Akurasi Data Penutupan Lahan Nasional Tahun

(1)

Akurasi

Data Penutupan Lahan Nasional Tahun 1990-2016

KEMENTERIAN LINGKUNGAN HIDUP DAN KEHUTANAN

DIREKTORAT JENDERAL PLANOLOGI KEHUTANAN DAN TATA LINGKUNGAN

DIREKTORAT INVENTARISASI DAN PEMANTAUAN SUMBER DAYA HUTAN

TAHUN 2020

(2)

Akurasi

Data Penutupan Lahan Nasional Tahun 1990-2016

KEMENTERIAN LINGKUNGAN HIDUP DAN KEHUTANAN

DIREKTORAT JENDERAL PLANOLOGI KEHUTANAN DAN TATA LINGKUNGAN

DIREKTORAT INVENTARISASI DAN PEMANTAUAN SUMBER DAYA HUTAN

TAHUN 2020

(3)

AKURASI DATA PENUTUPAN LAHAN NASIONAL TAHUN 1990-2016 Penulis

Anna Tosiani, S.Si.,M.Sc.

Penanggung Jawab

Dr. Ir. R.A. Belinda Arunarwati Margono, M.Sc.,

(Direktur Inventarisasi dan Pemantauan Sumber Daya Hutan)

Ketua Tim

Judin Purwanto, S.Hut., M.Si.

(Kepala Sub Direktorat Inventarisasi dan Pemantauan Sumber Daya Hutan)

Editor

Judin Purwanto, S.Hut., M.Si.

Dr. Ir. Rina Djuariah, M.E.

Ahmad Basyirudin Usman, S.Si.

Layout

Direktorat Inventarisasi dan Pemantauan Sumber Daya Hutan

Kontributor

Direktorat Inventarisasi dan Pemantauan Sumber Daya Hutan (IPSDH) Balai Pemantapan Kawasan Hutan (BPKH)

Lembaga Penerbangan dan Antariksa Nasional (LAPAN) University of Maryland (UMD)

Diterbitkan oleh

Direktorat Inventarisasi dan Pemantauan Sumber Daya Hutan, Ditjen Planologi Kehutanan dan Tata Lingkungan,

(4)

i

KATA PENGANTAR

Puji syukur kami panjatkan ke hadirat Allah SWT, karena atas ridho-Nya kami dapat menyelesaikan penyusunan buku “Akurasi Data Penutupan Lahan Nasional Tahun 1990- 2016”. Penghitungan akurasi data penutupan lahan merupakan bagian penting yang tidak terpisahkan dalam pembuatan data penutupan lahan oleh Direktorat Jenderal Planologi Kehutanan dan Tata Lingkungan c.q. Direktorat Inventarisasi dan Pemantaun Sumber Daya Hutan. Penyajian informasi berupa nilai akurasi data penutupan lahan merupakan bagian dari implementasi prinsip TACCC (Transparency, Accuracy, Comparability, Completeness, and Consistent).

Buku ini menyajikan nilai akurasi data penutupan lahan KLHK tahun 1990-2016 dengan menggunakan data referensi 10.000 sampel yang dibuat bersama oleh KLHK, LAPAN dan University of Maryland (UMD). Data referensi ini dibangun dengan mosaik data Landsat bebas awan tahun 1990-2016 beserta dengan nilai NDVI-nya (UMD), mosaik citra SPOT 6/7 tahun 2013-2016 (LAPAN), dan Google Earth. Quality Control (QC) dan Quality Assessment (QA) data referensi juga termasuk dilakukan oleh Tim dari KLHK, LAPAN dan UMD untuk menjaga akurasi data referensi tersebut.

Penghitungan akurasi data penutupan lahan KLHK, sebelumnya hanya dihitung dengan menggunakan hasil pengecekan lapangan saja. Namun seiring perkembangan data dan teknologi penginderaan jauh saat ini, penghitungan akurasi data penutupan lahan dapat dilakukan dengan menggunakan citra penginderaan jauh yang mempunyai kualitas lebih tinggi, baik secara spasial, temporal, geometric maupun radiometriknya. Nilai akurasi yang disajikan pada buku ini dihitung dengan metode error matrix dan Kappa Coefficient yang biasa digunakan dalam pengukuran akurasi data penutupan lahan yang bersumber dari data penginderaan jauh.

Akhir kata segala masukan, kritik dan saran yang bersifat membangun sangat kami harapkan demi perbaikan dan penyempurnaan buku ini. Semoga data dan informasi dalam buku ini dapat digunakan sebagai dasar untuk menjamin bahwa telah dan selalu dilakukan penjaminan kualitas informasi tutupan lahan bagi proses-proses pengambilan keputusan untuk pembangunan kehutanan dan kegiatan terkait lainnya.

(5)

ii

DAFTAR ISI

KATA PENGANTAR i

DAFTAR ISI ii

DAFTAR TABEL iii

DAFTAR GAMBAR iv

DAFTAR ISTILAH v

I LATAR BELAKANG 1

II

III IV

METODOLOGI

2.1. Data Penutupan Lahan Kementerian Lingkungan Hidup dan Kehutanan 2.2. Data Referensi

2.2.1. Sumber Data

2.2.2. Sebaran Data Referensi

2.2.3. Tahapan Penentuan (Interpretasi) Kelas Penutupan Lahan 2.2.4. Metode Penentapan Data Referensi

2.3. Metode Validasi

2.4. Penghitungan Akurasi (Accuracy Assessment) HASIL DAN ANALISIS

KESIMPULAN

4 4 7 7 8 10 11 12 17 19 29

REFERENSI 30

(6)

iii

DAFTAR TABEL

Tabel 1.

Tabel 2.

Tabel 3.

Tabel 4.

Tabel 5.

Tabel 6.

Tabel 7.

Tabel 8.

Tabel 9.

Tabel 10.

Tabel 11.

Tabel 12.

Tabel 13.

Tabel 14.

Klasifikasi 23 kelas penutupan lahan

Jumlah total data titik referensi di setiap pulau yang didistribusikan secara acak (random)

Interpretasi nilai akurasi Kappa (Koefisien Kappa)

Nilai akurasi data penutupan lahan KLHK tahun 2016 dengan metode Titik Tunggal Centroid

Akurasi data penutupan lahan KLHK dengan matrik error menggunakan metode Titik Tunggal Centroid

Akurasi data penutupan lahan KLHK dengan matrik error menggunakan metode Polygon-based Pixel (30 m x 30 m)

Akurasi data penutupan lahan KLHK dengan matrik error menggunakan metode Polygon-based Square (100 m x 100 m) dengan 5 titik sampel

Akurasi data penutupan lahan KLHK dengan matrik error menggunakan metode Polygon-based Square (250 m x 250 m) dengan 5 titik sampel

Koefisien Kappa (K) dan Kappa Accuracy (KA) data penutupan lahan KLHK menggunakan metode Titik Tunggal Centroid

Koefisien Kappa (K) dan Kappa Accuracy (KA) data penutupan lahan KLHK menggunakan metode Polygon-based Pixel (30 m x 30 m) Koefisien Kappa (K) dan Kappa Accuracy (KA) data penutupan lahan KLHK menggunakan metode Polygon-based Square (100 m x 100 m) Koefisien Kappa (K) dan Kappa Accuracy (KA) data penutupan lahan KLHK menggunakan metode Polygon-based Square (250 m x 250 m) Perbandingan hasil perhitungan akurasi data penutupan lahan KLHK periode tahun 1990-2016

Perbandingan nilai Koefisien Kappa dan Kappa Accuracy data penutupan lahan KLHK periode tahun 1990-2016

4

9 18

19

20

21

22

23

24

25

26

28

(7)

iv

DAFTAR GAMBAR

Gambar 1.

Gambar 2.

Gambar 3.

Gambar 4.

Gambar 5.

Gambar 6.

Gambar 7.

Gambar 8.

Gambar 9.

Gambar 10.

Gambar 11.

Gambar 12.

Gambar 13.

Gambar 14.

Gambar 15.

Gambar 16.

