Download - KAJIAN SPASIAL SEBARAN
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
BOGOR 2006
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.
Dari hasil analisis data, ada 12 kelas tutupan lahan yang dibuat, yaitu pohon, semak dan kebun, kebun teh, sawah, rumput, kebun teh potong, tanah kosong, pemukiman, jalan, sungai, awan dan bayangan awan. Dari hasil klasifikasi
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.
Analisis spasial menunjukkan persentase tutupan lahan terbesar adalah pohon dengan 31% atau seluas 3308,523 ha. Desa yang mempunyai tutupan lahan vegetasi terbesar adalah Desa Tugu Selatan dengan luas 1211,704 ha (11,517%) dan didominasi oleh pohon, yang terkecil adalah Desa Cisarua, yaitu hanya 19,813 ha (0,188%). Dilihat dari kelas lerengnya, secara keseluruhan vegetasi banyak terdapat pada kelas lereng 0% - 8%, yaitu seluas 2269,972 ha, dan yang terkecil pada kelas lereng >5% yaitu 541,950 ha. Pada buffer sungai sebesar 50 m kiri kanan sungai, baik pada jarak 10, 20, 30, 40 dan 50 m pohon paling mendominasi dengan luas total 36,298 ha (32,126%), dan vegetasi yang paling sedikit adalah rumput dengan luas total 2,563 ha (2,26%). Pada buffer jalan selebar 5 m dan 10 m, tutupan yang mendominasi adalah pohon dengan luas 3,92 ha (10,407%) dan 3,954 ha (10,497%), sedangkan vegetasi yang paling sedikit yaitu rumput, hanya 1,277 ha (3,39%). Dari efisiensi biaya, pengolahan data dengan citra lebih efisien sebesar 69,46 kali dibandingan cara terestris. Pembangunan hendaknya memperhatikan juga aspek kelestarian lingkungan dan konservatif agar vegetasi lestari, misalnya dengan penghijauan terutama di sekitar DAS dan harus dilakukan secara berkelanjutan.
Dari hasil analisis data dapat disimpulkan bahwa kemampuan citra Ikonos untuk mendeteksi tutupan lahan vegetasi cukup bagus karena bisa mendeteksi sampai tingkat jenis pohon (level IV), namun untuk non vegetasi kurang bagus. Secara umum tutupan lahan di sub DAS Ciliwung Hulu masih bagus karena didominasi oleh pohon (31%). Penggunaan citra dalam pengelolaan lahan lebih efisien baik dari segi biaya maupun waktu dibandingkan tanpa citra.
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 BOGOR
2006
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
Tanggal Lulus:
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.
9. Remote Sensing and GIS lab’s crew, Ani, Ewink, Jay, Joefri, Hellya dan
Mendoet. I’m proud to be part of this family. Caiyo...!!!
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
Radiagita Dwi Prasatya
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 Menurut Kelas Lereng ........................................................ 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
LAMPIRAN
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
16. Perbandingan Biaya Menggunakan Citra dan Tanpa Citra ..................... 49
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
11. Histogram Luas Setiap Tutupan Lahan Pada Buffer Jalan ........................ 45
DAFTAR LAMPIRAN
No. Halaman
1. Tabel Kisaran Nilai Indeks Vegetasi Tutupan Vegetasi dan
Non Vegetasi ............................................................................................ 53
2. Tabel Luas Setiap Tutupan Lahan di Setiap Desa .................................... 60
3. Tabel Isian Cek Lapang ........................................................................... 61
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.
Masalah lingkungan yang juga tidak kalah penting adalah menurunnya
kualitas air sungai dan banjir dimana-mana terutama pada musim hujan. Jika
dilihat dari kualitas airnya, pada DAS Ciliwung tidak ada yang memiliki kualitas
nomor 1 yaitu sebagai bahan baku air minum dan sumber air bersih. Yang paling
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 Tujuan utama dari penelitian ini adalah untuk mengetahui sampai sejauh
mana kemampuan citra Ikonos dalam memberikan informasi, sedangkan tujuan
tambahannya adalah untuk memberikan informasi spasial mengenai sebaran
vegetasi di sekitar sub DAS Ciliwung Hulu.
Manfaat Penelitian Penelitian ini diharapkan dapat menjadi pertimbangan dalam :
- Perencanaan dan pembangunan pemerintah dan masyarakat agar tutupan
vegetasi tidak habis.
- Pemilihan cara pengolahan data apakah dengan penginderaan jauh atau
dengan survey lapangan.
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
4. GPS (Global Positioning System) Garmin tipe 12-XL
5. Meteran dan Haga
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
Sumber : Pike, 1999
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.
Citra satelit Ikonos mempunyai resolusi spasial multispektral 4m dan
pankromatik 1m. Pada proses ini citra multispektral RGB (4 x 4m) dirubah
menjadi format IHS dengan mengganti intensity menjadi pankromatik (1 x 1m)
sehingga menghasilkan citra dengan resolusi 1 x 1m.
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).
Dalm hal ini, citra Ikonos yang dipakai belum terkoreksi secara geometrik,
sehingga perlu dilakukan koreksi geometrik terlebih dahulu. Pada awalnya,
dilakukan rektifikasi citra ke peta (image to map rectification) karena tidak
adanya citra referensi yang sudah terkoreksi pada daerah sub DAS Ciliwung Hulu.
