KAJIAN SPASIAL SEBARAN VEGETASI MENGGUNAKAN
CITRA IKONOS DAN SISTEM INFORMASI GEOGRAFIS :
Studi Kasus di Sub DAS Ciliwung Hulu
RADIAGITA DWI PRASATYA
DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR
RINGKASAN
Radiagita Dwi Prasatya (E01400035). Kajian Spasial Sebaran Vegetasi Menggunakan Citra Ikonos dan Sistem Informasi Geografis : Studi Kasus di Sub DAS Ciliwung Hulu. Dibawah Bimbingan Dr. Ir. I Nengah Surati Jaya, M. Agr.
Isu lingkungan yang sedang berkembang sekarang ini adalah pemanasan global (global warming) dan perubhan iklim serta menurunnya kualitas air sungai dan banjir dimana-mana. Hal tersebut dipicu oleh kegiatan manusia terutama yang berkaitan dengan penggunaan bahan bakar fosil (BBF) dan kegiatan alih guna lahan sehingga menghasilkan gas-gas karbon dioksida (CO2), metana (CH4) dan
nitrous oksida (N2O). Di Bogor, jumlah angkutan penumpang dalam 10 tahun
terakhir naik hingga 42%. Akibatnya, 100 tahun yang akan datang suhu bumi akan meningkat hingga 4,5oC (Murdiyarso, 2003). Untuk menaggulangi masalah pemanasan global, salah satu upaya yang dilakukan adalah dengan pedagangan karbon (carbon trade). Maka dari itu perlu adanya monitoring kondisi vegetasi terutama di sekitar Daerah Aliran Sungai (DAS). Untuk mengetahui kondisi tutupan lahan di sekitar daerah puncak (Kecamatan Ciawi, Megamendung dan Cisarua), dapat dengan memanfaatkan teknologi penginderaan jauh (Remote Sensing) citra satelit, apalagi sekarang sudah semakin berkembang dengan munculnya citra resolusi tinggi seperti Ikonos, Quickbird dan SPOT V. Dengan teknologi ini, bisa didapatkan informasi spasial mengenai tutupan lahan khususnya vegetasi hijau di sub DAS Ciliwung Hulu yang lebih akurat, efektif dan efisien baik dari segi tenaga maupun biaya.
Tujuan utama penelitian ini adalah untuk mengetahui sampai sejauh mana kemampuan citra Ikonos dalam memberikan informasi tutupan lahan, sedangkan tujuan tambahannya adalah untuk memberikan informasi spasial mengenai sebaran vegetasi di sekitar sub DAS Ciliwung Hulu.
Penelitian dilaksanakan pada bulan April 2004 sampai dengan Agustus 2005 dengan daerah penelitian sub DAS Ciliwung Hulu. Pengolahan data dilakukan di Laboratorium Remote Sensing Departemen Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor. Bahan-bahan yang digunakan adalah citra satelit Ikonos multispektral 4 x 4m dan pankromatik 1 x 1m tahun perekaman 2003, alat-alat yang digunakan adalah Hardware (perangkat keras) berupa seperangkat komputer pribadi (PC), software (perangkat lumak) ERDAS versi 8.4 dan versi 8.7, Arc.View versi 3.2, kamera digital, GPS (Global Positioning System) Garmin tipe 12-XL, meteran dan Haga. Pengolahan dibagi kedalam 4 langkah; (1) pra pengolahan citra yang terdiri dari pemotong citra (Cropping), fusi citra, koreksi geometrik dengan cara image to map rectification dan registrasi, mosaik dan penegecekan lapangan; (2) klasifikasi citra terbimbing (supervised classification) dimana harus dibuat dahulu training area, evaluasi separabilitas dengan metode transformed divergence, uji akurasi dan penghitungan indeks vegetasi dengan metode NDVI (Normalized Difference Vegetation Index); (3) analisis spasial; (4) penghitungan efisiensi relatif.
terbimbing, dilakukan analisis separabilitas dengan mengacu pada kriteria separabilitas. 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 terklasifikasi kedalam kelas lain. Selain itu, dilakukan juga evaluasi akurasi dan diperoleh overall accuracy sebesar 94,906% dan Kappa accuracy sebesar 93,699%. Untuk user’s accuracy, yang tertinggi yaitu rumput dengan nilai 98,384% dan terendah adalah sawah dengan nilai 78,8%, sedangkan kelas dengan producer’s accuracy tertinngi adalah dengan nilai 99,98% dan yang terendah sawah dengan nilai 65,23%.
Dari penghitungan indeks vegetasi diperoleh hasil, 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.
KAJIAN SPASIAL SEBARAN VEGETASI MENGGUNAKAN
CITRA IKONOS DAN SISTEM INFORMASI GEOGRAFIS :
Studi Kasus di Sub DAS Ciliwung Hulu
RADIAGITA DWI PRASATYA E01400035
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada Fakultas Kehutanan
Institut Pertanian Bogor
DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR
LEMBAR PENGESAHAN
Judul : KAJIAN SPASIAL SEBARAN VEGETASI MENGGUNAKAN CITRA IKONOS DAN SISTEM INFORMASI GEOGRAFIS : Studi Kasus di Sub DAS Ciliwung Hulu
Nama : Radiagita Dwi Prasatya NRP : E01400035
Menyetujui, Dosen Pembimbing
Dr. Ir. I Nengah Surati Jaya, M.Agr NIP. 131 578 785
Mengetahui,
Dekan Fakultas Kehutanan Insitut Pertanian Bogor
Prof. Dr. Ir. Cecep Kusmana NIP. 131 430 799
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 11 Agustus 1982 di Bogor, Jawa Barat sebagai anak ke dua dari tiga bersaudara, dari pasangan Bapak Saso Soegiarso Soegito dan Ibu Prapti Nirmalawati.
Penulis menjalankan masa pendidikan di TK. Aisyiah Bustanul Athfal II Bogor dari tahun 1986 sampai tahun 1988, kemudian melanjutkan ke SDN. Pengadilan V Bogor dari tahun 1988 sampai tahun 1994. Setelah itu, penulis melanjutkan ke SMP Negeri 8 Bogor dari tahun 1994 sampai tahun 1997, dan pada tahun 1997 sampai tahun 2000 meneruskan pendidikan di SMU Negeri 2 Bogor. Kemudian pada tahun 2000 penulis diterima di Jurusan Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor melalui jalur USMI.
Selama masa kuliah penulis pernah menjadi pengurus FMSC (Forest Management Student Club) untuk masa jabatan 2002/2003. Pada tahun 2003 penulis mengikuti melaksanakan Praktek Umum Kehutanan (PUK) di BKPH Banyumas Timur dan Praktek Umum Pengelolaan Hutan (PUPH) di KPH Ngawi Perum Perhutani Unit II Jawa Timur. Selain itu penulis juga telah melaksanakan Kuliah Kerja Nyata di Desa Megamendung, Kecamatan Megamendung, Kabupaten Bogor pada tahun 2004. Pada tahun 2004 sampai 2005 penulis pernah menjadi asisten praktikum mata kuliah Penginderaan Jarak Jauh.
Sebagai syarat memperoleh gelar Sarjana Kehutanan, penulis menyusun skripsi dengan judul Kajian Spasial Sebaran Vegetasi Menggunakan Citra Ikonos dan Sistem Informasi Geografis : Studi Kasus di Sub DAS Ciliwung Hulu dibimbing oleh Dr. Ir. I Nengah Surati Jaya, M.Agr.
KATA PENGANTAR
Puji syukur kehadirat Allah SWT Yang Maha Pengasih lagi Maha Penyayang, atas segala limpahan Rakhmat dan Hidayah-Nya yang telah memberikan kemudahan kepada penulis, sehingga penulis dapat menyelesaikan skripsi yang berjudul Kajian Spasial Sebaran Vegetasi Menggunakan Citra Ikonos dan Sistem Informasi Geografis : Studi Kasus di sub DAS Ciliwung Hulu.
Untuk itu, penulis ingin mengucapkan terimakasih yang tulus dan sebesar-besarnya kepada semua pihak yang telah banyak membantu selama penyusunan Skripsi ini:
1. Bapa dan Mamah yang telah memberikan kasih sayang, kesabaran serta dukungan secara moril dan materil, Mbha dan Yaya yang selalu membawa keceriaan dirumah, juga keluarga besar Soegito dan Doeleh.