Data penutupan lahan KLHK tahun 2016 kelas hutan dan non-hutan Bagan reklasifikasi data penutupan lahan KLHK dan data referensi Sumber data referensi

Distribusi spasial data titik referensi setiap pulau di Indonesia

Sebaran data titik referensi di Provinsi Kalimantan Timur pada kelas hutan alam dan non-hutan alam

Unit titik sampel data referensi

Proses penentuan kelas penutupan lahan pada data referensi Titik tunggal centroid

Sebaran 5 (lima) titik referensi pada satu piksel

Kemungkinan kombinasi penutupan lahan yang dipotong (clipping) dengan 10.000 piksel: (a) piksel dengan satu kelas penutupan lahan (misalnya; Hutan alam primer (HP)); (b) piksel dengan dua kelas penutupan lahan (misalnya: Hutan alam primer (HP) dan Hutan alam sekunder (HS)); (c) piksel dengan tiga kelas penutupan lahan (misalnya: Hutan alam primer (HP), Hutan alam sekunder (HS), dan Non-hutan alam (NH))

Sebaran 5 (lima) titik referensi pada satu kotak dengan ukuran 100 m x 100 m

Sebaran 5 (lima) titik referensi pada satu kotak dengan ukuran 250 m x 250 m

Contoh teknik validasi data penutupan lahan dengan data referensi Matrik kesalahan (error matrix) dan beberapa pengukuran umum dari akurasi klasifikasi data penutupan lahan (Foody, 2012)

Perbandingan grafik nilai akurasi data penutupan lahan KLHK periode tahun 1990-2016 dengan metode Titik Tunggal Centroid, Polygon- based Pixel (30 m x 30 m), Polygon-based Square (100 m x 100 m), dan Polygon-based Square (250 m x 250 m)

Perbandingan grafik nilai Koefisien Kappa dan Kappa Accuracy data penutupan lahan KLHK periode tahun 1990-2016 dengan metode Titik Tunggal Centroid, Polygon-based Pixel (30 m x 30 m), Polygon-based Square (100 m x 100 m), dan Polygon-based Square (250 m x 250 m)

6 7 8 9

10 10 11 12 13

13

14

16

17

27

28

(8)

v

DAFTAR ISTILAH

Klasifikasi Penutupan Lahan adalah penggolongan objek penutupan lahan ke dalam kelas-kelas menurut batasan dan kriteria tertentu.

Penutupan Lahan adalah penutupan biofisik pada permukaan bumi yang dapat diamati, merupakan hasil interpretasi dari citra penginderaan jauh.

Kelas Hutan adalah kelas penutupan lahan yang terdiri atas hutan alam dan hutan tanaman.

Hutan adalah lahan berukuran lebih dari 6,25 ha yang ditumbuhi dengan pohon-pohon yang mempunyai tinggi lebih dari 5 (lima) meter dan tutupan kanopi lebih dari 30 persen. Luas area minimum tersebut didasarkan pada pembuatan peta penutupan lahan yang menggunakan interpretasi visual dari citra satelit dengan skala 1:50.000, dimana luas area minimum 0,25 cm² untuk delineasi poligon setara dengan 6,25 ha (Kementerian Lingkungan Hidup dan Kehutanan, 2016).

Hutan Alam adalah hutan yang mengalami regenerasi secara alami dan terdiri atas spesies asli, meliputi hutan primer dan hutan sekunder.

Hutan Alam Primer adalah hutan alam yang belum mengalami gangguan manusia, seperti bekas penebangan, bekas kebakaran, alur jalan dan lain-lain.

Hutan Alam Sekunder adalah hutan yang telah mengalami intervensi manusia, yang ditunjukkan dengan dengan bekas penebangan dan bekas kebakaran, biasanya ditandai dengan adanya kenampakan alur jalan dan bercak bekas tebangan atau pembukaan lahan.

Hutan Tanaman adalah seluruh areal hutan tanaman yang sudah ditanami, termasuk hutan tanaman untuk produksi maupun untuk reboisasi.

Kelas Non-Hutan adalah kelas penutupan lahan selain hutan alam dan hutan tanaman.

Kelas Non-Hutan Alam adalah kelas penutupan lahan selain hutan alam.

(9)

vi Akurasi dalah ukuran/tingkat kebenaran data/peta hasil klasifikasi terhadap data referensi.

Confusion Matrix (Error Matrix) adalah tabulasi silang/matriks dari klasifikasi data perubahan penutupan lahan hasil penafsiran citra dengan data referensi (FAO, 2016).

Overall Accuracy adalah nilai yang memberikan informasi proporsi area dalam peta referensi yang diklasifikasikan dengan benar. Nilai ini biasanya dalam persentase, dimana dengan akurasi 100% artinya semua areal dalam peta telah diklasifikasikan dengan benar tanpa kesalahan.

Producer's Accuracy adalah tingkat keakuratan peta dari sudut pandang pembuat peta (produser), yang menunjukkan bahwa kondisi sebenarnya sesuai dengan peta referensi.

Parameter ini dihitung dari proporsi area yang diklasifikasikan dengan benar pada kelas/strata tertentu dibagi dengan total proporsi area pada semua kelas/strata.

User's Accuracy adalah tingkat keakuratan peta dari sudut pandang pengguna peta, yang dihitung dari probabilitas proporsi area yang diklasifikasikan dalam kelas/strata tertentu yang mewakili kelas/strata tersebut pada peta referensi. Dengan kata lain merupakan selisih antara kelas/strata hasil klasifikasi dengan kelas/strata sebenarnya pada peta referensi.

The Kappa Coefficient of Agreement digunakan untuk menunjukkan kesesuaian antara peta hasil klasifikasi dengan peta referensi yang dihitung berdasarkan matriks error. Semakin tinggi nilai koefisien kappa, menunjukkan hasil pengklasifikasian yang dilakukan semakin baik.

(10)

1

BAB I

LATAR BELAKANG

Data penutupan lahan merupakan salah satu data dasar yang berdampak dan berhubungan dengan manusia dan lingkungan fisiknya (Foody, 2002). Perubahan iklim dan hilangnya biodiversity merupakan sebagian akibat dari perubahan penutupan lahan, khususnya hutan, baik berupa deforestasi maupun degradasi hutan. Pemahaman tentang pentingnya data penutupan lahan dan prediksi dampak perubahan penutupan lahan dibatasi oleh informasi penutupan lahan dalam bentuk peta yang tidak akurat (DeFries & Townshend, 1994; Estes &

Mooneyhan, 1994). Di samping itu, beberapa obyek pada data penutupan lahan berubah cepat, sehingga pemantauan perubahan data penutupan lahan yang yang cepat dan akurat menjadi hal yang sangat penting (Belward, Estes, & Kilne, 1999).

Bagian penting dalam pembuatan peta penutupan lahan adalah menyediakan informasi nilai akurasi dari peta yang dibuat, khususnya peta penutupan lahan yang diperoleh dari data penginderaan jauh. Penginderaan jauh adalah sumber data untuk pembuatan data penutupan lahan yang mampu menggambarkan kenampakan permukaan bumi secara spasial, konsisten dan mempunyai konsistensi tinggi serta tersedia dalam berbagai skala baik secara temporal maupun spasial (Foody, 2001). Pemetaan data penutupan lahan dengan menggunakan data penginderaan jauh mendasarkan pada klasifikasi citra obyek penutupan lahan yang dapat dilakukan dengan analisis visual maupun digital. Namun pada kenyataannya semua peta yang dihasilkan dari data penginderaan jauh selalu mempunyai kesalahan (error dan bias). Peta penutupan lahan hanya menjadi sebuah hipotesa yang belum diuji jika tidak disertai dengan penilaian akurasi kelas tutupan lahannya (Strahler et al., 2006). Satu-satunya cara untuk memeriksa keakuratan peta adalah dengan melakukan pengukuran terhadap akurasi peta tersebut. Pengukuran akurasi atau validasi adalah salah satu langkah penting dalam pemrosesan data penginderaan jauh (Rwanga, 2017). Peta penutupan lahan yang mempunyai akurasi rendah dapat menyebabkan kesalahan jika digunakan untuk analisa lebih lanjut (Dong et al. 2015; Johnson et al. 2016).

Pada pemetaan tematik dari data penginderaan jauh, istilah akurasi biasanya digunakan untuk menyatakan tingkat koreksi peta atau klasifikasi (Foody, 2001). Peta penutupan lahan yang dibuat berdasarkan klasifikasi, dikatakan akurat, jika tidak ada bias dari tutupan lahan yang digambarkan. Penilaian akurasi tidak hanya digunakan sebagai indikasi kualitas data penutupan lahan, namun yang lebih penting, nilai akurasi digunakan untuk menambah nilai pada data penutupan lahan tersebut. Sebagai contoh, hasil penghitungan nilai akurasi yang

(11)

2 teliti dan tepat memungkinkan untuk mengubah estimasi luas pada setiap kelas penutupan lahan yang dipetakan (Foody, 2013). Hal ini dapat berdampak pada estimasi besaran dan arah perubahan penutupan lahan (Olofsson et al., 2013).

Salah satu hal mendasar dalam penilaian akurasi data penutupan lahan adalah diperlukannya data referensi yang standar sebagai pembanding peta penutupan lahan yang dihitung akurasinya (Foody, 2010). Data referensi yang digunakan harus mempunyai kualitas dan kuantitas yang lebih bagus, dalam arti data tersebut harus merupakan representasi kenyataan obyek sebenarnya di lapangan.