Peta yang digunakan sebagai referensi adalah Peta Rupa Bumi Cisarua dengan
skala 1:25.000. Namun, setelah didapatkan hasilnya ternyata RMSE (Root Mean
Square Error) nya sangat besar yaitu 23. Oleh karena itu, dilakukan lagi registrasi
citra hanya pada daerah yang bertampalan (overlap) pada citra dengan
menggunakan salah satu citra sebagai master dan satunya sebagai slave.
Banyaknya GCP yang dibuat ada 19 titik. Hasil koreksi citra ke citra lebih baik
daripada koreksi citra ke peta karena skala peta yang digunakan terlalu kecil jika
dibandingkan dengan resolusi citra 1x1m sehingga akan ada gap jarak yang
lumayan besar.
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)
Untuk mengetahui keadaan tutupan lahan sebenarnya dilapangan, perlu
dilakukan pengecekan lapangan. Dalam pelaksanaannya, dilakukan juga
pengambilan titik-titik koordinat menggunakan GPS untuk mengetahui letak titik
tersebut pada citra dan dilakukan pengambilan gambar (foto).
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
Sawah yang masuk kedalam klasifikasi ini adalah sawah dengan padi yang
masih muda sampai yang sudah siap panen
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)
Training area dibuat untuk masing-masing kelas penutupan lahan yang
sudah diketahui. Dalam Richards (1993), untuk N saluran multispektral
disarankan sebaiknya dibuat N+1 sampel untuk menghindari matriks kovarian
singular. Swain dan Davis (1978) dalam Richards (1993) merekomendasikan pada
prakteknya minimum 10N sampel per kelas spektral dibuat untuk training area
hingga 100N untuk hasil yang lebih baik.
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
Setelah membuat training area untuk klasifikasi, kita bisa melihat apakah
training area suatu kelas dapat teridentifikasi secara statistik atau tidak, caranya
( )8/12000 dijTij eTD −−=
( )( ){ } ( )( )( ) }{ tjijijiijjiij mmmmCCTrCCCCTrD −−−+−−= −−−− 1111
21
21
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
Akurasi pemetaan dapat diuji dengan suatu matrik yang disebut matriks kesalahan
(Error Matrix atau Confusion Matrix). Matrik ini merupakan hasil dari proses
%1002
×ΧΧ−Ν
ΧΧ−ΧΝ
∑
∑ ∑
++
++
r
kkk
r
k
r
kkkkk
%100×Χ
Χ +k
kk
%100×ΧΧ
+K
kk
%100×Ν
Χ∑r
kkk
klasifikasi 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 Accuracy
Xkk/X+k
redNIRredNIR
+−
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
Pengolahan data spasial dilakukan dengan sistem informasi geografis
menggunakan software Arc.View 3.2. Sistem informasi geografis (SIG) adalah
sistem berbasis komputer yang terdiri atas perangkat keras komputer (hardware),
perangkat lunak (software), data geografis dan sumberdaya manusia (brainware)
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
Dilakukan dengan mengoverlay hasil klasifikasi dengan batas buffer jalan
yang dibuat sebelumnya selebar 10 m kanan kiri jalan besar, untuk mengetahui
sebaran vegetasi pada jarak buffer tersebut.
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
CC
Keterangan : Cf = total biaya tanpa citra
Ce = total biaya dengan 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
Terima?
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
Selesai
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 %).
Kawasan hutan di daerah sub DAS Ciliwung Hulu sebagian besar
merupakan hutan lindung yang berstatus Hutan Negara. Kawasan hutan ini
didominasi oleh vegetasi hasil suksesi alami dan menurut data tahun 1986,
kerapatan vegetasi pada hutan lindung tersebut makin lama makin berkurang
(rata-rata 190 pohon/Ha). Pada wilayah hutan lindung, penyebaran vegetasinya
tidak merata, sehinga terdapat daerah gundul yang perlu segera direhabilitasi.
Sekitar 30 % kawasan hutan di sub DAS Ciliwung Hulu merupakan hutan
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 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 Sumber : Balai Penelitian DAS Ciliwung
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 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 Kondisi tata air di wilayah sub DAS Ciliwung Hulu dientuk dari beberapa
aliran air dari berbagai hulu sungai yang mengalir melalui anak-anak sungai dan
selanjutnya bergabung ke dalam suatu tangkapan sungai utama yaitu sungai
Ciliwung. Sungai-sungai yang terdapat di sub DAS Ciliwung Hulu pada
umumnya bukan merupakan sarana transportasi, namun lebih banyak
dimanfaatkan untuk sarana pengairan seperti waduk dan bendungan.
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 komunikasi yang dipergunakan oleh masyrakat adalah telepon
(9.597 buah), televisi (18.672 buah) dan radio (23.052 buah) . Apabila
dibandingkan dengan jumlah penduduk, rasio penggunaan radio sebagai alat
komunikasi adalah yang terbesar, yaitu 10:1 atau setiap 1 pesawat radio bisa
dinikmati 10 jiwa.
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.