2. Dr. Ir. I Nengah Surati Jaya, M.Agr, selaku dosen pembimbing yang telah memberikan pengarahan, pengetahuan dan selalu memberi semangat juga kesabarannya selama membimbing penulis.
3. Pa Uus Saeful, atas semua bantuan teknis dan non teknis di laboratorium. 4. Ibu Dra. Puspaningsih, MS dan Bapak Ir. M. Buce Saleh, MS, yang selalu
memberi semangat dan ilmunya pada penulis.
5. Yudi “nenk”, terimakasih buat semua waktu, tenaga, pikiran dan kasih sayang yang sudah diberikan selama 5 tahun ini.
6. R. Assyfa El Lestari, teman seperjuangan selama 2 tahun, terimakasih untuk persahabatan, teman berbagi rasa selama ini dan pinjaman komputernya. 7. My Brotha and Zeestah, Syfa, Indah makasih nasihat-nasihatnya, Mpo Tika
yang selalu memberi kata-kata bijak, Agoenk makasih dibantuin groundcheck, Eendhee, Novie, Poepoet, Burix, Rohmah dan Deddy for always supporting me.
8. Arief “Chong Lee” dan motornya, T-joe, Chandra “Jawer”, Deden, Lendi, Yuli, yang sudah mau mengantar groundchek.
10.Semua anak-anak MNH 37 yang sudah memberi warna dan rasa baru dalam kehidupanku.
11.Barudak DAMAS (Daya Mahasiswa Sunda) Bogor.
12.Kuburan crews, makasih untuk support, bagi-bagi ilmu, cerita, kegilaan dan tumpangan tempatnya.
13.Rekan Rekan Fakultas Kehutanan dan staf KPAP.
Penulis menyadari bahwa skripsi ini masih banyak memiliki kekurangan. Akhirnya Penulis berharap semoga skripsi ini dapat berguna dan bermanfaat bagi yang membaca.
Bogor, Januari 2005
DAFTAR ISI
Halaman
KATA PENGANTAR ... i
DAFTAR ISI ... iii
DAFTAR TABEL ... v
DAFTAR GAMBAR ... vi
DAFTAR LAMPIRAN ... vii
PENDAHULUAN Latar Belakang ... 1
Tujuan Penelitian ... 2
Manfaat Penelitian ... 3
METODE PENELITIAN Waktu dan Tempat Penelitian ... 4
Alat dan Bahan Penelitian ... 4
Metode Penelitian Pra Pengolahan Citra (Image Pre-Processing) Pemotongan Areal Penelitian Pada Citra (Cropping) ... . 6
Fusi Citra (Image Fussion) ... . 6
Koreksi Geometrik ... . 7
Mosaik (Mosaicking) ... . 8
Pengecekan Lapangan (Ground Check) ... . 8
Pengolahan Citra (Image Processing) Klasifikasi ... 9
Pembuatan Area Contoh (Training Area) ... 10
Klasifikasi Terbimbing (Supervised Classification) ... 11
Evaluasi Separabilitas ... 11
Uji Akurasi ... 12
Penghitungan Indeks Vegetasi ... 14
Pengolahan Data Spasial Analisis Sebaran Tutupan Lahan Sebaran Per Desa ... 15
Sebaran Pada Buffer Sungai 50 m ... 15
Sebaran Pada Buffer Jalan 10 m ... 15
Efisiensi Relatif ... 16
KEADAAN UMUM LOKASI PENELITIAN Letak dan Posisi Geografis ... 19
Keadaan Vegetasi ... 19
Jenis Tanah dan Geologi ... 20
Topografi ... 20
Iklim ... 21
Hidrologi ... 21
Kependudukan ... 22
Sarana dan Prasarana ... 22
HASIL DAN PEMBAHASAN Pengolahan Citra (Image Processing) Klasifikasi Terbimbing (Supervised Classification) ... 24
Analisis Separabilitas ... 25
Evaluasi Akurasi ... 27
Penghitungan Indeks Vegetasi ... 30
Kondisi Tutupan Vegetasi Secara Umum ... 34
Analisis Spasial Analisis Sebaran Tutupan Lahan Sebaran Per Desa ... 35
Sebaran Menurut Kelas Lereng ... 39
Sebaran Pada Buffer Sungai 50 m ... 40
Sebaran Pada Buffer Jalan 10 m ... 42
Efisiensi Relatif ... 44
KESIMPULAN DAN SARAN Kesimpulan ... 49
Saran ... 50
DAFTAR PUSTAKA
DAFTAR TABEL
No. Halaman
1. Karakteristik Citra Ikonos ... 5
2. Karakteristik Band Ikonos ... 6
3. GCP Koreksi Geometrik ... 8
4. Jumlah Training Area yang Dibuat ... 11
5. Kriteria Separabilitas ... 12
6. Bentuk Error Matrix ... 13
7. Luas Wilayah Sub DAS Ciliwung Hulu Berdasarkan Topografi ... 20
8. Kondisi Iklim di Sub DAS Ciliwung Hulu ... 21
9. Matrik Separabilitas Transformed Divergence ... 26
10. Matrik Kesalahan (Error Matrix) ... 29
11. Nilai Indeks Vegetasi ... 30
12. Luas Tutupan Vegetasi di Setiap Desa ... 39
13. Luas Setiap Kelas Tutupan Lahan Berdasarkan Kelas Lereng ... 40
14. Luas Setiap Kelas Tutupan Lahan Pada Buffer Sungai ... 42
15. Luas Setiap Kelas Tutupan Lahan Pada Buffer Jalan ... 44
DAFTAR GAMBAR
No. Halaman
1. Lokasi Penelitian ... 4
2. Diagram Alir Pengolahan Citra ... 18
3. Diagram Alir Analisis Data Spasial ... 19
4. Citra Hasil Klasifikasi ... 25
5. Peta Kisaran NDVI ... 31
6. a. Penampakan Pada Citra b. Keadaan di Lapangan (1) Hutan ... 31
(2) Semak dan Kebun ... 31
(3) Kebun Teh ... 32
(4) Sawah ... 32
(5) Rumput ... 32
(6) Kebun Teh Potong ... 32
(7) Sawah Kosong ... 33
(8) Kebun Kosong ... 33
(9) Tanah Kosong ... 33
(10) Pemukiman ... 33
(11) Jalan ... 34
(12) Sungai ... 34
(13) Awan ... 34
(14) Bayangan Awan ... 34
7. Persentase Luas Tiap Tutupan Lahan ... 37
8. Histogram Luas Setiap Tutupan Lahan di Tiap Desa ... 38
9. Histogram Luas Setiap Tutupan Lahan Pada Kelas Lereng ... 41
10. Histogram Luas Setiap Tutupan Lahan Pada Buffer Sungai ... 43
DAFTAR LAMPIRAN
No. Halaman
1. Tabel Kisaran Nilai Indeks Vegetasi Tutupan Vegetasi dan
PENDAHULUAN
Latar Belakang
Pesatnya perkembangan teknologi baik di bidang industri, transportasi, remote sensing dan bidang lain sekarang ini diiringi dengan semakin menurunnya kualitas lingkungan yang semakin hari semakin parah. Hal ini tentunya menjadi sebuah dilema dengan kurangnya kepedulian sebagian besar masyarakat dan kurangnya usaha-uasaha pelestarian lingkungan. Salah satu isu lingkungan yang sedang berkembang adalah pemanasan global (global warming) dan perubhan iklim. Perubahan iklim dipicu oleh kegiatan manusia terutama yang berkaitan dengan penggunaan bahan bakar fosil (BBF) dan kegiatan alih guna lahan dimana kegiatan tersebut dapat menghasilkan gas-gas karbon dioksida (CO2), metana
(CH4) dan nitrous oksida (N2O). Gas-gas tersebut mempunyai sifat seperti rumah
kaca, sehingga dinamakan Gas Rumah Kaca (GRK). Pada tahun 1850, konsentrasi salah satu GRK penting yaitu CO2 di atmosfer baru 290 ppmv (part per million by
volume), saat ini (150 tahun kemudian) telah mencapai sekitar 350 ppmv. Diperkirakan 100 tahun yang akan datang konsentrasi CO2 menjadi 580 ppmv
atau dua kali lipat zaman pra-industri. Akibatnya, 100 tahun yang akan datang suhu bumi akan meningkat hingga 4,5 oC (Murdiyarso, 2003).