Data referensi untuk penghitungan akurasi data penutupan lahan umumnya berupa data hasil pengecekan lapangan yang berupa titik-titik koordinat dengan GPS atau data penutupan lahan lainnya yang mempunyai akurasi sangat tinggi.

Metode yang umum digunakan untuk menghitung akurasi klasifikasi penutupan lahan dari data penginderaan jauh adalah matriks error (error matrix). Metode ini direkomendasikan oleh banyak peneliti karena mudah diaplikasikan untuk penghitungan akurasi, sehingga metode ini juga diadopsi sebagai standar pelaporan (Congalton, 1991). Matrik error merupakan metode yang efektif untuk menggambarkan akurasi, di mana akurasi setiap kategori dihitung juga omission error dan commission error dari klasifikasi yang dibuat.

Omission error (kesalahan omisi) adalah kesalahan klasifikasi berupa kekurangan jumlah sampel suatu kelas akibat masuknya piksel-piksel kelas tersebut ke kelas yang lain.

Comission error (kesalahan komisi) adalah kesalahan klasifikasi berupa kelebihan jumlah piksel pada suatu kelas yang diakibatkan masuknya dari kelas lain (Kusumaningrat et al, 2017).

Nilai Kappa (Cohen, 1960) juga merupakan salah satu metode yang paling umum digunakan untuk menghitung nilai akurasi (Kvålseth 2015) data penutupan lahan, karena nilai ini mewakili prevalensi (McPherson et al. 2004) dan sekaligus peka terhadap perubahan prevalensi (Tang et al. 2015). Nilai Kappa terdiri atas 3 (tiga) kategori, yaitu user accuracy, producer accuracy, dan overall accuracy. User accuracy mengacu pada sampel (data penutupan lahan) yang diklasifikasikan dengan benar terhadap data referensi dalam kategori tertentu, sedangkan producer accuracy mewakili kategori pada data referensi tertentu yang diklasifikasikan dengan benar (Janssen and van der Wel 1994; Fung and LeDrew 1988).

Overall accuracy adalah total sampel yang diklasifikasikan dengan benar terhadap total sampel (Fung and LeDrew 1988).

(12)

3 Tulisan ini membandingkan 2 (dua) tipe data penutupan lahan yang berbeda, di mana salah satunya sebagai data referensi dan yang lainnya sebagai data penutupan lahan yang diukur akurasinya. Data referensi berisi 10.000 titik (30 m x 30 m pixel size) yang disebar secara random di seluruh wilayah Indonesia. Data yang diukur adalah peta penutupan lahan yang dibuat secara wall-to-wall seluruh Indonesia oleh Kementerian Lingkungan Hidup dan Kehutanan (KLHK). Tujuan dari tulisan ini adalah: (1) menghitung akurasi data penutupan lahan yang dibuat oleh KLHK dengan menggunakan metode error matrix (matrik error) dan Kappa Cohen; dan (2) membandingkan teknik validasi data penutupan lahan untuk mendapatkan hasil akurasi yang lebih baik berdasarkan nilai akurasi dari matrik error dan Kappa Cohen.

(13)

4

BAB II METODOLOGI

2.1. Data Penutupan Lahan Kementerian Lingkungan Hidup dan Kehutanan

Pada buku ini, data penutupan lahan KLHK periode tahun 1990, 1996, 2000, 2003, 2006, 2009, 2011, 2012, 2013, 2014, 2015, dan 2016 divalidasi dengan data referensi untuk mendapatkan nilai akurasi data penutupan lahan setiap periodenya. Data ini menggunakan klasifikasi 23 kelas penutupan lahan seperti tercantum dalam Peraturan Dirjen Planologi Kehutanan dan Tata Lingkungan No.: 01/Juknis/IPSDH/2015 tentang Penafsiran Citra Resolusi Sedang untuk Menghasilkan Data Penutupan Lahan.

Klasifikasi penutupan lahan ini disajikan pada tabel 1.

Tabel 1. Klasifikasi 23 kelas penutupan lahan

No Kelas Penutupan Lahan

Kode layer /

Toponimi Definisi

1 Hutan lahan kering

primer Hp/2001 Seluruh kenampakan hutan dataran rendah, hutan perbukitan, hutan pegunungan (dataran tinggi dan sub- alpin), hutan kerdil, hutan kerangas, hutan di atas batuan kapur, hutan di atas batuan ultra basa, hutan daun jarum, hutan luruh daun dan hutan lumut (ekosistem alami) yang tidak menampakkan gangguan manusia (bekas penebangan, bekas kebakaran, jaringan jalan dll.), tidak termasuk gangguan alam (banjir, tanah longsor, gempa bumi dll.) 2 Hutan lahan kering

sekunder Hs/2002 Hutan lahan kering primer yang mengalami gangguan manusia (bekas penebangan, bekas kebakaran, jaringan jalan, dll.) termasuk yang tumbuh kembali dari bekas tanah terdegradasi

3 Hutan mangrove

primer Hmp/2004 Seluruh kenampakan hutan (bakau, nipah dan nibung) yang berada di lingkungan perairan payau yang tidak

menampakkan gangguan manusia (bekas penebangan, bekas kebakaran, jaringan jalan dll.), tidak termasuk gangguan alam (banjir, tanah longsor, gempa bumi dll.) 4 Hutan mangrove

sekunder Hms/20041 Hutan mangrove primer yang mengalami gangguan manusia (bekas penebangan, bekas kebakaran, jaringan jalan dll.) termasuk yang tumbuh/ditanam pada tanah sedimentasi 5 Hutan rawa primer Hrp/2005 Seluruh kenampakan hutan yang berada pada daerah

tergenang air tawar dan di belakang hutan payau yang tidak menampakkan gangguan manusia (bekas penebangan, bekas kebakaran, jaringan jalan dll.), tidak termasuk gangguan alam (banjir, tanah longsor, gempa bumi dll.) 6 Hutan rawa

sekunder Hrs/20051 Hutan rawa primer yang mengalami gangguan manusia (bekas penebangan, bekas kebakaran, jaringan jalan dll.) 7 Hutan tanaman Ht/2006 Seluruh kenampakan hutan yang seragam (monokultur)

yang dapat berasal dari kegiatan reboisasi/reklamasi/penghijauan/industri

(14)

5

8 Perkebunan Pk/2010 Seluruh kenampakan hasil budidaya tanaman keras yang termasuk kelompok perkebunan, antara lain sawit, karet, kelapa, coklat, kopi, teh

9 Semak belukar B/2007 Seluruh kenampakan areal/kawasan yang didominasi oleh vegetasi rendah yang berada pada lahan kering

10 Semak belukar rawa Br/20071 Seluruh kenampakan areal/kawasan yang didominasi oleh vegetasi rendah dan berada pada daerah tergenang air tawar serta di belakang hutan payau

11 Savanna/padang

rumput S/3000 Seluruh kenampakan vegetasi rendah alami dan permanen yang berupa padang rumput

12 Pertanian lahan

kering Pt/20091 Seluruh kenampakan hasil budidaya tanaman semusim di lahan kering seperti tegalan dan ladang

13 Pertanian lahan

kering campur Pc/20092 Seluruh kenampakan yang merupakan campuran areal pertanian, perkebunan, semak, belukar dan hutan 14 Sawah Sw/20093 Seluruh kenampakan hasil budidaya tanaman semusim di

lahan basah yang dicirikan oleh pola pematang

15 Tambak Tm/20094 Seluruh kenampakan perikanan darat (ikan/udang) atau penggaraman yang tampak dengan pola pematang, biasanya berada di sekitar pantai

16 Permukiman Pm/2012 Kawasan permukiman, baik perkotaan, perdesaan, industri dan lain-lain

17 Permukiman

transmigrasi Tr/20122 Kawasan permukiman di wilayah transmigrasi

18 Lahan terbuka T/2014 Seluruh kenampakan lahan terbuka tanpa vegetasi, baik yang terjadi secara alami maupun akibat aktivitas manusia (singkapan batuan puncak gunung, puncak bersalju, kawah vulkan, gosong pasir, pasir pantai, endapan sungai, pembukaan lahan serta areal bekas kebakaran)

19 Pertambangan Tb/20141 Lahan terbuka yang digunakan untuk aktivitas pertambangan terbuka - open pit (misalnya: batubara, timah, tembaga dll.), serta lahan pertambangan tertutup skala besar yang dapat diidentifikasikan dari citra berdasar asosiasi kenampakan objeknya, termasuk tailing ground (penimbunan limbah penambangan)

20 Tubuh air A/5001 Semua kenampakan perairan, termasuk laut, sungai, danau, waduk, terumbu karang, padang lamun dll

21 Rawa Rw/50011 Kenampakan lahan rawa (tergenang air tawar serta di belakang hutan payau) yang sudah tidak berhutan 22 Bandara/Pelabuhan Bdr / Plb /

20121 Kenampakan bandara dan pelabuhan yang berukuran besar dan memungkinkan untuk didelineasi tersendiri

23 Awan Aw/2500 Kenampakan awan dan bayangannya yang menutupi lahan suatu kawasan

Klasifikasi 23 kelas penutupan lahan tersebut dibagi menjadi 2 (dua) kategori kelas penutupan lahan, yaitu kelas hutan dan kelas non-hutan. Kelas hutan meliputi kelas penutupan lahan hutan alami (lahan kering primer, hutan lahan kering sekunder, hutan mangrove primer, hutan mangrove sekunder, hutan rawa primer dan hutan rawa sekunder) dan hutan tanaman. Kelas non hutan meliputi kelas penutupan lahan perkebunan, semak belukar, semak belukar rawa, savanna/padang rumput, pertanian

(15)

6 lahan kering, pertanian lahan kering campur, sawah, tambak, permukiman, permukiman transmigrasi, lahan terbuka, pertambangan, tubuh air, rawa, bandara/pelabuhan, dan awan. Gambar 1 menunjukkan sebaran kelas hutan dan kelas non-hutan pada data penutupan lahan KLHK tahun 2016.