Sarana kesehatan sangat penting untuk memberikan pelayanan terhadap
perkembangan dan pertumbuhan balita. Sarana yang ada berupa Puskesmas sudah
cukup memadai yaitu 36 buah yang terdapat disetiap Kabupaten, poliklinik 16
buah dan Pos Yandu sebanyak 442 buah.
HASIL DAN PEMBAHASAN
Pengolahan Citra (Image Processing) Klasifikasi Terbimbing (Supervised Classification)
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.
Gambar 4. Citra Hasil Klasifikasi
Analisis Separabilitas
Dari hasil klasifikasi dengan pembuatan training area, dilakukan analisis
separabilitas dengan mengacu pada kriteria separabilitas. Pada matrik terlihat dari
66 pasang kelas, ada 37 pasang kelas yang termasuk kategori terpisah sangat baik
(excellent) (bernilai 2000), 23 pasang kelas yang masuk kedalam kategori terpisah
baik (good), 2 pasang kelas yang masuk kedalam kategori terpisah cukup baik
(fair), 3 pasang kelas yang masuk kedalam kategori terpisah kurang baik (poor)
yaitu antara pohon dengan semak dan kebun, dan 1 pasang kelas yang masuk
kedalam kategori tidak terpisahkan (inseparable) atau yang paling sulit
dikalsifikasi, yaitu antara jalan dan sungai.
Adanya pasangan kelas yang masuk kedalam kategori terpisah kurang baik
dan tidak terpisahkan adalah karena secara spektral nilai antara kelas yang
bersangkutan (pohon dengan semak dan kebun, jalan dengan sungai) relatif sama
sehingga dalam proses klasifikasi bisa masuk kedalam kelas lain. Selain itu,
dengan resolusi spasial citra Ikonos yang tinggi, yaitu 1 x 1m, sebaran nilai
pikselnya lebih lebar dibandingkan citra yang resolusi spasialnya lebih rendah
sehingga kemungkinan suatu kelas masuk ke kelas lain juga lebih besar.
Kelas C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12C1 0 1999.97 1221.34 2000 2000 2000 1999.91 1999.91 2000 2000 2000 2000C2 0 1998.73 2000 2000 2000 1999.64 2000 2000 2000 2000 1969.38C3 0 2000 2000 2000 1994.42 1999.37 2000 1999.89 2000 1996.92C4 0 2000 2000 2000 2000 2000 2000 2000 2000C5 0 2000 2000 2000 2000 2000 2000 2000C6 0 2000 1999.99 1996.26 1982.87 1998.32 1999.43C7 0 1985.64 1999.71 1996.65 1999.96 1982.54C8 0 1659.66 1819.78 1968.29 2000C9 0 1773.16 1827.47 1999.98C10 0 1704.58 1998.2C11 0 2000C12 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 C6 : Rumput C12 : Tanah Kosong
Evaluasi Akurasi
Metode evaluasi akurasi yang digunakan disini adalah dengan user’s
accuracy, producer’s accuracy, overall accuracy dan Kappa accuracy. Jumlah
keseluruhan piksel yang dibuat ada 60423 piksel dengan komposisi terbanyak
adalah bayangan awan dan yang paling sedikit adalah sungai. Untuk user’s
accuracy yang merupakan hasil pembagian matrik diagonal dengan total kolom,
didapatkan kelas dengan tingkat akurasi tertinggi yaitu rumput dengan nilai
98,384%. Dari 2290 piksel yang terklasifikasi sebagai kelas rumput, ada sebanyak
2253 piksel, 4 piksel kedalam kelas tanah kosong dan 33 piksel kedalam kelas
sawah, sedangkan kelas dengan user’s accuracy terendah adalah sawah dengan
nilai 78,8% dimana dari 1217 piksel yang terklasifikasi sebagai sawah, 959 piksel
masuk kedalam kelas sawah, 9 piksel kedalam kelas pemukiman, 1 piksel
kedalam kelas sungai, 20 piksel kedalam kelas rumput, 16 piksel kedalam kelas
kebun teh potong, 5 piksel kedalam kelas pohon, 33 piksel kedalam kelas semak
dan kebun, dan 174 piksel kedalam kelas kebun teh. Dengan rata-rata user’s
accuracy sebesar 91,422%, berarti masih bisa digunakan dengan mengacu bahwa
akurasi minimal adalah 85%.
Pada producer’s accuracy kelas dengan tingkat akurasi tertinggi adalah
awan dengan nilai 99,98% dimana dari 13022 piksel yang terklasifikasi sebagai
awan, 13020 masuk kelas awan dan 2 piksel masuk kedalam kelas pemukiman,
sedangkan kelas dengan tingkat akurasi terendah adalah sawah dengan nilai
65,23% dimana dari 1470 piksel yang terklasifikasi sebagai sawah, 959 yang
masuk kedalam kelas sawah, 1 piksel kedalam kelas sungai, 3 piksel kedala kelas
jalan, 74 piksel kedalam kelas tanah kosong, 33 piksel kedalam kelas rumput, 134
piksel kedalam kelas pohon, 106 piksel kedalam kelas semak dan kebun, dan 160
piksel kedalam kelas kebun teh. Sama halnya dengan user’s accuracy, dengan
rata-rata 89,131% producer’s accuracy ini masih bisa diterima.