Cukup banyak upaya-upaya yang telah dilakukan berbagai lembaga baik dari pemerintah maupun non pemerintah untuk menanggulangi atau meminimalisir fenomena tersebut. Untuk menaggulangi masalah pemanasan global, salah satu upaya yang dilakukan adalah dengan pedagangan karbon (carbon trade) dimana negara-negara maju yang tidak bisa menurunkan emisinya sampai batas yang ditentukan atau setidaknya tidak bertambah, harus membayar sekitar US$ 10/ton CO2 kepada negara berkembang. Instrumen hukum yang
dirancang untuk mengimplementasikan Konvensi Perubahan Iklim yang bertujuan menstabilkan konsentrasi GRK adalah Protokol Kyoto.
parah adalah Jakarta karena air sungai Ciliwung disana sangat buruk kualitasnya dan tidak bisa digunakan untuk kepentingan makhluk hidup. Banjir yang banyak terjadi akhir-akhir ini terutama di daerah Jakarta sering mengkambing hitamkan daerah puncak yang menjadi hulu sungai Ciliwung sebagai penyebabnya. Padahal, hal ini disebabkan banyaknya penduduk kota Jakarta yang mendirikan bangunan di lahan-lahan kritis yang seharusnya tidak boleh didirkan bangunan karena dapat menyebabkan longsor dan banjir. Pohon yang diketahui dapat mengikat air dengan akarnya otomatis berkurang dan terganti dengan ”pohon-pohon beton”, sehingga laju limpasan air akan cepat dan dapat mengakibatkan banjir.
Untuk mengetahui kondisi tutupan lahan di sekitar daerah puncak (Kecamatan Ciawi, Megamendung dan Cisarua), salah satu cara yang bisa diterapkan adalah dengan memanfaatkan teknologi penginderaan jauh (Remote Sensing) dengan citra satelit. Penginderaan jauh sudah dikenal sejak awal abad ke 19, untuk penginderaan jauh satelit dimulai sejak diluncurkannya ERTS-1 pada tahun 1972 (Jaya, 2002). Teknologi ini bisa digunakan pada bidang kehutanan, pertanian, transportasi, komunikasi, pengamanan dan lain-lain, apalagi sekarang ini teknologi penginderaan jauh sudah semakin berkembang dengan munculnya citra dengan resolusi tinggi seperti IKONOS, Quickbird dan SPOT. Satelit penginderaan jauh dan sensor-sensor yang bisa memberikan informasi vegetasi diantaranya TM, SPOT, IRS, IKONOS, ASTER dan lain-lain. Informasi vegetasi yang bisa didapatkan seperti konsentrasi klorofil, biomassa, kandungan air, phytoplankton. Dengan teknologi ini, bisa didapatkan informasi spasial mengenai tutupan lahan khususnya vegetasi hijau di sub DAS Ciliwung Hulu lebih akurat, efektif dan efisien baik dari segi tenaga dan biaya, mengingat kondisi topografi yang berbukit. Disini, data citra satelit yang digunakan adalah citra Ikonos resolusi spasial tinggi tahun perekaman 2003.
Tujuan Penelitian
Manfaat Penelitian
Penelitian ini diharapkan dapat menjadi pertimbangan dalam :
- Perencanaan dan pembangunan pemerintah dan masyarakat agar tutupan vegetasi tidak habis.
Gambar 1. Lokasi Penelitian
METODE PENELITIAN
Waktu dan Tempat Penelitian
Penelitian dilaksanakan pada bulan April 2004 sampai dengan bulan Juli 2005 dengan daerah penelitian sub DAS Ciliwung Hulu yang secara geografis terletak pada 106o48’00” BT sampai 107o00’00” BT serta 6o37’50” LS sampai 6o46’00” LS. Pengolahan data dilakukan di Laboratorium Remote Sensing Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor.
Alat dan Bahan Penelitian
Bahan-bahan yang digunakan dalam penelitian berupa data citra satelit Ikonos multispektral 4 x 4m dan pankromatik 1 x 1m tahun perekaman 2003 wilayah sub DAS Ciliwung Hulu. Alat-alat yang digunakan adalah :
1. Hardware (perangkat keras)berupa seperangkat komputer pribadi (PC) 2. Software (perangkat lumak) ERDAS versi 8.4 dan versi 8.7, Arc.View versi
3.2.
3. Kamera digital
Karakteristik Citra Ikonos
Pada tanggal 24 September 1999, Space Imaging berhasil meluncurkan satelit Ikonos, dan membuat sejarah sebagai satelit remote sensing komersial pertama dengan resolusi spasial 1 meter. Nama “Ikonos” diambil dari bahasa Yunani (Greek) “Eye-Koh-Nos" yang artinya sama dengan “image”. Ikonos merupakan citra beresolusi tinggi dengan band pankromatik resolusi 1 x 1m dan multispektral 4 x 4m yang menangkap gelombang elektromagnetik dengan kisaran 0,45 – 0.9 mikron. (Anonim, 1999).
Tabel 1. Karakteristik Citra Satelit Ikonos
Waktu Peluncuran 24 September 1999 (11:21:08 am PDT) Launch Vehicle Athena II
Lokasi peluncuran Vandenberg Air Force Base, California Resolusi Spasial 1-meter pankromatik
4-meter multispektral Resolusi Spektral Pankromatik:
0.45 - 0.90 mikron Multispektral:
Band 1: Blue 0.45 - 0.52 mikron Band 2: Green 0.52 – 0.60 mikron Band 3: Red 0.63 - 0.69 mikron
Band 4: Near IR 0.76 - 0.90 mikron (sama dengan Landsat 4&5 TM Bands band1-4) Lebar Swath dan Ukuran
Scene
Lebar Swath : 13 km pada nadir Areas of interest:
a nominal single image at 13 km x 13 km Altitud 423 mil / 681 kilometer
Inclination 98.1 derajat
Kecepatan 4 mil/detik atau 7 kilometer/detik Frekuensi Perekaman 2.9 hari untuk resolusi 1 m
1.5 hari untuk resolusi 1,5 m
Waktu Orbit 98 menit
Tipe Orbit sun-synchronous
Tabel 2. Karakteristik Band Ikonos
Band / Saluran
Panjang Gelombang Resolusi Spasial Deskripsi 1 2 3 4 Pankromatik
0.45 µm – 0.52 µm 0.52 µm – 0.61 µm 0.64 µm – 0.70 µm 0.77 µm – 0.88 µm 0.49 µm – 0.90 µm
4m 4m 4m 4m 1m Biru Hijau Merah Inframerah dekat Hijau-Inframerah dekat
Sumber: Jaya (2003)
Metode Penelitian
Pra Pengolahan Citra (Image Pre-Processing) Pemotongan Areal Penelitian Pada Citra (Cropping)
Secara utuh, citra Ikonos rekaman tahun 2003 yang tersedia mencakup wilayah DAS Ciliwung Hulu dan sebagian Kota Bogor. Memori citra Ikonos sangat besar, maka untuk memusatkan daerah penelitian, efektifitas dan efisiensi serta memudahkan dalam pengolahan dan penyimpanan data, perlu pembatasan areal penelitian yang jelas yaitu dengan pemotongan citra (cropping) sesuai dengan batasan areal penelitian yaitu sub DAS Ciliwung Hulu dengan menggunakan software ERDAS versi 8.7
Fusi Citra (Image Fussion)
Fusi citra merupakan salah satu cara yang bisa dipakai untuk perbaikan spektral (spectral enhancement) agar resolusi spektral yang akan diolah lebih tinggi dan informasi yang didapatkan menjadi lebih banyak. Salah satu teknik yang dapat digunakan adalah RGB (Red, Green, Blue) to IHS (Intensity, Hue, Saturation), yaitu menggabungkan 2 resolusi spektral dan spasial yang berbeda.
Koreksi Geometrik (Rektifikasi)
Sebelum dilakukan pengolahan citra harus sudah terkoreksi secara geometris dimana koordinat yang digunakan adalah UTM (Universe Transverse Mercator). Kesalahan geometris bisa disebabkan oleh rotasi bumi pada waktu perekaman, pengaruh topografi, pengaruh kelengkungan bumi, gravitasi dan efek panoramik (sudut pandang). Menurut Jaya (2002), kesalahan akibat kesalahan posisi geometris dapat berakibat fatal karena dapat menyebabkan terjadinya :
- Kesulitan melakukan pengecekan feature/obyek yang tampak pada citra di lapangan;
- Distorsi ukuran luas;
- Kesulitan pada proses integrasi (fusi) citra dengan sumber data lainnya; - Tidak memungkinkan dilakukan perbandingan piksel demi piksel
Rektifikasi geometrik ada 2 macam, rektifikasi citra ke citra (image to image rectification) dan rektifikasi citra ke peta (image to map rectification). Pada penelitian ini dilakukan rektifikasi citra ke citra dengan metode nearest neighbourhood interpolation (NNI). NNI adalah metode yang paling efisien da paling banyak digunakan karena tidak merubah nilai DN (Digital Number) yang asli (Jaya, 2002).