Gambar 1. Data penutupan lahan KLHK tahun 2016 kelas hutan dan non-hutan Pembuatan data penutupan lahan KLHK dilakukan bersama-sama oleh Direktorat IPSDH dan Balai Pemantapan Kawasan Hutan (BPKH) se-Indonesia dengan dukungan data citra dari Lembaga Penerbangan dan Antariksa Nasional (LAPAN) dan peta dasar dari Badan Informasi Geospasial (BIG). Data penutupan lahan ini dibuat dengan metode interpretasi citra visual (visual on screen digitizing) secara wall-to-wall pada data mosaik Citra Landsat (Landsat 5 Thematic Mapper/TM, Landsat 7 Enhanced Thematic Mapper Plus/ETM+ dan Landsat 8 Operational Land Imager (OLI)) dengan tutupan awan kurang dari 50%. Delineasi setiap obyek dilakukan secara akurat dan manual pada layar komputer dengan menggunakan software Geographic Information System (GIS). Ukuran minimum poligon (Minimal Mapping Unit/MMU) yang didelineasi adalah 6,25 hektar atau setara dengan 2,5 cm x 2,5 cm pada skala maksimal zoom screen 1:50.000 atau 25 hektar pada skala 1: 100.000 (Margono et al., 2016).

Delineasi setiap kelas penutupan lahan dilakukan murni berdasarkan kenampakan obyek di citra, walaupun beberapa nama kelas penutupan lahan masih bercampur dengan kelas penggunaan lahan, seperti hutan tanaman, perkebunan, sawah, dan permukiman.

Penghitungan akurasi menggunakan data referensi yang mempunyai 3 (tiga) kelas penutupan lahan, yaitu hutan alam primer, hutan alam sekunder, dan non-hutan alam.

Tipe data yang sama antara data referensi dengan data yang akan diukur akurasinya sangat penting dalam proses pengukurannya (validasi). Untuk itu, data penutupan

(16)

7 lahan 23 kelas yang akan diukur akurasinya, di-reklasifikasi sesuai dengan data referensi yang digunakan, seperti pada gambar 2.

Gambar 2. Bagan reklasifikasi data penutupan lahan KLHK dan data referensi

2.2. Data Referensi 2.2.1. Sumber Data

Data referensi yang digunakan dalam kegiatan pengukuran akurasi data penutupan lahan ini berbentuk titik sampel yang berjumlah 10.000 sampel.

Setiap titik sampel diamati menggunakan data penginderaan jauh berbagai resolusi, baik spasial, temporal maupun radiometrik untuk mendapatkan data referensi yang mempunyai akurasi tinggi. Sumber data yang digunakan untuk membangun data referensi ini meliputi data komposit citra Landsat bebas awan tahunan dari tahun 1990 sampai 2016, mosaik data citra resolusi tinggi SPOT 6/7 periode tahun 2013-2016, grafik nilai NDVI minimum dan maksimum dari citra Landsat yang digunakan, serta citra resolusi sangat tinggi dari Google Earth. Semua sumber data tersebut disajikan pada gambar 3.

Rentang akuisisi sumber data yang digunakan adalah tahun 1990-2016, sesuai dengan periode data penutupan lahan yang perlu diukur akurasinya. Citra Landsat dengan periode akuisisi sebelum tahun 1990 juga digunakan, untuk membantu dalam menentukan kelas penutupan lahannya apabila pada citra Landsat tahun 1990 tertutup awan atau tidak tersedia datanya.

(17)

8 Gambar 3. Sumber data referensi

2.2.2. Sebaran Data Referensi

Jumlah data titik sampel yang direkomendasikan sebagai data referensi untuk penghitungan akurasi data penutupan lahan wilayah Indonesia adalah antara 5.000-10.000 sampel. Penentuan jumlah titik sampel ini sudah dilakukan melalui beberapa kali exercise, dengan menggunakan perhitungan secara statistik dan analisa Monte Carlo, sehingga diperoleh jumlah data referensi yang optimal. Data referensi yang digunakan dalam penghitungan akurasi data penutupan lahan KLHK pada buku ini berjumlah 10.000 titik sampel (30 m x 30 m), sesuai dengan ukuran piksel citra Landsat yang digunakan sebagai data dasar dalam pembuatan data penutupan lahan KLHK dan juga salah satu sumber data referensi yang digunakan. Data referensi disebar secara acak ke seluruh pulau di Indonesia (Gambar 4). Jumlah titik pada masing-masing pulau disajikan pada tabel 2.

(18)

9 Gambar 4. Distribusi spasial data titik referensi setiap pulau di Indonesia

Tabel 2. Jumlah total data titik referensi di setiap pulau yang didistribusikan secara acak (random)

Pulau Luas Total

(Hektar) Prosentase Luas (%)

Jumlah Titik Piksel

Total ID Sampel

Papua 41.581.672,37 21,75 2.172 1 – 2172

Jawa 13.580.683,26 7,10 702 2173 – 2874

Kalimantan 53.867.244,48 28,18 2.828 2875 – 5702

Maluku 7.889.980,46 4,13 413 5703 – 6115

Nusa Tenggara 7.430.680,19 3,89 381 6116 – 6496

Sulawesi 18.812.075,57 9,84 987 6497 – 7483

Sumatera 47.992.943,74 25,11 2.517 7484 – 10.000 Total 191.155.280,07 100,00 10.000

Catatan: luas total (daratan + badan air) dihitung dengan pendekatan piksel

Kalimantan mempunyai jumlah titik sampel paling banyak, karena Kalimantan merupakan pulau yang paling luas dibanding lainnya. Distribusi secara proporsional didasarkan pada luas masing-masing pulau, sedangkan titik dibuat secara acak, sehingga sebaran data titiknya tetap menunjukkan distribusi normal. Gambar 5. menunjukkan contoh sebaran titik sampel pada kelas hutan dan kelas non-hutan alam di Provinsi Kalimantan Timur.

(19)

10 Gambar 5. Sebaran data titik referensi di Provinsi Kalimantan Timur pada kelas

hutan alam dan non-hutan alam

Data referensi ini berupa titik sampel (sample point) dengan buffer lingkaran seluas 6,25 ha (jari-jari ± 141 m), yang merupakan luas unit pemetaan terkecil (MMU) dalam pembuatan data penutupan lahan KLHK. Gambar 6. menunjukkan contoh unit titik sampel data referensi yang digunakan dalam buku ini.

Gambar 6. Unit titik sampel data referensi

2.2.3. Tahapan Penentuan (Interpretasi) Kelas Penutupan Lahan

Setiap titik sampel data referensi diklasifikasikan sebagai kelas penutupan lahan tunggal dari tahun 1990 yang terdiri dari kelas hutan alam (hutan alam primer dan hutan alam sekunder) dan non-hutan alam (kelas non-hutan dan hutan tanaman). Tahun 1990 digunakan sebagai base year (tahun dasar) dalam pembuatan data referensi, karena tahun tersebut merupakan periode awal pembuatan data penutupan lahan KLHK dengan menggunakan teknologi penginderaan jauh. Setiap kelas penutupan lahan dan perubahannya dari kelas

(20)

11 hutan alam menjadi non-hutan alam selama periode tahun 1990-2016 dicatat dengan tahapan penentuan kelas penutupan lahan seperti pada gambar 7.

Setiap perubahan kelas penutupan lahan perlu memperhatikan penyebabnya (trigger), baik deforestasi (cleared) maupun degradasi hutan (degraded), untuk menentukan kelas penutupan lahan yang dihasilkan.