Untuk mengetahui tingkat akurasi keseluruhan, bisa dilihat dari overall
accuracy dan Kappa accuracy. Disini digunakan Kappa Accuracy karena
memperhitungkan semua elemen dalam kolom sehingga hasilnya akan lebih
akurat. Overall accuracy yang diperoleh adalah 94,906% dan Kappa accuracy
sebesar 93,699%.
Jika dilihat pada tabel, ada kelas yang mempunyai akurasi tinggi dan ada
yang rendah, hal ini disebabkan oleh beberapa faktor baik internal maupun
eksternal. Secara internal, citra Ikonos dengan resolusi tinggi 1 x 1m pasti
mempunyai jumlah piksel yang semakin banyak seiring semakin besarnya
cakupan wilayah penelitian. Dengan semakin banyaknya jumlah piksel, variasi
nilai spektral akan semakin banyak dan pada akhirnya akan semakin sulit
mengklasifikasikan secara digital karena kemungkinan satu piksel dalam sauatu
kelas masuk ke kelas lain besar. Menurut Atkinson dan Tate (1999), sehubungan
dengan semakin tingginya resolusi spasial, biasanya akan semakin tinggi pula
noise pada citra. Dengan tingginya resolusi spasial, banyak pula informasi pada
citra yang bisa didapatkan, namun akurasi klasifikasi kemungkinan menurun.
Data Acuan Training Area C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12
C1 1004 14 164 0 5 0 0 0 0 0 0 0 1187 84.583C2 20 1877 29 152 0 0 15 0 0 9 0 135 2237 83.907C3 93 14 1252 0 57 0 22 0 0 1 0 0 1439 87.004C4 0 2 0 13020 0 0 0 0 0 0 0 0 13022 99.984C5 0 0 0 0 20713 0 0 7 0 0 0 0 20720 99.966C6 0 0 0 0 0 2253 0 0 1 20 2 5 2281 98.772C7 1 24 10 0 0 0 2071 22 7 16 0 56 2207 93.837C8 5 0 0 0 551 0 0 4095 81 5 18 0 4755 86.119C9 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 65.23C11 0 0 0 0 0 0 0 55 55 174 4226 0 4510 93.702C12 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 60423User's Acc (%) 89.323 86.697 85.753 98.204 97.125 98.384 96.146 90.878 88.972 78.8 93.33 93.459Overall Acc (%) 94.906Kappa Acc (%) 93.699
Diklasifikasi Sebagai Kelas Total Baris
Producer's Acc (%)
Tabel 10. Matrik Kesalahan (Error Matrix)
Keterangan : C1 : Sungai C5 : Bayangan Awan C9 : Semak dan Kebun C2 : Permukiman C6 : Rumput C10 : Sawah C3 : Jalan C7 : Kebun Teh Potong C11 : Kebun Teh C4 : Awan C8 : Pohon C12 : Tanah Kosong
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
Pohon dan semak > 0,492188 ~ 0,99218
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
2b2a
1b
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
4b4a
6a 6b
5a 5b
2a 2b
33
Gambar 6. (lanjutan) (7a) Sawah kosong pada citra, (7b) Sawah kosong di lapangan, (8a) Kebun kosong pada citra, (8b) Kebun kosong di lapangan, (9a) Tanah kosong pada citra, (9b) Tanah kosong di lapangan, (10a) Permukiman pada citra, (10b) Permukiman di lapangan.
7b7a
8b8a
9a
10a
9b
10b
34
Gambar 6. (lanjutan) (11a) Jalan pada citra, (11b) Jalan di lapangan, (12a) Sungai pada citra, (12b) Sungai di lapangan, (13a) Awan pada citra, (14a) Bayangan Awan pada citra.
Kondisi Tutupan Vegetasi Secara Umum
Secara umum, tutupan vegetasi di sub DAS Ciliwung Hulu masih baik,
dengan komposisi antara lahan yang diperuntukan bagi vegetasi dan non vegetasi
yang masih seimbang bahkan lebih banyak vegetasi (8773, 853 ha). Untuk pohon,
di daerah sub DAS Ciliwung ini terdapat berbagai jenis pohon-pohonan
diantaranya kayu manis, pinus (Pinus merkusii), ki endog, pasang kapas, riung
anak, pohon buah-buahan dan lain-lain (Lampiran 2). Untuk penyebarannya, tiap
jenis tidak merata. Pinus lebih banyak ditemui ditepi hutan, kayu manis banyak
terdapat di Perkebunan Teh Gunung Mas, sedangkan yang lain tersebar.
11a 11b
12a 12b
14a13a
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
Banyaknya desa yang berada di wilayah penelitian (Sub DAS Ciliwung
Hulu di ) ini ada 21 desa yang terbagi kedalam 3 Kecamatan. Dari hasil analisis,
didapatkan bahwa tutupan vegetasi (pohon, semak dan kebun, kebun teh, sawah,
rumput) paling banyak adalah di Desa Tugu Selatan dengan 1211,704 ha yang
didominasi oleh pohon. Untuk tutupan pohon paling banyak terdapat di Desa
Tugu Utara yaitu sebanyak 603,063 ha, dan paling sedikit di Desa Cisarua yaitu
hanya 6,041 ha, tutupan semak dan kebun banyak ditemukan di Desa Sukamaju
yaitu 239,966 ha, dan yang paling sedikit Desa Cipayung yaitu 2,091 ha. Untuk
tutupan kebun teh (termasuk teh yang dipotong), banyak terdapat di 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.