Walaupun RMSE yang dihasilkan sudah lebih baik, namun tetap tidak bisa mencapai rata-rata RMSE < 0,5. Dalam hal ini topografi daerah penelitian yang berbukit-bukit berpengaruh terhadap RMSE yang dihasilkan. Besarnya RMSE setelah registrasi adalah 8,869. Untuk mendapatkan hasil yang lebih baik, bisa dicoba menggunakan DEM (Digital Elevation Model).
Tabel 3. GCP Koreksi Geometrik
Penggabungan Citra (Mosaicking)
Setelah dilakukan koreksi geometrik, dilakukan mosaik atau penggabungan 2 citra yang saling bertampalan. Mosaik ini dilakukan agar citra dapat dianalisis secara menyeluruh dan tidak terdapat overlap data. Karena RMSE hasil koreksi masih >0,5 maka posisi koordinat di kedua citra belum sepenuhnya tepat sehingga dalam proses penggabungan ini, daerah yang overlap tidak semua tersambung dengan sempurna, hanya sebagian saja. Selisih piksel maksimal pada daerah overlap ini adalah 8 piksel atau dengan resolusi 1m x 1m sama dengan 8 m sehingga memudahkan proses analisis dan pengolahan citra.
Pengecekan Lapangan (Ground Check)
Pengolahan Citra (Image Processing)
Klasifikasi
Dalam Jaya (2002), klasifikasi diartikan sebagai mengelompokan piksel-piksel ke dalam kelas-kelas atau kategori-kategori yang telah ditentukan berdasarkan nilai kecerahan (brightness value/BV atau digital number/DN) piksel yang bersangkutan. Metode klasifikasi yang digunakan disini adalah klasifikasi terbimbing (supervised classsification), dimana analis perlu membuat area contoh (training area) terlebih dahulu.
Pada citra yang dikaji dilakukan interpretasi visual untuk mengetahui obyek-obyek tutupan lahan yang tampak pada citra. Istilah penutupan lahan berkaitan dengan jenis kenampakan yang ada di permukaan bumi (Lillesand dan Kiefer, 1990).
Secara garis besar tutupan lahan ada yang berupa vegetasi dan non vegetasi. Dalam pemetaan vegetasi, Küchler (1967) mengartikan vegetasi sebagai kumpulan komunitas tumbuhan atau tanaman yang ada dipermukaan tanah dan berupa unit-unit yang bisa dipetakan.
Kelas-kelas yang dibuat berdasarkan hasil pengecekan lapangan dan juga interpretasi visual pada citra. Berikut ini adalah deskripsi masing-masing kelas : 1. Pohon
Tumbuhan berkayu dengan diameter >20 cm. 2. Semak dan Kebun
Lahan yang ditanami dengan tanaman perkebunan seperti sayuran dan atau semak belukar.
3. Kebun Teh
Lahan yang ditanami dengan tumbuhan teh. 4. Kebun Teh Potong
Kebun teh potong adalah kebun teh yang sudah dipanen dan dipotong pucuknya sehingga pada citra tidak akan berwarna hijau lagi, melainkan coklat dari warna. batang tanaman teh tersebut
5. Sawah
6. Rumput
Lahan yang ditumbuhi oleh rerumputan dalam hal ini rumput di halaman-halaman rumah/vila dan sebagian rumput pada lapangan bola.
7. Tanah Kosong
Tanah kosong adalah lahan yang tidak digunakan atau sedikit ditumbuhi rumput, termasuk didalamnya sawah kosong atau sawah yang belum ditanami padi dan juga kebun kosong atau kebun yang belum ditanami.
8. Pemukiman
Semua bangunan yang ada pada citra diklasifikasikan kedalam pemukiman, sehingga sesungguhnya dalam kelas pemukiman ini terdapat bangunan rumah, pabrik, rumah kaca, rumah makan dan lain-lain.
9. Jalan
Jalan yang dimaksud yaitu jalan raya, jalan desa dan jalan-jalan di pemukiman dengan fungsi transportasi dan konstruksinya sebagian besar terbuat dari aspal.
10.Badan Air
Yang termasuk badan air adalah daerah yang dialiri air, pada citra berwarna biru kehitaman.
11.Awan
Awan adalah kumpulan butir-butir air di langit yang berwarna putih sampai putih keabuan.
12.Bayangan Awan
Bagian dari permukaan bumi yang menjadi lebih gelap karena sinar matahari yang menuju ke bumi terhalang oleh awan.
Pembuatan Area Contoh (Training Area)
Dalam melakukan klasifikasi ini digunakan metode klasifikasi terbimbing (Supervised Classification) dimana harus dibuat dulu training area untuk masing-masing kelas tutupan lahan. Tahap paling penting adalah penamaan pixel (labelling) yang diperoleh dari data training area. Dalam penelitian ini dibagi kedalam 12 kelas yang terdiri atas : pohon, semak dan kebun, kebun teh, sawah, rumput, kebun teh potong, tanah kosong, pemukiman, jalan, sungai, awan dan bayangan awan. Berdasarkan ketentuan dimana jumlah training area minimal adalah N+1, berarti sudah masuk persyaratan jumlah training area minimum.
Tabel 4. Jumlah Training Area yang Dibuat
No. Nama Kelas Jumlah Kelas
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. Pohon
Semak dan Kebun Campuran Kebun Teh
Sawah Rumput
Kebun Teh Potong Tanah Kosong Pemukiman Jalan Sungai Awan Bayangan Awan 4506 2267 4528 1217 2290 2154 4229 2165 1460 1124 13258 21326
Total Training Area 60423
Klasifikasi Terbimbing (Supervised Classification)
Dalam Jaya (2002), klasifikasi terbimbing adalah klasifikasi dimana analis mempunyai sejumlah piksel yang mewakili masing-masing kelas atau kategori yang diinginkan. Metode yang digunakan dalam klasifikasi ini adalah kemungkinan maksimum (maximum likelihood).
Evaluasi Separabilitas
(
/8)
12000 dij
T
ij e
TD = − −
(
)
(
)
{
}
{
(
)
(
)(
)
t}
j i j i j i i j j i
ij Tr C C C C Tr C C m m m m
D = − −1− −1 + −1− −1 − −
2 1 2
1
dengan uji separabilitas atau daya keterpisahan yang dapat dihitung bagi semua pasangan kelas dan disajikan dalam suatu matrik. Ada bermacam-macam metode yang dapat digunakan untuk melakukan uji separabilitas ini. Namun, yang banyak digunakan adalah metode transformed divergence. Menurut Jaya (1997), Transformed Divergence ini mempunyai keunggulan dalam evaluasi separabilitas antar kelas/kategori dan dapat menentukan kombinasi band terbaik karena memperhitungkan nilai piksel-piksel yang ada didekatnya sehingga nilainya tidak telalu berbeda jauh. Menurut hasil riset, transformed divergenced memberikan hasil yang baik dan konsisten dalam menentukan kombinasi band.
Rumus TD adalah sebagai berikut :
Keterangan :
TDij = nilai Transformed Divergence antar kelas i dan j
Dij = divergence antar kelas i dengan kelas j
Ci dan Cj = matrik ragam-peragam dari kelas i dan kelas j
Ci-1 dan Cj-1 = matrik kebalikan ragam-peragam dari kelas i dan kelas j
mi dan mj = vektor rata-rata dari kelas i dan kelas j
t = transpose
Tr = teras dari matrik Tabel 5. Kriteria Separabilitas
Nilai Transformed Divergence Deskripsi
2000 Sangat Baik(Excellent)
1900 - < 2000 Baik (Good) 1800 - < 1900 Cukup(Fair) 1600 - < 1800 Kurang(Poor)
<1600 Tidak Terpisahkan(Inseparable)
Uji Akurasi
% 100 2 × Χ Χ − Ν Χ Χ − Χ Ν
∑
∑
∑
+ + + + r k k k r k r k k k kk % 100 × ΧΧ
k+kk
% 100
×
Χ
Χ
+Kkk % 100 × Ν Χ
∑
r k kkklasifikasi dengan pembuatan training area dimana dari matrik dapat dilihat penyimpangan klasifikasi yaitu berupa kelebihan jumlah piksel dari kelas lain atau kekurangan jumlah piksel pada masing-masing kelas. Idealnya, seluruh elemen yang bukan diagonal didalam matriks tersebut harus bernilai nol yang berarti tidak ada penyimpangan dalam klasifikasi. (Lillesand dan Kiefer, 1990).