Gambar 7. Proses penentuan kelas penutupan lahan pada data referensi

2.2.4. Metode Penetapan Data Referensi

Setiap titik sampel data referensi di-review oleh 2 (dua) orang analis independen sesuai dengan tahapan pada sub-bab 2.2.3. Analis pertama melakukan interpretasi pada titik sampel yang kemudian ditentukan kelas penutupan lahan dan trajektorinya. Kemudian analis kedua melakukan review hasil interpretasi yang dilakukan oleh analis pertama dan dapat mengubahnya jika diperlukan. Dalam kegiatan ini, analis kedua dipersyaratkan mempunyai pengetahuan dan pengalaman yang lebih baik dibandingkan analis pertama, baik dalam membaca, mengolah maupun menganalisa data penginderaan jauh termasuk pengalaman analisa kenampakan penutupan lahan di lapangan.

Dengan demikian data yang dihasilkan akan mempunyai tingkat akurasi yang cukup tinggi dan dapat digunakan sebagai data referensi.

(21)

12 2.3. Metode Validasi

Pada sub-bab ini akan dijelaskan tentang teknik validasi (assessment) data penutupan lahan KLHK berdasarkan data referensi dengan menggunakan 10.000 titik sampel yang dibuat. Validasi dilakukan hanya pada kelas penutupan lahan hutan alam dan non- hutan alam. Teknik validasi data diujicoba dengan beberapa metode, dengan maksud untuk meminimalisasi bias dan efisiensi pelaksanaan pengukuran akurasi data penutupan lahan. Untuk proses validasi ini digunakan 4 (empat) metode, dengan harapan akan memperoleh hasil yang optimal dan dapat menentukan metode validasi yang paling efisien untuk penghitungan akurasi ke depan. Metode validasi yang digunakan yaitu :

a. Titik Tunggal Centroid

Titik pusat (centroid) pada setiap titik sampel digunakan untuk mengekstrak data penutupan lahan KLHK dan data referensi seperti pada gambar 8. Pada akhirnya akan ada 10.000 titik penutupan lahan dari data referensi dan 10.000 titik data penutupan lahan KLHK yang digunakan untuk menilai kecocokan kedua data tersebut.

Gambar 8. Titik tunggal centroid

b. Polygon-based Pixel (30x30 meter)

Data referensi yang terdiri dari 10.000 titik sampel di-buffer sesuai dengan bentuk dan ukuran piksel Landsat, yaitu 30 meter x 30 meter dan digunakan sebagai satu set data. Setiap bentuk piksel mempunyai 5 (lima) titik yang tersebar di setiap pojok bujursangkar piksel dan pusatnya seperti disajikan pada gambar 9. Kelima titik ini merupakan titik sampel yang digunakan untuk mengukur atau menentukan kelas penutupan lahannya, sehingga jumlah titik sampel dengan metode ini menjadi 50.000 sampel. Data penutupan lahan KLHK series dipotong berdasarkan luas dari masing-masing piksel sebanyak 10.000 poligon. Hasil dari pemotongan (clipping) poligon data penutupan lahan ini mempunyai 3 (tiga) kemungkinan kombinasi hasil, yaitu satu kelas penutupan lahan, dua kelas penutupan lahan, dan tiga kelas penutupan lahan seperti pada gambar 10. Setiap titik sampel digunakan untuk

(22)

13 membandingkan kecocokan antara data penutupan lahan KLHK dengan data referensi pada tahun yang sama.

Gambar 9. Sebaran 5 (lima) titik referensi pada satu piksel

Gambar 10. Kemungkinan kombinasi penutupan lahan yang dipotong (clipping) dengan 10.000 piksel: (a) piksel dengan satu kelas penutupan lahan (misalnya: Hutan alam

primer (HP)); (b) piksel dengan dua kelas penutupan lahan (misalnya: Hutan alam primer (HP) dan Hutan alam sekunder (HS)); (c) piksel dengan tiga kelas penutupan lahan (misalnya: Hutan alam primer (HP), Hutan alam sekunder (HS), dan Non-hutan

alam (NH))

c. Polygon-based Square (100 x 100 meter) dengan 5 titik sampel

Metode ini sama dengan metode pada poin (b), namun dengan cakupan areal pengamatan yang lebih luas, yaitu 100 meter x 100 meter seperti disajikan pada gambar 11. Bujursangkar ini merupakan buffer dari sampel yang berupa piksel.

Pengamatan data penutupan lahan tetap dilakukan pada 5 (lima) titik sampel pada setiap pojok bujursangkar dan pusatnya. Sebanyak 50.000 sampel data penutupan lahan KLHK dibandingkan dengan data referensi pada tahun yang sama.

(23)

14 Gambar 11. Sebaran 5 (lima) titik referensi pada satu kotak dengan ukuran 100 m x

100 m

d. Polygon-based Square (250 x 250 meter) dengan 5 titik sampel

Metode yang digunakan juga sama dengan poin (b) dan (c), namun dengan poligon pemotong berbentuk bujursangkar dengan ukuran 250 meter x 250 meter, seperti pada gambar 12. Poligon ini juga merupakan buffer dari titik sampel data referensi.

Untuk setiap poligon, 5 (lima) titik dibuat pada setiap pojok dan pusat dari bujursangkar sebagai titik sampel pengamatan data penutupan lahan. Berdasarkan 10.000 titik referensi dibangun 50.000 sampel poin untuk membandingkan data penutupan lahan KLHK dengan data referensi.

Gambar 12. Sebaran 5 (lima) titik referensi pada satu kotak dengan ukuran 250 m x 250 m

Keempat metode di atas dikembangkan dengan mempertimbangkan format klasifikasi yang berbeda, dimana data referensi merupakan data penutupan lahan dengan klasifikasi berbasis digital dan berbentuk piksel (pixel-based), sedangkan data KLHK merupakan klasifikasi data penutupan lahan berupa poligon yang dibuat dengan metode interpretasi visual. Untuk itu perlu dibuktikan bahwa data 10.000 piksel tersebut dapat digunakan sebagai data referensi untuk menghitung akurasi data

(24)

15 penutupan lahan, meskipun formatnya berbeda. Contoh validasi kelas penutupan lahan KLHK dengan data referensi yang berupa titik sampel dapat dilihat pada gambar 13.

Metode Validasi Contoh Validasi Data penutupan lahan (Data referensi titik sampel adalah kelas hutan

sekunder) Titik Tunggal Centroid

(Data referensi berupa titik sampel berwarna merah yang merupakan center/pusat dari piksel).

Kelas penutupan lahan KLHK pada poligon ini (Hs = Hutan lahan kering sekunder) sesuai dengan data referensi yang berupa hutan sekunder)

Polygon-based Pixel (30 m x 30 m)

Titik sampel sebagai referensi berjumlah 5 (lima) titik sampel di setiap sudut piksel dan pusatnya yang merupakan pengembangan dari data referensi di bagian center.

Berdasarkan pengamatan pada gambar di samping, kelima titik sampel tersebut masih berada dalam satu poligon yang sama, yaitu kelas hutan (hutan lahan kering sekunder), sehingga kelas penutupan lahan poligon ini sesuai dengan data referensi.

(25)

16 Polygon-based Square

(100m x 100 m) dengan 5 titik sampel

Titik sampel sebagai referensi berjumlah 5 (lima) poin di setiap sudut dari bujursangkar yang berukuran 100 m x 100 m dan pusatnya yang merupakan

pengembangan dari data referensi di bagian center.

Berdasarkan pengamatan pada gambar di samping, kelima titik sampel tersebut masih berada dalam satu poligon yang sama, yaitu kelas hutan (hutan lahan kering sekunder), sehingga kelas penutupan lahan poligon ini sesuai dengan data referensi.

Polygon-based Square (250m x 250 m) dengan 5 titik sampel

Titik sampel sebagai referensi berjumlah 5 (lima) poin di setiap sudut dari bujursangkar yang berukuran 250 m x 250 m dan pusatnya yang merupakan

pengembangan dari data referensi di bagian center.

Berdasarkan pengamatan pada gambar di samping, 1 titik sampel berada di poligon kelas non-hutan alam (B = Semak belukar), 1 titik sampel berada di perbatasan antara poligon Hs dan B, sedangkan 3 titik sampel masih berada dalam satu poligon yang sama, yaitu kelas hutan alam (Hs).

Karena mayoritas titik sampel masih berada di poligon yang sama, sehingga kelas penutupan lahan poligon ini sesuai dengan data referensi, yaitu kelas hutan alam.