Secara garis besar, tutupan lahan vegetasi di sub DAS Ciliwung Hulu
didominasi oleh pohon dengan 31% atau seluas 3308,523 ha. Pada citra, bagian
yang tertutup awan dan bayangan awan termasuk kedalam kelas pohon
berdasarkan peta yang dikeluarkan Bakosurtanal (Badan Koordinasi Survey dan
Pemetaan Nasional. Sehingga, luas tutupan berupa pohon termasuk yang tertututp
awan dan bayangan awan adalah sebesar 4103,79 ha. Rumput memiliki luas
terkecil pada tutupan vegetasi dengan 3% atau 279,176 ha. Pada tutupan lahan
non vegetasi, tutupan lahan yang mendominasi adalah tanah kosong dengan 9%
atau sama dengan 895,260 ha, dan yang paling sedikit adalah sungai, yaitu hanya
sebesar 1% atau seluas 105,551 ha (Lampiran 2). Untuk jenis tutupan lahan
vegetasi yang bisa dipanen seperti kebun teh, sawah dan kebun, sewaktu-waktu
luasnya bisa berubah tergantung waktu panen. Persentase luasan tiap kelas
tutupan lahan dapat dilihat pada Gambar 7. :::
37
Persentase Luas Tiap Tutupan Lahan
31%
14%15%
12%
3%
9%
4% 3%
5%
1%3%
PohonSmk & KbnKebun TehSawahRumputTnh KosongPermukimanJalanSungaiAwanByngn Awan
Gambar 7. Persentase Luas Tiap Tutupan Lahan
38
0
500
1000
1500
2000
2500
3000
3500L
uas (
Ha)
Pohon
Smk & KbnKbn Teh
SawahRumput
Tnh Kosong
Permukiman Jalan
SungaiAwan
Byngn Awan
Jenis Tutupan Lahan
Histogram Luas Setiap Tutupan Lahan di Tiap Desa
Batulayang Bojong Murni Cibeureum CilemberCipayung Cipayung Girang Cisarua CitekoGadog Jogjogan Kopo KutaLeuwimalang Megamendung Sukagalih SukakaryaSukamanah Sukaresmi Sukamaju Tugu SelatanTugu Utara
Gambar 8. Luas Setiap Tutupan Lahan di Tiap Desa
39
Tabel 12. Luas Tutupan Vegetasi di Setiap Desa
Pohon Smk & Kbn Kbn Teh Sawah RumputBatulayang 35.051 15.454 10.719 27.858 2.480
0.441 0.195 0.135 0.351 0.031Bojong Murni 55.997 16.596 20.534 40.895 7.510
0.705 0.209 0.259 0.515 0.095Cibeureum 129.680 89.680 103.360 135.680 23.680
1.633 1.129 1.302 1.709 0.298Cilember 9.611 2.091 3.674 6.058 1.897
0.121 0.026 0.046 0.076 0.024Cipayung 497.511 149.040 93.023 40.795 8.498
6.266 1.877 1.172 0.514 0.107Cipayung Girang 38.857 12.003 30.066 63.291 22.276
0.489 0.151 0.379 0.797 0.281Cisarua 6.041 5.469 4.036 3.930 0.338
0.076 0.069 0.051 0.049 0.004Citeko 28.595 34.430 19.733 22.009 1.950
0.360 0.434 0.249 0.277 0.025Gadog 12.431 8.229 6.518 7.752 1.136
0.157 0.104 0.082 0.098 0.014Jogjogan 82.398 66.395 48.990 89.199 7.063
1.038 0.836 0.617 1.123 0.089Kopo 115.708 78.143 60.541 77.938 7.693
1.457 0.984 0.762 0.982 0.097Kuta 22.508 8.044 14.267 25.742 9.953
0.283 0.101 0.180 0.324 0.125Leuwimalang 96.191 112.753 146.981 91.617 12.111
1.211 1.420 1.851 1.154 0.153Megamendung 10.870 4.236 5.027 9.096 2.307
0.137 0.053 0.063 0.115 0.029Sukagalih 24.629 10.554 25.079 7.380
0.310 0.133 0.316 0.093Sukakarya 93.601 81.218 111.605 86.003 25.027
1.179 1.023 1.406 1.083 0.315Sukamanah 68.605 36.855 56.768 91.731 21.758
0.864 0.464 0.715 1.155 0.274Sukaresmi 471.284 140.783 110.107 137.567 35.982
5.936 1.773 1.387 1.733 0.453Sukamaju 376.314 239.966 382.720 140.110 31.403
4.739 3.022 4.820 1.765 0.396Tugu Selatan 529.579 203.534 289.259 142.754 46.578
6.670 2.563 3.643 1.798 0.587Tugu Utara 603.063 195.536 43.337 14.983 2.157
7.595 2.463 0.546 0.189 0.027Total (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)
106.718
19.813
166.492
788.866
23.331
340.022
294.043
36.066
859.076
1211.704
1170.513
895.722
275.718
397.453
67.642
41
Persentase0% - 8% 8% - 15% 15% - 25% 25% - 45% > 45% (%)
664.658 472.444 702.141 1124.448 365.4416.293 4.473 6.648 10.646 3.460
356.937 269.220 371.944 410.203 109.3213.380 2.549 3.522 3.884 1.035
508.238 397.713 373.289 263.314 42.1994.812 3.766 3.534 2.493 0.400
584.397 311.873 239.934 140.157 21.2945.533 2.953 2.272 1.327 0.202
155.743 64.080 39.622 20.136 3.6951.475 0.607 0.375 0.191 0.035
437.820 222.953 152.553 68.110 6.2984.145 2.111 1.444 0.645 0.060
261.440 112.548 66.152 56.331 23.0832.475 1.066 0.626 0.533 0.219
134.135 54.812 29.167 29.308 12.1891.270 0.519 0.276 0.277 0.115
28.972 12.955 16.807 27.352 13.1810.274 0.123 0.159 0.259 0.125
26.183 36.393 113.101 176.305 71.7200.248 0.345 1.071 1.669 0.679
15.886 8.992 49.752 184.205 100.5850.150 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
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.