Tabel 6. Bentuk Error Matrix
Sumber : Jaya, 2000
Ukuran yang banyak digunakan adalah Kappa Accuracy karena memperhitungkan semua elemen (kolom) dari matrik (Jaya, 2000).
Kappa (K) =
Keterangan :
N = Jumlah semua piksel yang dipakai
ΣXkk = Jumlah semua kolom pada baris ke-k, kolom ke-k
Rumus-rumus perhitungan akurasi yang lain adalah sebagai berikut : Producer’s accuracy =
User’s Accuracy =
Overall Accuracy = Data Acuan
Training Area
Diklasifikasi Sebagai Kelas Total Baris Xk+
Producer’s Accuracy
Xkk/Xk+
A B …. D
A Xkk
B ….
D Xkk
Total
Kolom X+k N
User’s
red NIR
red NIR
+ −
Producer’s accuracy mengindikasikan sebarapa baik training area yang dibuat terklasifikasi. User’s accuracy adalah ukuran commision error dan mengindikasikan kemungkinan suatu piksel terklasifikasi kedalam kategori yang mencerminkan keadaan dilapangan (Lillesand dan Kiefer, 1994)
Penghitungan Indeks Vegetasi
Sejak tahun 1960 an, para ilmuwan telah mengekstraksi dan membuat model berbagai variabel biofisik vegetasi menggunakan data penginderaan jauh. Usaha ini telah beralih dan berkembang menjadi index vegetasi, yang didefinisikan sebagai pengukuran radiometrik yang berfungsi sebagai indikator aktifitas vegetasi hijau, dan terkadang termasuk Leaf Area Index (LAI), persentase tutupan lahan hijau, kandungan klorofil, biomasa dan absorbed photosynthetically active radiation (APAR) (Jensen, 2000).
Ada lebih dari 20 vegetasi index yang digunakan saat ini, salah satunya adalah Normalized Difference Vegetation Index (NDVI) yang diperkenalkan oleh Rouse et al. (1974) :
Keterangan :
NDVI = NDVI = Normalized Divergence Vegetation Indices NIR = Near Infra Red
Secara umum vegetasi hijau yang sehat merefleksikan 40 sampai 50% dari energi near infra red (0,7 – 1,1 μm) dengan klorofil pada tumbuhan mengabsorbsi mendekati 80 sampai 90% bagian dari spektrum pada energi cahaya tampak (visible) (0,4 – 0,7 μm) (Jensen, 1983).
Indeks vegetasi bernilai antar -1 sampai +1, dimana semakin mendekati angka +1 berarti vegetasi semakin rapat.
Pengolahan Data Spasial
yang mampu merekam, menyimpan, memperbaharui, menampilkan dan menganalisis serta menampilkan informasi yang bereferensi geografis.
Sistem informasi geografis bukanlah suatu sistem yang semata-semata berfungsi untuk membuat peta, tetapi merupakan suatu alat analitik (analitical tools) yang mampu memecahkan masalah spasial secara otomatis, cepat dan teliti. Pada bidang kehutanan, SIG sangat diperlukan guna mendukung pengambilan keputusan untuk memecahkan masalah keruangan, mulai dari tahap perencanaan, pengelolaan sampai masalah yang menyangkut luasan (polygon), batas (line atau arc) dan lokasi (point) (Jaya, 2002).
Analisis Sebaran Tutupan Lahan
Sebaran Per Desa
Dilakukan dengan mengoverlay hasil klasifikasi dengan batas desa, untuk mengetahui sebaran vegetasi pada masing-masing desa dan persentase penutupan tiap tutupan lahan.
Sebaran Menurut Kelas Lereng
Dilakukan dengan mengoverlay hasil klasifikasi dengan kelas lereng, untuk mengetahui berapa banyak penggunaan lahan yang tidak sesuai dengan peraturan terutama pada kelerengan curam.
Sebaran Pada Buffer Sungai 50 m
Sesuai dengan Undang-undang No. 41 tahun 1999, pada jarak 50 meter kiri kanan tepi anak sungai tidak boleh dilakukan penebangan pohon. Pada tahap ini dilakukan dengan mengoverlay hasil klasifikasi dengan batas buffer sungai yang dibuat sebelumnya selebar 50 m kanan kiri sungai, untuk mengetahui sebaran vegetasi pada jarak buffer tersebut.
Sebaran Pada Buffer Jalan 10 m
Efisiensi Relatif (ER)
Pemetaan bisa dilakukan baik dengan menggunakan citra satelit maupun tanpa citra satelit. Namun, tentunya terdapat perbedaan-perbedaan baik dari cara pengambilan sampel maupun dalam pengolahan datanya. Dari situ dapat dibuat kajian mengenai efisiensi pengolahan data menggunakan citra Ikonos dan tanpa citra dengan memperhatikan komponen-komponen pengambilan data lapangan, pengadaan data dan pengolahan data.
Rumus yang digunakan dalam penghitungan efiseinsi relatif ini telah digunakan dalam Jaya (2005) dimana efisiensi relatif merupakan perbandingan antara biaya tanpa citra (survey lapangan) dengan biaya menggunakan citra.
ER =
e f C C
Keterangan : Cf = total biaya tanpa citra
Gambar 2. Diagram Alir Pengolahan Citra
Gambar 2. Diagram Alir Pengolahan Citra Tidak
Penghitungan NDVI Data Citra
Satelit IKONOS
Pra Pengolahan Citra :
1. Pembatasan Wilayah Penelitian (Cropping) 2. Fusi Citra (Image Fussion)
3. Koreksi Geometrik 4. Mosaik (Mosaicking)
Pengolahan Citra Mulai
Ya
Tidak
Analisis Separabilitas
Uji Akurasi
Citra Terklasifikasi Ground Check
Klasifikasi : 1. Pembuatan Training Area 2. Klasifikasi Terbimbing Interpretasi Visual
Terima?
Ya
Selesai
Gambar 3. Diagram Alir Analisis Data Spasial
Data Spasial :
Peta batas DAS Ciliwung Hulu Peta batas Desa Peta batas anak sungai Peta batas jalan Hasil klasifikasi
Layer Tutupan Vegetasi
• Pohon
• Semak dan kebun
• Sawah
• Rumput
• Teh
Luas Tiap Kelas Tutupan Lahan
Analisis Spasial Sebaran Vegetasi
Sebaran Vegetasi : - Per Desa
- Menurut Kelas Lereng - Pada Buffer Sungai 50m - Pada Buffer Jalan 10 m
Mulai
KEADAAN UMUM LOKASI PENELITIAN
Letak dan Posisi Geografis
Sub DAS Ciliwung Hulu terletak pada koordinat geografis 106o48’45“ sampai 107o00’30” BT serta 6o36’30”sampai 6o46’30” LS di wilayah administrasi Pemerintahan Daerah Tingkat II Bogor, Propinsi Jawa Barat. Wilayah sub DAS Ciliwung Hulu meliputi Kodya dan Kabupaten Bogor dan mencakup beberapa kecamatan, yaitu: Kabupaten Bogor mencakup Kecamatan Cisarua, Megamendung, Ciawi dan Sukaraja, sedangkan Kodya Bogor hanya mencakup Kacamatan Kota Bogor Timur.
Luas wilayah sub DAS Ciliwung Hulu adalah 14.876 ha terbagi kedalam 4 sub DAS yaitu :
1. Sub sub DAS Ciesek seluas 2452,78 Ha
2. Sub sub DAS Hulu Ciliwung seluas 4593,03 Ha 3. Sub sub DAS Cibogo Cisarua seluas 4110,34 Ha
4. Sub sub DAS Ciseuseupan Cisukabirus seluas 3719,85 Ha
Keadaan Vegetasi
Penutupan lahan terbesar pada areal sub DAS Ciliwung Hulu adalah berupa hutan seluas 5075,49 ha atau sekitar 34,11 % dari keseluruhan luas wilayah DAS, sedangkan jenis penutupan lahan vegetasi lainnya yaitu berupa kebun campuran seluas 1529,78 ha (10,35 %), tegalan seluas 700,57 ha (4,7 %), sawah seluas 2524,58 ha (16,9 %), semak belukar seluas 426,53 ha (2,88 %), kebun teh seluas 2669,59 ha (18,05 %) serta hutan kebun teh seluas 111,43 ha (0,75 %).
produksi yang didominasi oleh jenis Pinus sp.yang banyak dimanfaatkan oleh masyarakat setempat.