Gambar 13. Contoh validasi data penutupan lahan dengan data referensi

(26)

17 2.4. Penghitungan Akurasi (Accuracy Assessment)

Dalam literatur penginderaan jauh banyak dibahas tentang berbagai metode untuk menghitung akurasi data, khususnya data yang diturunkan dari data penginderaan jauh, seperti data penutupan lahan. Namun error matrix (matrik kesalahan) atau yang juga disebut confusion matrix tetap menjadi inti dalam berbagai literatur penghitungan akurasi (Foody, 2001). Metode ini berupa tabulasi silang sederhana dalam baris dan kolom yang menyatakan jumlah unit sampel antara hasil klasifikasi dari data penginderaan jauh dengan data referensi berupa hasil pengamatan langsung di lapangan (ground truth) atau data citra dengan resolusi yang lebih baik dibandingkan data penginderaan jauh yang digunakan untuk membuat klasifikasi. Unit sampel dapat berupa piksel, kumpulan piksel atau poligon. Dengan matrik error, prosentase kebenaran/keakuratan data secara umum yang dikenal dengan overall accuracy, dapat dihitung dengan mudah berdasarkan jumlah sampel yang benar (posisi diagonal) dibagi dengan total sampel, seperti disajikan pada gambar 14.

Gambar 14. Matrik kesalahan (error matrix) dan beberapa pengukuran umum dari akurasi klasifikasi data penutupan lahan (Foody, 2002)

Selain error matrix, dalam buku ini juga digunakan Kappa Coeffisien (Koefisien Kappa) untuk menghitung akurasi data penutupan lahan KLHK dengan menggunakan data referensi.

Metode Kappa secara umum digunakan untuk mengukur akurasi data klasifikasi dengan penginderaan jauh (Foody, 2002) dan untuk mengukur kecocokan antara dua tipe data nominal (Warren 2016, Yang and Zhou 2015). Koefisien Kappa mengukur perbedaan antara kecocokan data hasil klasifikasi dan peluang kecocokan klasifikasi secara random yang dibandingkan dengan data referensi (Lillesand et al, 2004). Kappa juga dapat digunakan untuk mengukur kecocokan antara model yang diprediksi dengan realitas (Congalton, 1991).

Berbeda dengan overall accuracy, dimana rasio jumlah nilai diagonal dibagi dengan jumlah

(27)

18 total sel dalam matriks, Koefisien Kappa juga memperhitungkan unsur-unsur non-diagonal.

Cohen (1968) membagi klasifikasi nilai akurasi berdasarkan nilai koefisien Kappa menjadi 6 kelas, seperti pada tabel 3.

Tabel 3. Interpretasi nilai akurasi Kappa (Koefisen Kappa) Nilai Koefisien Kappa Interpretasi Nilai Kappa

0˂ Peluang akurasi buruk

0,01 – 0,20 Peluang akurasi kecil 0,21 – 0,40 Peluang akurasi cukup 0,41 – 0,60 Peluang akurasi sedang 0,61 – 0,80 Peluang akurasi baik

0,81 – 0,99 Peluang akurasi sangat baik (almost perfect)

Nilai koefisien Kappa tersebut dihitung dengan persamaan seperti disajikan pada gambar 14.

(28)

19

BAB III

HASIL DAN ANALISIS

Sebanyak 10.000 titik sampel digunakan sebagai data referensi untuk mengukur akurasi data penutupan lahan KLHK tahun 1990, 1996, 2000, 2003, 2006, 2009, 2011, 2012, 2013, 2014, 2015, dan 2016. Akurasi dihitung dengan menggunakan matrik error dan Kappa (koefisien dan akurasi). Pengamatan sampel data penutupan lahan (validasi) menggunakan 4 (empat) metode yang dibangun berdasarkan sebaran 10.000 data referensi secara acak untuk semua periode tahun yang diukur (1990 sd 2016). Setiap periode data penutupan lahan diukur akurasinya dan hasilnya dihitung dengan menggunakan matrik error seperti pada tabel 4.

Tabel ini menunjukkan contoh penghitungan akurasi dengan metode validasi data penutupan lahan Titik Tunggal Centroid. Nilai akurasi yang dihitung meliputi user accuracy dan producer accuracy untuk kelas hutan alam (H) dan non-hutan alam (NH) serta nilai total akurasi data secara keseluruhan (overall accuracy).

Tabel 4. Nilai akurasi data penutupan lahan KLHK tahun 2016 dengan metode Titik Tunggal Centroid

Kelas Penutupan Lahan

Data Referensi

Total User Accuracy

H NH

KLHK H 4.303 334 4.637 92,8%

NH 472 4.891 5.363 91,2%

Total 4.775 5.225 10.000

Producer Accuracy 90,1% 93,6%

Overall Accuracy 91,9%

Keterangan : H (hutan alam); NH (non-hutan alam)

Akurasi data penutupan lahan KLHK dengan data referensi 10.000 sampel juga dihitung menggunakan Kappa Coefficient (K) dan Kappa Accuracy (KA). Perhitungan ini juga dilakukan untuk semua periode data penutupan lahan KLHK seperti yang dilakukan dengan matrik error. Berdasarkan matrik error pada tabel 4., nilai K untuk data penutupan lahan KLHK tahun 2016 dengan metode Titik Tunggal Centroid adalah 0,85 dan nilai KA 83,8%.

Berdasarkan klasifikasi Koefisien Kappa, nilai K pada data penutupan lahan KLHK tahun 2016 termasuk dalam kelas akurasi sangat baik (almost perfect).

Hasil perhitungan akurasi setiap periode data penutupan lahan KLHK dengan 4 metode yang digunakan disajikan pada tabel 5 – 8. Untuk hasil perhitungan nilai koefisien Kappa dan Kappa accuracy disajikan pada tabel 9 – 12.

(29)

20 Tabel 5. Akurasi data penutupan lahan KLHK dengan matrik error menggunakan metode

Titik Tunggal Centroid

Tahun Kelas Penutupan Lahan

Akurasi (%) User

Accuracy

Producer Accuracy

Overall Accuracy

1990 Hutan Alam 90,6% 91,2%

89,1%

Non-Hutan Alam 86,7% 85,8%

1996 Hutan Alam 90,7% 90,1%

88,8%

2000 Hutan Alam 92,6% 91,0%

91,2%

2003 Hutan Alam 92,2% 91,6%

91,4%

2006 Hutan Alam 91,8% 91,4%

91,4%

2009 Hutan Alam 92,2% 91,2%

91,7%

2011 Hutan Alam 92,1% 91,5%

91,9%

2012 Hutan Alam 92,1% 91,8%

92,1%

2013 Hutan Alam 92,1% 91,7%

92,1%

2014 Hutan Alam 91,8% 91,9%

92,2%

2015 Hutan Alam 91,6% 91,9%

92,1%

2016 Hutan Alam 92,8% 90,1%

91,9%

(30)

Polygon-based Pixel (30 meter x 30 meter)

Accuracy

1990 Hutan Alam 91,4% 90,5%

89,1%

1996 Hutan Alam 90,6% 90,1%

88,7%

2000 Hutan Alam 92,5% 91,0%

91,1%

2003 Hutan Alam 92,1% 91,6%

91,3%

2006 Hutan Alam 91,8% 91,4%

91,3%

2009 Hutan Alam 92,1% 91,1%

91,6%

2011 Hutan Alam 92,0% 91,4%

91,8%

2012 Hutan Alam 92,0% 91,7%

92,0%

2013 Hutan Alam 92,0% 91,6%

92,0%

2014 Hutan Alam 91,7% 91,8%

92,1%

2015 Hutan Alam 91,5% 91,8%

92,0%

2016 Hutan Alam 91,1% 92,4%

92,2%

(31)

Polygon-based Square (100 m x 100 m) dengan 5 titik referensi

Accuracy

1990 Hutan Alam 91,1% 90,1%

88,7%

1996 Hutan Alam 90,3% 89,6%

88,3%

2000 Hutan Alam 92,1% 90,4%

90,6%

2003 Hutan Alam 91,7% 90,9%

90,8%

2006 Hutan Alam 91,3% 90,6%

90,7%

2009 Hutan Alam 91,6% 90,5%

91,0%

2011 Hutan Alam 91,5% 90,8%

91,2%

2012 Hutan Alam 91,4% 91,0%

91,4%

2013 Hutan Alam 91,4% 90,9%

91,4%

2014 Hutan Alam 91,1% 91,0%

91,4%

2015 Hutan Alam 90,9% 91,0%

91,3%

2016 Hutan Alam 90,7% 91,6%

91,6%

(32)

Polygon-based Square (250 m x 250 m) dengan 5 titik referensi

Accuracy

1990 Hutan Alam 90,5% 89,3%

87,8%

1996 Hutan Alam 89,7% 88,7%

87,5%

2000 Hutan Alam 91,2% 89,3%

89,5%

2003 Hutan Alam 90,8% 89,8%

89,7%

2006 Hutan Alam 90,4% 89,5%

89,7%

2009 Hutan Alam 90,7% 89,4%

90,1%

2011 Hutan Alam 90,6% 89,7%

90,1%

2012 Hutan Alam 90,5% 89,9%

90,4%

2013 Hutan Alam 90,5% 89,8%

90,4%

2014 Hutan Alam 90,2% 90,0%

90,4%

2015 Hutan Alam 90,0% 89,9%

90,4%

2016 Hutan Alam 89,9% 90,6%

90,8%

(33)