Tabel 13. Luas Setiap Tutupan Lahan Pada Kelas Lereng 0%~>45%
42
Histogram Sebaran Tutupan Lahan Pada Kelas Lereng
365.441
702.141664.658 472.444
1124.448
0200400600800
10001200
0% - 8% 8% - 15% 15% - 25% 25% - 45% > 45%Kelas Lereng
Lua
s (H
a)
Pohon Semak dan Kebun Kebun TehSawah Rumput Tanah KosongPermukiman Jalan SungaiAwan 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.
Mengacu kepada Undang-undang No. 41 tahun 1999, pada jarak 50 meter
kiri kanan tepi anak sungai tidak boleh dilakukan penebangan pohon. Maka,
kondisi tutupan pohon pada buffer sungai 50 m masih bisa ditoleransi dan masih
sesuai dengan ketentuan. Agar vegetasi disekitar sungai ini tidak cepat habis,
perlu dilakukan usaha-usaha rehabilitasi seperti penghijauan dengan pengelolaan
yang baik.
43
10 20 30 40 5011.477 6.584 6.068 6.167 6.00210.158 5.827 5.371 5.458 5.3124.456 2.461 1.93 1.822 1.6553.944 2.178 1.708 1.613 1.4654.506 2.488 2.192 2.055 2.0833.988 2.202 1.940 1.819 1.8447.522 4.039 3.385 3.303 3.66.657 3.575 2.996 2.923 3.1860.749 0.428 0.404 0.474 0.5080.663 0.379 0.358 0.420 0.4504.101 2.436 2.238 2.146 1.8973.630 2.156 1.981 1.899 1.6792.179 1.329 1.204 1.108 1.0471.929 1.176 1.066 0.981 0.9271.021 0.674 0.617 0.669 0.710.904 0.597 0.546 0.592 0.6280.424 0.267 0.611 0.722 0.7190.375 0.236 0.541 0.639 0.6360.006 0 0 0 00.005 0 0 0 00.139 0.107 0.07 0.066 0.1220.123 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)
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
11.34512.818
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
Tabel 14. Luas Setiap Tutupan Lahan Pada Buffer Sungai
44
11.477
6.584 6.068 6.167 6.002
0
2
4
6
8
10
12
Lua
s (H
a)
10 m 20 m 30 m 40 m 50 mJarak Buffer (m)
Histogram Luas Setiap Tutupan Lahan Pada Buffer Sungai
Pohon Semak dan Kebun Kebun TehSawah Rumput Tanah KosongPermukiman Jalan SungaiAwan Bayangan Awan
Gambar 10. Histogram Luas Setiap Tutupan Lahan Pada Buffer Sungai
Sebaran Tutupan Lahan Pada Buffer Jalan Jarak 10 m
Buffer yang dibuat pada jalan besar adalah selebar 10 m kiri kanan jalan
dengan interval 5 meter. Pada buffer 5 m, tutupan yang mendominasi adalah
pohon dengan persentase 10,407% atau seluas 3,92 ha dan yang paling sedikit
selain awan dan bayangan awan adalah sungai, yaitu sebesar 0,834% atau 0,314
ha. Sama halnya dengan buffer 5m, pada buffer 10 m pohon kembali
mendominasi tutupan lahan dengan persentase 10,497% atau sebesar 3,954 ha dan
sungai pun sebarannya paling sedikit diluar awan dan bayangan awan, yaitu
0,807% atau 0,304 ha. Jika dilihat dari dominasi tutupan lahan yang sebagian
besar berupa pohon, berarti sebaran vegetasi disekitar jalan besar ini masih bagus,
pohon-pohon disepanjang jalan sebagai salah satu contoh hutan kota kondisinya
masih cukup bagus.