Jenis Tanah dan Geologi
Jenis-jenis tanah yang ada di wilayah sub DAS Ciliwung Hulu meliputi jenis komplek aluvial kelabu, andosol coklat dan regosol coklat, andosol coklat, latosol coklat, latosol coklat kemerahan dan latosol coklat. Hal ini didasarkan Peta Tanah Tinjau untuk Kabupaten Bogor dan Kodya Bogor skala 1:250.000 dari Pusat Penelitian Tanah Bogor.
Dari jenis-jenis tanah diatas, jenis tanah yang tersebar secara luas di sub DAS Ciliwung Hulu adalah latosol coklat kemerahan dan latosol coklat sebesar 32,89 % dari total luas sub DAS .
Sub DAS Ciliwung Hulu dibangun oleh formasi geologi volkanik yaitu komplek utama Gunung Salak dan Komplek Gunung Pangrango. Bahan induk tanah yang terdapat di sub DAS Ciliwung Hulu adalah berupa tufa volkanik dan derivatifnya merupakan bahan dasar pembentuk tanah.
Topografi
[image:34.612.130.507.554.663.2]Berdasarkan bentuk topografinya, wilayah sub DAS Ciliwung Hulu bervariasi antara bentuk datar, landai, agak curam, curam sampai sangat curam. Pembagian wilayah sub DAS Ciliwung Hulu berdasarkan topografi dan bentuk wilayah diklasifikasikan kedalam bentuk kelas lereng seperti dapat dilihat pada tabel berikut :
Tabel 7. Luas Wilayah Sub DAS Ciliwung Hulu Berdasarkan Bentuk Topografi.
No. Kelas Kelerengan (%) Luas (Ha) %
1. 2. 3. 4. 5. 6.
0 – 3 3 – 8 8 – 15 15 – 25 25 – 40 > 40 1260,29 2068,4 1745,45 1455,66 2378,64 5967,56 8,47 13,91 11,73 9,78 15,99 40,12
Jumlah 14.876 100
Dengan melihat bahwa wilayah dengan kelerengan diatas 15 % dan 40 % (40,12 %) sangat menyebar luas dan mendominasi wilayah sub DAS ciliwung Hulu maka kondisi tersebut mempunyai potensial erosi yang sangat besar.
Iklim
[image:35.612.129.505.319.404.2]Curah hujan merupakan salah satu unsur iklim yang digunakan sebagai data dalam pengkajian pengruh iklim di dalam suatu DAS. Data iklim untuk daerah sub DAS Ciliwung Hulu diperoleh dari Stasiun Pengamat Hujan Katulampa. Kondisi iklim di sub DAS Ciliwung Hulu menurut Rencana Teknik Lapangan Rehabilitasi Lahan dan Konservasi Sub DAS Ciliwung Hulu, DAS Ciliwung berdasar data curah hujan PU Pengairan Kabupaten Bogor 1997 adalah :
Tabel 8. Kondisi Iklim di Sub DAS Ciliwung Hulu
No. Stasiun CH Rata-rata Tahunan (mm) Bulan Basah Bulan Kering Tipe Iklim 1. 2. 3. Katulampa Gunung Mas Selawangi 3336 3319 2785 10,9 11,5 9,3 0,6 0,9 0,6 A A A Sumber : Balai Penelitian DAS Ciliwung
Berdasarkan data tersebut, diketahui bahwa sub DAS Ciliwung Hulu mempunyai curah hujan rata-rata 2929 – 4956 mm/tahun. Tipe iklim sub DAS Ciliwung Hulu menurut sistem klasifikasi Smidth dan Ferguson (1951) yang didasarkan pada besarnya curah hujan, yaitu bulan basah (>200 mm) dan bulan kering (<100 mm) adalah termasuk kedalam tipe A.
Hidrologi
Kependudukan
Berdasarkan data Badan Pusat Statistik (BPS) tahun 2003 Secara keseluruhan jumlah penduduk di sub DAS Ciliwung Hulu adalah sebanyak 231.918 jiwa terdiri dari 118.934 jiwa laki-laki dan 117.098 jiwa perempuan dengan jumlah keluarga sebanyak 53.741 kepala keluarga. Dengan kondisi tersebut, maka sex rasio yang terjadi adalah 1,94.
Dari data Balai Rehabilitasi dan Konservasi Tanah Citarum – Ciliwung tahun 2000, mata pencaharian penduduk sangat beragam, namun yang paling besar adalah sebagai petani sejumlah 15.321 jiwa, buruh tani sejumlah 12.107 jiwa dan pedagang sejumlah 11.766 jiwa, sedangkan yang lainnya bermata pencaharian sebagai Pegawai Negeri Sipil (PNS) dan ABRI, buruh industri kecil, supir, peternak dan lain-lain. Dari situ terlihat bahwa ketergantungan penduduk akan sumberdaya alam berupa tanah/lahan demikian besar karena mereka memanfaatkan tanah/lahan tersebut untuk mencari nafkah.
Tingkat pendidikan masyarakat di wilayah sub DAS Ciliwung Hulu mempuyai tingkat pendidikan formal sebesar 129.116 atau sekitar 58,85 % dari jumlah keseluruhan penduduk dan untuk non formal sebesar 17.609 jiwa atu 8% dari jumlah penduduk.
Sarana dan Prasarana
Sarana dan prasarana perhubungan yang meliputi Kabupaten Bogor dan Kodya Bogor merupakan jalan darat dengan kondisi terdiri atas jalan aspal 247,8 km, jalan batu 116,6 km dan jalan tanah 54,8 km. Sarana angkutan darat yang tersedia adalah mobil sebanyak 3.441 buah, sepeda motor 6.236 buah dan sepeda sebanyak 18.672 buah.
Sarana perekonomian yang tersedia adalah berupa Bank, koperasi, pasar, toko, warung dan kios. Sarana Bank hanya ada sebanyak 12 buah, koperasi 14 buah, pasar 6 buah dan toko/warung sebanyak 406 buah.
Sarana peribadatan yang ada di wilayah ini berupa Masjid sebanyak 284 buah dan Mushola 859 buah. Sedangkan untuk Gereja dan Vihara masing-masing sebanyak 2 buah.
HASIL DAN PEMBAHASAN
Pengolahan Citra (
Image Processing
)
Klasifikasi Terbimbing (Supervised Classification) [image:38.612.120.519.325.613.2]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.
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
[image:40.792.74.718.133.333.2]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.
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
[image:43.792.67.712.146.563.2]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
[image:45.612.87.511.412.669.2]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
[image:46.612.77.509.80.665.2]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
[image:47.612.76.511.68.707.2]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
[image:48.612.91.512.75.504.2]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.
Analisis Spasial
Analisis Sebaran Tutupan Lahan Sebaran Tutupan Lahan Per Desa
36
Sukamaju yaitu sebanyak 382,72 ha dan yang paling sedikit adalah Desa Cilember, sebanyak 3,674 ha. Tutupan lahan sawah banyak terdapat di Desa Tugu Selatan, yaitu 142.754 ha dan yang paling sedikit adalah Desa Cisarua, yaitu 3,930 ha, tutupan rumput banyak ditemukan di Desa Tugu Selatan dengan 46,578 ha dan yang paling sedikit di Desa Cisarua dengan 0,338 ha. Untuk tutupan tanah kosong, Desa Cibeureum mempunyai tutupan terluas yaitu 110,040 ha dan yang paling sedikit di Desa Cilember, yaitu hanya 2,766 ha. Tutupan pemukiman terbanyak di Desa Tugu Selatan sebanyak 165,166 ha dan paling sedikit di Desa Tugu Utara sebanyak 0,527 ha. Tutupan jalan terbanyak di Desa Tugu Selatan 80,953 ha dan yang paling sedikit di Desa Tugu Utara sebanyak 0,522 ha.