24 Tabel 9. Koefisien Kappa (K) dan Kappa Accuracy (KA) data penutupan lahan KLHK

menggunakan metode Titik Tunggal Centroid Tahun Cohen's Kappa Kappa Accuracy (%)

1990 0,77 77,16

1996 0,77 76,93

2000 0,82 82,22

2003 0,83 82,72

2006 0,83 82,70

2009 0,83 83,32

2011 0,84 83,80

2012 0,84 84,15

2013 0,85 84,23

2014 0,85 84,28

2015 0,85 84,11

2016 0,85 83,83

Tabel 10. Koefisien Kappa (K) dan Kappa Accuracy (KA) data penutupan lahan KLHK menggunakan metode Polygon-based Pixel (30 m x 30 m)

Tahun Cohen's Kappa Kappa Accuracy (%)

1990 0,77 77,26

1996 0,77 76,85

2000 0,82 82,10

2003 0,83 82,58

2006 0,83 82,58

2009 0,83 83,18

2011 0,84 83,63

2012 0,84 84,00

2013 0,84 84,05

2014 0,85 84,10

2015 0,85 83,95

2016 0,85 84,31

(34)

25 Tabel 11. Koefisien Kappa (K) dan Kappa Accuracy (KA) data penutupan lahan KLHK

menggunakan metode Polygon-based Square (100 m x 100 m) Tahun Cohen's Kappa Kappa Accuracy (%)

1990 0,76 76,47

1996 0,76 75,96

2000 0,81 81,00

2003 0,81 81,44

2006 0,81 81,40

2009 0,82 82,08

2011 0,82 82,49

2012 0,83 82,72

2013 0,83 82,75

2014 0,83 82,76

2015 0,83 82,65

2016 0,83 83,17

Tabel 12. Koefisien Kappa (K) dan Kappa Accuracy (KA) data penutupan lahan KLHK menggunakan metode Polygon-based Square (250 m x 250 m)

Tahun Cohen's Kappa

Kappa Accuracy (%)

1990 0,75 74,66

1996 0,74 74,24

2000 0,79 78,98

2003 0,79 79,40

2006 0,79 79,40

2009 0,80 80,10

2011 0,81 80,51

2012 0,81 80,76

2013 0,81 80,84

2014 0,82 80,85

2015 0,82 80,82

2016 0,83 81,50

Perbandingan hasil perhitungan akurasi data penutupan lahan KLHK seluruh periode dapat dilihat pada tabel 13., dimana, nilai akurasinya hampir sama untuk semua periode dengan 4 metode pengamatan data referensi sampel (validasi) yang berbeda. Semua nilai akurasi juga di atas 85%. Dengan demikian data penutupan lahan KLHK dengan klasifikasi hutan alam

(35)

26 dan kelas non-hutan alam mempunyai akurasi yang dapat diterima dan dapat digunakan sebagai dasar perencanaan dan pengelolaan pembangunan (Anderson, 1976).

Tabel 13. Perbandingan hasil perhitungan akurasi data penutupan lahan KLHK periode tahun 1990-2016

Tahun

Overall Accuracy (%)

Titik Tunggal Centroid

Polygon-based Pixel (30 m x30 m)

Polygon-based Square (100 m x 100 m)

1990 89,1% 89,1% 88,7% 87,8%

1996 88,8% 88,7% 88,3% 87,5%

2000 91,2% 91,1% 90,6% 89,5%

2003 91,4% 91,3% 90,8% 89,7%

2006 91,4% 91,3% 90,7% 89,7%

2009 91,7% 91,6% 91,0% 90,1%

2011 91,9% 91,8% 91,2% 90,3%

2012 92,1% 92,0% 91,4% 90,4%

2013 92,1% 92,0% 91,4% 90,4%

2014 92,2% 92,1% 91,4% 90,4%

2015 92,1% 92,0% 91,3% 90,4%

2016 91,9% 92,2% 91,6% 90,8%

Akurasi yang diukur dengan menggunakan metode Titik Tunggal Centroid dan Polygon- based pixel (30 m x 30 m) mempunyai nilai akurasi lebih tinggi dibandingkan 2 (dua) metode lainnya dengan nilai akurasi yang hampir sama. Akurasi yang diukur dengan menggunakan metode Polygon-based Square (250 m x 250 m) mempunyai nilai paling kecil dibandingkan metode lainnya. Hal ini dapat dipahami, mengingat metode Titik Tunggal Centroid dan Polygon-based pixel (30 m x 30 m) mempunyai cakupan area yang lebih kecil dibandingkan metode yang lainnya, sehingga tingkat homogenitas obyek lebih tinggi. Di samping itu, 10.000 titik sampel yang digunakan sebagai data referensi diukur/diamati dengan mapping unit berupa piksel. Metode Polygon-based Square (250 m x 250 m) menghasilkan cakupan area yang luas dengan kenampakan obyek dengan tingkat heterogenitas kemungkinan tinggi. Meskipun demikian, hasil pengukuran akurasi data penutupan lahan KLHK dengan keempat metode ini menunjukkan peningkatan akurasi dari periode tahun 1990 ke 2016, khususnya periode tahun 2000 dan tahun 2009 seperti ditunjukkan grafik pada gambar 15.

(36)

27 Gambar 15. Perbandingan grafik nilai akurasi data penutupan lahan KLHK periode tahun 1990-2016 dengan metode Titik Tunggal Centroid, Polygon-based Pixel (30 m x 30 m), Polygon-based Square (100 m x 100 m), dan Polygon-based Square (250 m

x 250 m)

Tahun 2000 merupakan awal penggunaan data satelit citra Landsat 7 ETM+ setelah diluncurkan pada tanggal 15 April 1999. Walaupun data citra masih berbayar yang menyebabkan jumlahnya terbatas, namun data citra ini mempunyai koreksi geometrik dan radiometrik yang lebih baik dari data citra Landsat 5 TM yang digunakan sebelumnya. Pada tahun 2006, akurasi data penutupan lahan agak turun, yang kemungkinan besar disebabkan adanya gangguan pada satelit Landsat 7 ETM+ berupa SLC-off, yaitu rusaknya Scan Line Corrector yang mengakibatkan citra hasil perekaman tidak sempurna berupa garis-garis hitam pada citra (stripping). Kerusakan ini terjadi setelah tahun 2003, sehingga menyebabkan akurasi data penutupan lahan yang dihasilkan pada tahun 2006 turun, karena kenampakan obyek pada citra agak sulit diamati secara visual.

Sejak tahun 2009, data Landsat dapat diunduh secara gratis dari website USGS, sehingga data yang diperoleh cukup banyak untuk dapat digunakan dalam kegiatan pembuatan data penutupan lahan. Kualitas data citra Landsat semakin membaik setelah Landsat 8 OLI diluncurkan pada tanggal 11 Februari 2013, dimana jumlah band yang digunakan bertambah, dengan citra yang sudah terkoreksi secara geometrik. Dengan kondisi data Landsat yang meningkat kualitas maupun kuantitasnya berpengaruh terhadap kualitas data penutupan lahan yang dihasilkan, mengingat data citra Landsat menjadi sumber data utama data penutupan lahan.

(37)

28 Hasil penghitungan akurasi dengan Koefisien Kappa dan Kappa Accuracy juga menunjukkan tren yang sama dengan hasil penghitungan dengan matrik error seperti ditunjukkan pada tabel 14. dan gambar 16. Namun demikian, angka akurasi yang dihasilkan masih dalam kategori akurasi baik hingga sangat baik.

Tabel 14. Perbandingan nilai Koefisien Kappa dan Kappa Accuracy data penutupan lahan KLHK periode tahun 1990-2016

Tahun Titik Tunggal Centroid

Polygon-based Pixel (30 m x 30 m)

1990 77,3 77,3 76,5 74,7

1996 76,9 76,9 76,0 74,2

2000 82,2 82,1 81,0 79,0

2003 82,7 82,6 81,4 79,4

2006 82,7 82,6 81,4 79,4

2009 83,3 83,2 82,1 80,1

2011 83,8 83,6 82,5 80,5

2012 84,2 84,0 82,7 80,8

2013 84,2 84,1 82,7 80,8

2014 84,3 84,1 82,8 80,9

2015 84,1 83,9 82,7 80,8

2016 83,8 84,3 83,2 81,5

Gambar 16. Perbandingan grafik nilai Koefisien Kappa dan Kappa Accuracy data penutupan lahan KLHK seluruh periode dengan metode Titik Tunggal Centroid, Polygon-based Pixel (30

m x 30 m), Polygon-based Square (100 m x 100 m), dan Polygon-based Square (250 m x 250 m)

(38)

29 BAB IV

RANGKUMAN DAN KESIMPULAN

1. Data referensi yang digunakan dalam penghitungan akurasi data penutupan lahan KLHK dibuat dengan metode random sampling (acak) sebanyak 5.000-10.000.