45
5 m 10 m3.920 3.954
10.407 10.4971.414 1.3773.754 3.6563.124 3.1188.294 8.2782.264 2.4206.010 6.4250.591 0.6861.569 1.8211.386 1.3573.680 3.6032.467 2.3726.549 6.2973.249 3.1098.625 8.2540.314 0.3040.834 0.8070.031 0.0210.082 0.0560.109 0.0810.289 0.215
Total (Ha) 18.869 18.799 37.668 100
3.3901.277
12.435
16.571
0.190
0.052
0.618
6.358
0.504
0.138
1.641
16.879
12.8464.839
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 LahanLuas (Ha) dan Persentase (%)Tiap Tutupan Lahan Pada Buffer Jalan Persentase
(%)
Tabel 15. Luas Setiap Tutupan Lahan Pada Buffer Jalan
46
0
1
2
3
4
Lua
s (ha
)
5 m 10 mJarak Buffer
Histogram Luas Setiap Tutupan Lahan Pada Buffer Jalan
Pohon Smk dan Kbn Kebun TehSawah Rumput Tanah KosongPermukiman Jalan SungaiAwan 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
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
= Rp 255,86/ha
47
TanpaCitra
Survey 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 Citra
Luas 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
TanpaCitra
- Lama pengamatan 6417,464 ha/60 ha/4 regu = 26 hari
- Biaya survey Rp 250.000 x 26 hari x 4 = Rp 26.000.000
- Biaya per hektar, Rp 26.000.000/6417,464 ha = Rp 4051,44/ha
48
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
1. Survey kawasan hutan = Rp 325.017/ha
2. Survey Kawasan non hutan = Rp 4.051,44/ha
3. Pengolahan data = Rp 1.425,66/ha +
Total = Rp 330.494,1/ha
49
ER = haha
/39,4757/1,330494 = 69,46
Jika dilihat dari efisiensi biaya, pengolahan data menggunakan citra lebih
efisien daripada tanpa menggunakan citra sebesar 69,46 kali. Komponen biaya
yang besar yaitu survey kawasan hutan dimana survey dilakukan dengan sensus.
Hal ini membuktikan bahwa pengolahan data menggunakan citra lebih efisien dari
segi biaya, waktu dan tenaga. Untuk tanpa citra, jumlah hari kerja dapat dikurangi
dengan menambah regu kerja menjadi 10 regu, sehingga hari kerja menjadi 205
hari.
30
Tabel 16. Perbandingan Biaya Menggunakan Citra dan Tanpa Citra
No. Jenis Data Jenis Kawasan
Luas Area (Ha)
JumlahOrang /Regu
Luas Areal Survey
(Ha)
Lama Hari
Kerja
Biaya Pengolahan/
Ha (Rp)
Biaya Total
(Rp x1000)
Biaya Per Hektar
(Rp)
Total Biaya/Ha
(Rp) 1. Citra Hutan 4103,79 3 1,1 3
4423,62 1.050 255,86 4757,39
Non Hutan 6417,464 2 60 2 400 77,91
2. Tanpa Citra Hutan 4103,79 6 4103,79 2052 1.425,66
13.333.800 325.017 330.494,1
Non Hutan 6417,464 2 6417,464 26 26.000 4051,44
KESIMPULAN DAN SARAN
Kesimpulan 1. Citra Ikonos mampu mendeteksi tutupan lahan vagetasi cukup tinggi karena dapat
mendeteksi tutupan lahan sampai level IV (jenis pohon). Namun, untuk non
vegetasi banyak terjadi misklasifikasi karena nilai spektral yang hampir sama.
Jika dilihat dari akurasi termasuk baik, dengan overall accuracy 94,906%. Perlu
diingat bahwa resolusi spasial yang tinggi belum tentu dapat memberikan
informasi secara spektral dengan bagus.
2. Persentase tutupan lahan terbesar adalah pohon (tidak termasuk yang tertutup
awan dan bayangan awan) dengan luas 3308,523 ha 31%. Desa yang mempunyai
tutupan lahan vegetasi terbesar adalah Desa Tugu Selatan dengan luas 1211,704
ha (11,517%) dan didominasi oleh pohon, yang terkecil adalah Desa Cisarua,
yaitu hanya 19,813 ha (0,188%) karena dari luasan desanya pun Desa Cisarua
memang kecil.
3. Dilihat dari kelas lerengnya, secara keseluruhan vegetasi banyak terdapat pada
kelas lereng 0% - 8%, yaitu seluas 2269,972 ha (21,49%), dan yang terkecil pada
kelas lereng ≥ 45% yaitu 541,950 ha (6,25%).
4. Pada buffer sungai sebesar 50 m kiri kanan sungai, baik pada jarak 10, 20, 30, 40
dan 50 m pohon paling mendominasi dengan 36,298 ha (32,126%), dan yang
paling sedikit selain awan adalah rumput dengan luas total 2,563 ha (2,26%).
5. Pada buffer jalan selebar 5 m dan 10 m, tutupan yang mendominasi adalah pohon
dengan luas 3,92 ha (10,407%) dan 3,954 ha (10,497%). Untuk vegetasi yang
paling sedikit yaitu rumput, hanya 1,277 ha (3,390%).
6. Dilihat dari efisiensi biaya, pengolahan data menggunakan citra lebih efisien
sebesar 69,46 kali dibandingan tanpa menggunakan citra.
