0 (Lampiran 4), hutan tersebut menipakan hutan kerapatm sedang (closedforest: medium hnsity) dengan persentase penutupan tajuk 40

-

70 %.

1::e::;adi s&a keias de::gz: axvz~ d m st~igai 1::el:jadi satu kelas dengal baymgan

awan pada citra kiasifikasi.

Citra lkonos KGB 432 yang akan dikiasfikasi dan citra Ikonos KGB 432 hasiI

klasifikasi,dapat ddiiihat pada Gambar 3, sedangican rata-rata nilai piksel masing-

masing kelas pada setiap pita spektral dapat diiihat pada Gambar 4.

I:

Awan tebal Log Over Area Awan tipis Semak

[image:169.571.63.479.202.676.2]

Bayangan relief Bayangan Awan

Cfambar4. Rata-rata nilai piksel masing-masing kefas pada setiap pita s p e W Ikonos.

1800

1600

1400

+-

Log Over Area (LOA)

1200

-43- Sanak

%

o 1,

-0- Awan Tcbai

8

800

a

A m

Tipis

'4

6m + Bayangan Awan

400 -b Bayangan Rclicf

200

0

2 3 4

Pihopektral

Hasil evaluasi separabilitas dan hail evaluasi akurasi terhadap klasifhsi Ikonos secara lengkap berturut-turut dapat dilihat pada Lampiran 5 dan Lampiran 6. Pada Lampiran 5 dapat d i l M dataset Ikonos kombinasi 2 pita spew yang

menggunakan pita 4 dalam kombinasinya, dan Ikonos RGB 432 mempunyai raEa-rata tranrtformasi divergemi (TD) rata-rata dan minimum > 1600. Pada Lampiam 6 dapat dilihat Ikonos RGB 432 dan Ikonoa kombinasi 2 pita spektral yang menggunaican pita 4 dalam kombinasinya mempunyai overall accuracy (OA) dan Kappa accuracy

(KA)

> 85 %. Ikonos pita 2-3 mempunyai akurasi (OA dan KA) lebih rendah daripada

Ikonos pita tun& (1 pita). Di mtam 3 pita spektral lkonos yang d i g m h a , pita 4 mempunyai akurasi OA dan

KA

paling tinggi sedan* yang paling rendah

akurasinya pada pita 2. Dataset Ikonos yang mempunyai

TD

rata-rata clan minimum

> 1600, serta OA clan KA r 85 % dapat dilihat padaTabel6.

Tabel 6. Trandormasi divergensi rata-rata dan minimum, overall accuracy, dan Kappa accuracy dari hasil klasifikasi Tkonos RGB 432 dan Ikonos kombinasi 2 pita spektral

Kombinasi T&ormasi D i v w m i Overall Kappa Pita Spektral Rata-rata Minimum Accuracy (%) Accuracy (%)

2-3-4 1992 1938 100,OO 100,OO

Pada Tabel 6 dapat dilihat bahwa Masifikasi lkonos RCB 432 mempunyai

TD

rata-rata dm minimum, OA, dan KA lebih tinggi dibandingkan Ikonos kombinasi

2 pita spektral. Ini berarti bahwa penggunam kombinasi 3 pita spektral Ikonos (pita 2, 3, dan 4) menghasilkan klasifikasi yang lebih tinggi akurasinya daripada menggunakan dua pita spektral. Apabila menggunakan dua pita spektral di antara tiga pita tensebut, maka kombinasi pita 2 dengan pita 4 adalah yang terbaik Penggunaan Ikonos pita4 secaratunggal memberikan OA dan KA Masifikasi > 85 %, tetapi user's accuracy (UA)

dan

producer's accuracy (PA) yang dihasilkan untuk membedakan

antara W A dengan semak c: 85 %.

UA dan PA hasil klasifikasi lkonos secara lengkq dapat dilihat pada Lampiran 7.