37
Persentase Luas Tiap Tutupan Lahan
31%
14% 15%
12% 3%
9%
4% 3%
5% 1% 3%
Pohon Smk & Kbn Kebun Teh Sawah Rumput Tnh Kosong Permukiman Jalan
[image:51.612.142.500.241.474.2]Sungai Awan Byngn Awan
38
0 500 1000 1500 2000 2500 3000 3500
L
u
as
(
H
a)
Poho n
Smk & Kbn
Kbn Te h
SawahRump ut
Tnh K osong
Permuk
iman JalanSungai Awan Byng
n Awan
Jenis Tutupan Lahan
Histogram Luas Setiap Tutupan Lahan di Tiap Desa
Batulayang Bojong Murni Cibeureum Cilember
Cipayung Cipayung Girang Cisarua Citeko
Gadog Jogjogan Kopo Kuta
Leuwimalang Megamendung Sukagalih Sukakarya
Sukamanah Sukaresmi Sukamaju Tugu Selatan
[image:52.612.98.507.93.685.2]Tugu Utara
39
Tabel 12. Luas Tutupan Vegetasi di Setiap Desa
Pohon Smk & Kbn Kbn Teh Sawah Rumput
Batulayang 35.051 15.454 10.719 27.858 2.480
0.441 0.195 0.135 0.351 0.031
Bojong Murni 55.997 16.596 20.534 40.895 7.510
0.705 0.209 0.259 0.515 0.095
Cibeureum 129.680 89.680 103.360 135.680 23.680
1.633 1.129 1.302 1.709 0.298
Cilember 9.611 2.091 3.674 6.058 1.897
0.121 0.026 0.046 0.076 0.024
Cipayung 497.511 149.040 93.023 40.795 8.498
6.266 1.877 1.172 0.514 0.107
Cipayung Girang 38.857 12.003 30.066 63.291 22.276
0.489 0.151 0.379 0.797 0.281
Cisarua 6.041 5.469 4.036 3.930 0.338
0.076 0.069 0.051 0.049 0.004
Citeko 28.595 34.430 19.733 22.009 1.950
0.360 0.434 0.249 0.277 0.025
Gadog 12.431 8.229 6.518 7.752 1.136
0.157 0.104 0.082 0.098 0.014
Jogjogan 82.398 66.395 48.990 89.199 7.063
1.038 0.836 0.617 1.123 0.089
Kopo 115.708 78.143 60.541 77.938 7.693
1.457 0.984 0.762 0.982 0.097
Kuta 22.508 8.044 14.267 25.742 9.953
0.283 0.101 0.180 0.324 0.125
Leuwimalang 96.191 112.753 146.981 91.617 12.111
1.211 1.420 1.851 1.154 0.153
Megamendung 10.870 4.236 5.027 9.096 2.307
0.137 0.053 0.063 0.115 0.029
Sukagalih 24.629 10.554 25.079 7.380
0.310 0.133 0.316 0.093
Sukakarya 93.601 81.218 111.605 86.003 25.027
1.179 1.023 1.406 1.083 0.315
Sukamanah 68.605 36.855 56.768 91.731 21.758
0.864 0.464 0.715 1.155 0.274
Sukaresmi 471.284 140.783 110.107 137.567 35.982
5.936 1.773 1.387 1.733 0.453
Sukamaju 376.314 239.966 382.720 140.110 31.403
4.739 3.022 4.820 1.765 0.396
Tugu Selatan 529.579 203.534 289.259 142.754 46.578
6.670 2.563 3.643 1.798 0.587
Tugu Utara 603.063 195.536 43.337 14.983 2.157
7.595 2.463 0.546 0.189 0.027
Total (Ha) 3308.523 1500.454 1571.820 1280.086 279.176 7940.056
482.080 141.531 91.564 Luas (Ha) dan Persentase (%) Tutupan Vegetasi
31.537 459.652
80.513
Nama Desa Total (Ha)
41
Persentase
0% - 8% 8% - 15% 15% - 25% 25% - 45% > 45% (%)
664.658 472.444 702.141 1124.448 365.441
6.293 4.473 6.648 10.646 3.460
356.937 269.220 371.944 410.203 109.321
3.380 2.549 3.522 3.884 1.035
508.238 397.713 373.289 263.314 42.199
4.812 3.766 3.534 2.493 0.400
584.397 311.873 239.934 140.157 21.294
5.533 2.953 2.272 1.327 0.202
155.743 64.080 39.622 20.136 3.695
1.475 0.607 0.375 0.191 0.035
437.820 222.953 152.553 68.110 6.298
4.145 2.111 1.444 0.645 0.060
261.440 112.548 66.152 56.331 23.083
2.475 1.066 0.626 0.533 0.219
134.135 54.812 29.167 29.308 12.189
1.270 0.519 0.276 0.277 0.115
28.972 12.955 16.807 27.352 13.181
0.274 0.123 0.159 0.259 0.125
26.183 36.393 113.101 176.305 71.720
0.248 0.345 1.071 1.669 0.679
15.886 8.992 49.752 184.205 100.585
0.150 0.085 0.471 1.744 0.952
Total (Ha) 563.553 246.606 154.945 130.570 50.343 10561.725 100
14.369 31.521 2.682 12.286 15.005 4.919 8.405 3.403 4.012 0.940 2.458 1584.752 1517.626 3329.131 359.420 283.275 1297.654 259.611 519.553 887.734 Awan Bayangan Awan 423.702 99.267 Kelas Tutupan Lahan
Tanah Kosong Sungai Jalan Permukiman Total (Ha) Pohon
Semak dan Kebun
Kebun Teh
Sawah
Rumput
Luas (Ha) dan Persentase (%) Pada Kelas Lereng
Sebaran Tutupan Lahan Menurut Kelas Lereng
[image:54.612.117.511.351.653.2]Berdasarkan kelas lereng 0% sampai ≥ 45%, dapat dilihat bahwa tutupan lahan yang dominan pada tiap kelas lereng adalah pohon dengan persentase keseluruhan 31,5%. Pada kelas lereng 0% - 8% tutupan pohon sebesar 6,293% atau seluas 664.658 ha, pada kelas lereng 8% - 15% sebesar 4,473% atau seluas 472,444 ha, pada kelas lereng 15% - 25% sebesar 6,648% atau seluas 702, 141 ha, untuk kelas lereng 25% - 45% sebesar 10,646% atau seluas 1124,448 ha dan pada kelas lereng ≥ 45% sebanyak 3,640% atau seluas 365,441 ha. Dapat dilihat bahwa kelas lereng 25% - 45% adalah yang paling banyak ditutupi pohon. Salah satu penyebabnya adalah karena daerah tersebut termasuk kedalam hutan lindung, sehingga otomatis penebangan pohon akan lebih sedikit dibandingkan tempat lain, dimana salah satu kriteria hutan lindung adalah bila kemiringannya > 40%. Lebih lengkapnya dapat dilihat pada Tabel 13.
42
Histogram Sebaran Tutupan Lahan Pada Kelas Lereng
365.441 702.141
664.658
472.444
1124.448
0 200 400 600 800 1000 1200
0% - 8% 8% - 15% 15% - 25% 25% - 45% > 45%
Kelas Lereng
Lua
s (
H
a
)
Pohon Semak dan Kebun Kebun Teh
Sawah Rumput Tanah Kosong
Permukiman Jalan Sungai
[image:55.612.146.503.75.322.2]Awan Bayangan Awan
Gambar 9. Histogram Luas Setiap Tutupan Lahan Pada Kelas Lereng
Sebaran Tutupan Lahan Pada Buffer Sungai Jarak 50 m
Jarak buffer pada sungai yang digunakan adalah 50 m dengan interval 10 m. Pada Gambar 10 dapat terlihat bahwa jenis tutupan lahan yang mendominasi pada buffer 10, 20, 30, 40 dan 50 m adalah pohon dengan 32,126% atau seluas 36.298 ha dimana pada buffer 10 m mempunyai tutupan pohon terbanyak dengan 10,158% atau 11,47 ha. Tutupan lahan terbesar kedua adalah sawah dengan 19,338% atau 21,849 ha karena sawah yang digunakan oleh penduduk adalah sawah irigasi sehingga banyak terdapat ditepi sungai.Tutupan lahan yang paling sedikit selain awan dan bayangan awan adalah rumput dengan 2,268% atau seluas 2,563 ha.