2. Sumber data yang digunakan dalam penyusunan data referensi adalah citra satelit dengan resolusi yang lebih tinggi terhadap citra satelit yang digunakan sebagai sumber data pembuatan penutupan lahan, atau resolusi temporal yang lebih baik dengan beberapa akuisisi dan validasi intensif oleh ahli.

3. Berdasarkan 4 (empat) metode yang digunakan dalam validasi data penutupan lahan berdasarkan sebaran sampel data referensinya, metode berbasis titik tunggal centroid dan piksel (30 m x 30 m) memberikan nilai akurasi yang lebih tinggi dibandingkan dengan nilai akurasi yang dihitung dengan metode berbasis poligon (100 m x 100 m dan 250 m x 250 m). Selain itu metode validasi berbasis titik tunggal centroid merupakan metode yang paling mudah dalam pelaksanaannya.

4. Nilai akurasi yang digunakan selanjutnya adalah nilai yang dihitung berdasarkan metode validasi berbasis titik tunggal centroid, yaitu :

Accuracy Producer

Accuracy Overall Accuracy

1990 Hutan Alam 90,6% 91,2%

89,1%

1996 Hutan Alam 90,7% 90,1%

88,8%

2000 Hutan Alam 92,6% 91,0%

91,2%

2003 Hutan Alam 92,2% 91,6%

91,4%

2006 Hutan Alam 91,8% 91,4%

91,4%

2009 Hutan Alam 92,2% 91,2%

91,7%

2011 Hutan Alam 92,1% 91,5%

91,9%

2012 Hutan Alam 92,1% 91,8%

92,1%

2013 Hutan Alam 92,1% 91,7%

92,1%

2014 Hutan Alam 91,8% 91,9%

92,2%

2015 Hutan Alam 91,6% 91,9%

92,1%

2016 Hutan Alam 92,8% 90,1%

91,9%

(39)

30 REFERENSI

Anderson, J.R., Hardy, E.E., Roach, J.T., Witmer, R.E., (1976). A land use and land cover classification system for use with remote sensor data. USA. Usgs Prof. Pap. 964, 964.

Belward, A. S., Estes, J. E., & Kilne, K. D. (1999). The IGBP-DIS global 1-km land-cover data set DISCover: a project overview. Photogrammetric Engineering and Remote Sensing, 65, 1013-1020.

Cohen, J. (1960). A coefficient of agreement of nominal scales: Educational and Psychological Measurement, v. 20, no. 1, pp. 37-46.

Cohen, J. (1968). Weighted Kappa: Nominal scale agreement with provision for scaled disagreement or partial credit: Psychological Bulletin, v. 70, no. 4, pp. 213-320.

Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37, 35-46.

FAO. (2016). Map Accuracy Assessment and Area Estimation: A Practical Guide. National Forest Monitoring Assessment Works Paper. No. 46/E.

Foody, G. M. (2001). Remote sensing of tropical forest environments: towards the monitoring of sustainable resource use. In: A. Belward, E Binaghi, P. A. Brivio, G. A.

Lanzarone, G. Tosi (Eds), Proceedings geo-spatial knowledge processing for natural resource management (pp. 97-101). Varese, Italy: University of Insubria (28-29 June 2001).

Foody, G. M. (2002). Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80, 185-201.

Foody, G. M. (2010). Assessing the accuracy of land cover change with imperfect ground reference data. Remote Sensing of Environment, 114(10), 2271-2285.

DeFries, R. S., & Townshend, J. R. G. (1994). Global land cover: comparison of ground- based data sets to classifications with AVHRR data. In: G. M. Foody, & P. J. Curran (Eds), Environmental remote sensing from regional to global sclaes (pp. 84-110).

Chichester: Wiley.

Dong, J., Xiao, X., Kou, W., Qin, Y., Zhang, G., Li, L., Jin, C., Zhou, Y., Wang, J., Biradar, C.,

& Liu, J. (2015). Tracking the dynamics of paddy rice planting area in 1986-2010 through time series Landsat images and phenology-based algorithms. Remote Sensing of Environment, 160, 99-113.

Estes, J. E., & Mooneyhan, D. W. (1994). Of maps and myths. Photogrammetric Engineering and Remote Sensing, 60, 517-524.

Hansen, M. C. & DeFries, R. S. (2004). Detecting long term global forest change using continuous fields of tree cover maps from 8 km AVHRR data for the years 1982- 1999. Ecosystems, 7, 695-716.

Janssen, L. L. F., & van der Wel, F. J. M. (1994). Accuracy assessment of satellite derived land-cover data: a review. Photogrammetric Engineering and Remote Sensing, 60, 419-426.

(40)

31 Johnson, B. A., & Iizuka, K. (2016). Integrating OpenStreetMap crowdsourced data and Landsat time-series imagery for rapid land use/land cover (LULC) mapping: case study of the Laguna de Bay area of the Philippines. Applied Geography, 67, 140- 149.

FAO. (2016). Map Accuracy Assessment and Area Estimation: A Practical Guide (National Forest Monitoring Assessment Working Paper No. 46/E). Rome.

Fung, T., & LeDrew, E. (1988). The determination of optimal threshold levels for change detection using various accuracy indices. Photogrammetric Engineering and Remote Sensing, 54, 1449-1454.

Kusumaningrat, M. D., Subiyanto, S., & Yuwono, B. D. (2017). Analisis Perubahan Penggunaan dan Pemanfaatan Lahan terhadap Rencana Tata Ruang Wilayah Tahun 2009 dan 2017 (Studi Kasus: Kabupaten Boyolali). Jurnal Geodesi UNDIP, 6(4), 443- 452.

Kvålseth, T. O. (2015). Measurement of Interobserver Disagreement: Correction of Cohen’s Kappa for Negative Values. Journal of Probability and Statistics, vol. 2015, Article ID 751803, 8 pages, 2015

Lillesand, T. M., Kiefer, R. W., & Chipman, J. W. (2004, 5^th ed.). John Wiley. New York.

Margono, A. M., Usman, A. B., & Sugardiman, R. A. (2016). Indonesia’s Forest Resource Monitoring. Indonesian Journal of Geography, vol. 48(1), ISSN 0024-9521, June 2016, 7-20.

McPherson, J. M., Jetz, W., & Rogers, D. J. (2004). The effects of species’ range sizes on the accuracy of distribution models: ecological phenomenon or statistical artefact.

Journal of Applied Ecology, 41, 2004, 811-823

Olofsson, P., Foody, G. M., Stehman, S. V., & Woodcock, C. E. (2013). Making better use of accuracy data in land change studies: Estimating accuracy and area and quantifying uncertainty using stratified estimation. Remote Sensing of Environment, 129, 122- 131.

Rwanga, S. S. & Ndambuki, J. M. (2017). Accuracy assessment of land use/land cover classification using remote sensing and GIS. International Journal of Geosiences, 8, 611-622.

Strahler, A. S., Boschetti, L., Foody, G. M., Friedl, M. A., Hansen, M. C., & Herold, M., et al.

(2006). Global land cover validation: Recommendations for evaluation and accuracy assessment of global land cover maps, Luxembourg: Office for Official Publication of the European Communities, EUR 22156 EN, 2006, 48 p.

Tang, W., Hu, J., Zhang, H., Wu, P., & He, H. (2015). Kappa coefficient: a popular measure of rater agreement. Shanghai Archives of Psychiatry, 2015, vol. 27, No. 1.

Warrens, M. J., & Pratiwi, B. C. (2016). Kappa Coefficients for Circular Classifications. Journal of Classification, 33, 2016, 507-522.

Yang, Z., & Zhou, M. (2015). Weighted Kappa Statistic for Clustered Matched-Pair Ordinal data. Computational Statistics and Data Analysis, 82.

(41)

32

KEMENTERIAN LINGKUNGAN HIDUP DAN KEHUTANAN

DIREKTORAT JENDERAL PLANOLOGI KEHUTANAN DAN TATA LINGKUNGAN DIREKTORAT INVENTARISASI DAN PEMANTAUAN SUMBER DAYA HUTAN

Gedung MANGGALA WANABAKTI Blok I Lantai 7, Jl. Jenderal Gatot Subroto, JAKARTA 10270 Telepon : (021) 5730335 - 5730292 Fax.: (021) 5730335