UA

dan PA > 85 % untuk semua kelas yang diklasifikasi hanya ter*at [image:171.578.77.503.161.323.2]

Tabel 7. User's accuracy dan producer's accuracy untuk Log Over Area dan semak dari hasil klasifikasi Ikonos

PitaSpekW User's Accuracy Producer's Accuracy

Kombinasi Pita Spektral Kelas (%) (%)

LOA 100,OO 100,OO

2-3-4 Semak 100,OO 100,OO

LOA 100,OO 100,OO

2-4 Sem ak 100,OO 100,OO

LOA 100,OO 100,OO

3-4

Semak 100,OO 100,OO

4.1.2 Landsat

Citra Landsat yang digunakan dapat mengklasifikasikan secara digital sebanyak 7 kelas, yaitu Log OvetArea (LOA), semak, tanah tabuka, bayangan relief, campuran LOA dengan bayangan relief, awan, dan bayangan awan. Jalan dan sungai tidak dapd dikelaskan karena lebar jalan clan sungti umumnya kurang dari 1 piksel pada citra Landsat dengan piksel 30 m, sehingga tidak memunglankan dilakukan training area kelas tersebut. Pada citra klasifikasi, jalan hutan yang diperkeras (jalan utama) m enjadi satu kelas dengan a m , bekas jalan sarad menjadi satu kelas dengan tanah tabuka, dan sungai menjadi satu kelas dengan bayangan awan.

Gam bar 5.

Legenda:

IICampuran LOA dengan Bayangan Relief 0

wan-

Tanah Terbuka Bayangan Relief Bayangan Awan Log Over Area (LO A)

0 Semak

a) Citra Landsat RGB 542 yang akan (

andsat pita 1 -2-3-4-5-7 hasil klasifikasi.

Garnbar 6. Rata-rata nilai piksel setiap kelas pada masing-masing pita spektral Landsat Multispektrral non termal.

Jumlah citra klasifikasi yang dihasikan dari semua dataset 1 pita spektral, kombinasi 2, 3, 4, clan 5 pita spektral, serta dataset 6 pita spektral pada Landsat Multipektral optik dapat dilihat pada Tabel 8.

Tabel 8. Jumlah drrtslnet yang dapat dibuat dari 1 pita spektral, kombinasi 2,3,4, clan

5 pita spektral, serta 6 pita spektral pada Landsat Muitipektd optik

Jurnlah Pita S~ektral Jumlah Dataset

[image:174.576.85.503.96.369.2]

Hasil evaluasi seperabilitas terhadap Masifikasi dataset Landsat secara lengkap dapat dilihat pada Lampiran 5. Pada lampiran tersebut terlihat bahwa dataset Landsat 1 pita spektral tidak s8tupun mempunyai transformasi divergensi 01)) rata-

rata dan minimum > 1600. T d o r m a s i divergensi rata-rats dataset Landsat kombinasi 2, 3, 4, dan 5 pita spektral, serta dataset Landsat 6 pita speW optik sernuanya besar

dari

1600. Di antara 15 dataset Landsat kombinasi 2 pita spektrat optik, Landsat pita 4-5 adalah satu-satunya yang mempunyai

TD

rata-rata dan

minimum besar dari 1600. Kombinasi pita-pita s p e M Landsat yang mempunyai

TD

nrta-rata dan minimum > 1600 beserta overall accuracy dan Kappa accuracy 2 85 %

dapat dilihat pada Tabel 9.

Pada Tabel 9 terlihat bahwa dataset Landsat pita 2-4-5, 1-4-5, dan 3-1-5 mempunyai overall accuracy (OA) dan Kappa accuntcy (KA) yang sama Berdasarkm

TD

rata-rata pada ketiga dataset tersebut, dataset Landsat pita 2-4-5 adalah yang terbaik karena mempunyai

TD

rata-rata paling tinggi. hiberarti pula dataset Landsat 2-4-5 terbaik diantara 20 dataset Landsat kombinasi 3 pita s p e W optik

&ngan

TD

rata-rata

dan

minimum, OA, dan KA berhmt-turut 1986, 1867,

94,56 %,

dan

9339 %.

Dataset Landsat pita 1-2-4-5 mexupakan dataset yang terbaik di antara 15 dataset Landsat kombinasi 4 pita spektral optik dengan TD rah-mta dan minimum,

OA, dan KA berturut-turd 1990,1890, 95,47 %, dan 94,66 %.

Dataset Landsat pita 1-2-4-5-7 mervpakan dataset yang terbaik di antara

karena mempunyai transformasi divergensi rata-rata dan minimum, sexta OA dan KA

paling tinggi, yaitu berturut-turut 1986, 1894,96,37 96, dan 95,72 %.

Tabel 9. Transformasi divergensi rata-rata d m minimum, overall accuracy, dan Kappa accuracy dari hasil kladikasi Landsat kombinasi 2, 3, 4,