43
10 20 30 40 50
11.477 6.584 6.068 6.167 6.002 10.158 5.827 5.371 5.458 5.312 4.456 2.461 1.93 1.822 1.655 3.944 2.178 1.708 1.613 1.465 4.506 2.488 2.192 2.055 2.083 3.988 2.202 1.940 1.819 1.844 7.522 4.039 3.385 3.303 3.6 6.657 3.575 2.996 2.923 3.186 0.749 0.428 0.404 0.474 0.508 0.663 0.379 0.358 0.420 0.450 4.101 2.436 2.238 2.146 1.897 3.630 2.156 1.981 1.899 1.679 2.179 1.329 1.204 1.108 1.047 1.929 1.176 1.066 0.981 0.927 1.021 0.674 0.617 0.669 0.71 0.904 0.597 0.546 0.592 0.628 0.424 0.267 0.611 0.722 0.719 0.375 0.236 0.541 0.639 0.636
0.006 0 0 0 0
0.005 0 0 0 0
0.139 0.107 0.07 0.066 0.122 0.123 0.095 0.062 0.058 0.108
Total (Ha) 36.58 20.813 18.719 18.532 18.343 112.987 100 Kelas Tutupan
Lahan
Luas (Ha) dan Persentase (%) Tiap Tutupan Lahan Pada Jarak Buffer (m)
[image:56.612.120.509.100.451.2]Total (Ha) 2.563 21.849 13.324 2.743 Persentase (%) 10.907 32.126 2.268 19.338 11.793 0.446 0.005 2.428 3.267 6.078 Rumput 11.345 12.818 Permukiman Tanah Kosong Sungai Jalan 12.324 36.298 Sawah Kebun Teh Smk dan Kbn Pohon 3.691 6.867 0.504 0.006 Bayangan Awan Awan
44
11.477
6.584
6.068 6.167 6.002
0 2 4 6 8 10 12
L
u
as
(
H
a)
10 m 20 m 30 m 40 m 50 m
Jarak Buffer (m)
Histogram Luas Setiap Tutupan Lahan Pada Buffer Sungai
[image:57.612.150.496.79.357.2]Pohon Semak dan Kebun Kebun Teh Sawah Rumput Tanah Kosong Permukiman Jalan Sungai Awan Bayangan Awan
Gambar 10. Histogram Luas Setiap Tutupan Lahan Pada Buffer Sungai
Sebaran Tutupan Lahan Pada Buffer Jalan Jarak 10 m
45
5 m 10 m
3.920 3.954 10.407 10.497 1.414 1.377 3.754 3.656 3.124 3.118 8.294 8.278 2.264 2.420 6.010 6.425 0.591 0.686 1.569 1.821 1.386 1.357 3.680 3.603 2.467 2.372 6.549 6.297 3.249 3.109 8.625 8.254 0.314 0.304 0.834 0.807 0.031 0.021 0.082 0.056 0.109 0.081 0.289 0.215
Total (Ha) 18.869 18.799 37.668 100
3.390 1.277 12.435 16.571 0.190 0.052 0.618 6.358 0.504 0.138 1.641 16.879 12.846 4.839 2.743 7.282 7.409 20.904 4.684 6.242 2.791 7.874 Sawah Kebun Teh Smk dan Kbn Pohon Permukiman Tanah Kosong Rumput Bayangan Awan Awan Sungai Jalan Total (Ha) Kelas Tutupan Lahan
Luas (Ha) dan Persentase (%)Tiap
[image:58.612.117.509.117.474.2]46
0 1 2 3 4
L
u
as
(
h
a)
5 m 10 m
Jarak Buffer
Histogram Luas Setiap Tutupan Lahan Pada Buffer Jalan
Pohon Smk dan Kbn Kebun Teh
Sawah Rumput Tanah Kosong
Permukiman Jalan Sungai
[image:59.612.160.481.78.321.2]Awan Bayangan Awan
Gambar 11. Histogram Luas Setiap Tutupan Lahan Pada Buffer Jalan
Efisiensi Relatif
Efisiensi relatif pengolahan data menggunakan citra Ikonos dan tanpa citra dapat dihitung dengan memperhatikan komponen-komponen pengambilan data lapangan, pengadaan citra dan pengolahan citra. dalam melakukan survey ini, dibentuk satu regu yang terdiri dari 1 orang supervisor dan 2 orang anggota. Upah untuk supervisor sebesar Rp 100.000/hari dan anggota Rp 35.000/hari. Prestasi kerja regu adalah 8 plot/hari. Berikut ini adalah penghitungan biaya pengolahan data yang menggunakan citra dan yang tidak menggunakan citra :
a. Kawasan Hutan
c Menggunakan Citra
Luas keseluruhan hutan pada citra (termasuk yang tertutup awan dan bayangan awan) 4103,79 ha, jumlah surveyor 3 orang, dilakukan survey sebanyak 3 kali dan luas tiap plot 0,1 ha. Total jumlah plot yang dibuat adalah sebanyak 11 plot. Biaya survey lapangan adalah :
- Upah supervisor @ Rp 150.000 x 3 hari = Rp 450.000 - Upah anggota @ Rp 100.000 x 3 hari x 2 = Rp 600.000 +
Total biaya = Rp 1.050.000
47
d
TanpaCitraSurvey tanpa menggunakan citra membutuhkan 1 regu yang terdiri dari 6 orang dengan pembagian kerja dan upah sebagai berikut :
1 orang supervisi = Rp 150.000
1 orang pembuka jalan = Rp 100.000
2 orang pencatat @ Rp 100.000 = Rp 200.000 2 orang pemegang tali dan pemegang kompas = Rp 200.000 +
Total upah = Rp 650.000
Dengan asumsi bahwa 1 regu kerja yang terdiri dari 6 orang bisa menyelesaikan survey seluas 2 ha dalam 1 hari, maka dengan luas hutan pada citra 4103,789 ha, biaya yang diperlukan adalah sebanyak :
1. Lamanya pekerjaan : 4103,79 ha/2 ha/hari = 2051,895 ≈ 2052 hari 2. Biaya total Rp 650.000 x 2052 hari = Rp 13.333.800.000 3. Biaya per hektar = Rp 325.017/ha
b. Kawasan Non Hutan
1
Menggunakan CitraLuas kawasan non hutan keseluruhan pada citra tanpa awan dan bayangan awan adalah 6417,464 ha. Satu regu kerja terdiri dari 2 orang, prestasi kerja regu dalam 1 hari bisa mencakup ± 60 ha. Banyaknya pengamatan adalah 2 kali.
Biaya yang dikeluarkan :
- Upah supervisor @ Rp 150.000 x 2 hari = Rp 300.000 - Upah anggota @ Rp 100.000 x 2 hari = Rp 100.000 +
Total biaya = Rp 400.000
= Rp 77,91/ha
d
TanpaCitra48
c. Pengadaan Data Citra
Luas sub DAS Ciliwung hulu 10521,433 ha = 105,21433 km2
- Harga Ikonos US $ 20/km2 : US$ 20 x 105,21433 km2 = US$ 2104,2866 Dengan kurs US $ 1 = Rp 10.000, harga citra = Rp 21.042.866
= Rp 200.000/km2 = Rp 2000/ha
d. Biaya Pengolahan
Teknisi pengolahan data diberi upah Rp 100.000/hari, biaya pembelian software dan sewa hardware per hari adalah Rp 200.000.
1 Menggunakan Citra
Pengolahan Citra 85 hari x Rp 100.000 = Rp 8.500.000 Sewa Software dan Hardware = Rp 17.000.000 +
Total = Rp 25.500.000
= Rp 2423,62/ha
2 Tanpa Citra
Pemetaan 60 hari x Rp 100.000 = Rp 6.000.000 Sewa Software dan Hardware = Rp 9.000.000 +
Total = Rp 15.000.000
= Rp 1425,66/ha
e. Total Biaya Menggunakan Citra
1. Survey kawasan hutan = Rp 255,86/ha 2. Survey Kawasan non hutan = Rp 77,91/ha 3. Pengadaan citra = Rp 2.000/ha 4. Pengolahan citra = Rp 2.423, 62/ha + Total = Rp 4.757,39/ha
f. Total Biaya Tanpa Menggunakan Citra
49
ER =
ha ha / 39 , 4757
/ 1 , 330494
= 69,46
30
Tabel 16. Perbandingan Biaya Menggunakan Citra dan Tanpa Citra
No. Jenis Data Jenis Kawasan
Luas Area (Ha)
Jumlah Orang /Regu
Luas Areal Survey
(Ha)
Lama Hari Kerja
Biaya Pengolahan/
Ha (Rp)
Biaya Total (Rp x1000)
Biaya Per Hektar
(Rp)
Total Biaya/H