50
Saran 1. Perlu dicari teknik yang lebih baik dalam melakukan pengklasifikasian pada citra
Ikonos secara digital.
2. Keberadaan vegetasi di sub DAS Ciliwung Hulu yang masih dominan
seyogyanya dipertahankan bahkan ditambah dengan pengadaan program
penghijauan dan reboisasi yang berkelanjutan.
51
DAFTAR PUSTAKA
Anonim. 1999. http://www.spaceimaging.com. 15 Nopember 2005, 10:16 a.m Anonim. 2000. Rencana Teknik Lapangan Rehabilitasi Lahan dan Konservasi Tanah:
Sub DAS Ciliwung Hulu DAS Ciliwung, Buku I. Balai Rehabilitasi Lahan dan Konservasi Tanah Citarum-Ciliwung.
Atkinson and N. J. Tate. 1999. Advances in Remote Sensing and GIS Analysis.
Chichester, New York, Weinheim, Brisbane, Singapore, Toronto : John Wiley and Sons.
Jaya, I N. S. 1996. Kesatuan Pengusahaan Hutan Produksi (KPHP) : Modul Bahan
Kuliah Perencanaan Hutan, Laboratorium Inventarisasi Sumberdaya Hutan. Bogor : Fakultas Kehutanan, IPB.
. 2002. Penginderaan Jauh Satelit Untuk Kehutanan, Laboratorium
Inventarisasi Hutan. Bogor : Fakultas Kehutanan IPB. . 2002. Aplikasi Sistem Informasi Geografis Untuk Kehutanan :
Penuntun Praktis Menggunakan Arc/Info dan Arc View. Bogor : Fakultas Kehutanan IPB.
. 2003. Prospek Pemanfaatan Citra Resolusi Tinggi dalam rangka
Identifikasi Jenis Pohon: Studi kasus menggunakan Citra CASI (Compact Airborne Spectographic Imager) dan IKONOS di Kebun Raya Bogor. Prosiding Pertemuan Ilmiah Tahunan (PIT) XII dan Kongres III Mapin. Bandung.
. 2005. Teknik Mendeteksi Lahan Longsor Menggunakan Citra SPOT
Multiwaktu : Studi Kasus di Teradomori, Tochio dan Shidata Mura, Niigata, Jepang. Jurnal Manajemen Hutan Tropika, vol. XI, No. 1. Bogor : Departemen Manajemen Hutan, Fakultas Kehutanan IPB.
Jensen, J. R. 1986. Introductory Digital Image Processing: A Remote Sensing Perspective. Department of Geography. University of South Carolina, Prentice Hall, Engelwood Cliffs, New Jersey.
. 2000. Remote Sensing of the Environment : An Earth Resource Perspective. USA : Prentice Hall.Inc.
Küchler, A. W. 1967. Vegetation Mapping. New York : The Ronald Press Company.
52
Lillesand, T. M and R. W. Kiefer. 1990. Remote Sensing and Image Interpretation.
Terjemahan. Yogyakarta : Gajah Mada University Press. Murdiyarso, D. 2003. Protokol Kyoto : Implikasinya Bagi Negara Berkembang.
Jakarta : Penerbit Buku Kompas. Parkinson, C. L. 1997. Earth From Above : Using Color-Coded Satellite Images to
Examine The Global Environment. University Science Books, Sausalito, California.
Pike, J. and T. Brown. 1999. http://www.fas.org/irp/spaceimaging.15 Desember 2004 Richards, J. A. 1986. Remote Sensing Digital Image Analysis : An Introduction.
Springer-Verlag Berlin, Heldelberg.
53
LAMPIRAN
54
Lampiran 1 Tabel Kisaran Nilai Indeks Vegetasi Tutupan Vegetasi dan Non Vegetasi
55
Lampiran 1 (Lanjutan)
56
Lampiran 1 (Lanjutan)
57
Lampiran 1 (Lanjutan)
58
Lampiran 1 (Lanjutan)
59
Lampiran 1 (Lanjutan)
60
Lampiran 1 (Lanjutan)
Lampiran 2Tabel Luas Setiap Kelas Tutupan Lahan di Setiap Desa
Pohon Smk&Kbn Kbn Teh Sawah Rumput Tnh Kosong Permukiman Jalan Sungai Awan Bygn Awan35.051 15.454 10.719 27.858 2.480 15.645 8.632 3.259 0.768 0.141 0.2880.333 0.147 0.102 0.265 0.024 0.149 0.082 0.031 0.007 0.001 0.003
55.997 16.596 20.534 40.895 7.510 23.365 21.219 12.199 7.437 0.219 0.7850.532 0.158 0.195 0.389 0.071 0.222 0.202 0.116 0.071 0.002 0.007
129.680 89.680 103.360 135.680 23.680 110.040 40.680 20.680 3.680 0.680 1.6801.233 0.852 0.982 1.290 0.225 1.046 0.387 0.197 0.035 0.006 0.0169.611 2.091 3.674 6.058 1.897 2.766 2.974 2.618 2.106 0.037 0.3190.091 0.020 0.035 0.058 0.018 0.026 0.028 0.025 0.020 0.000 0.003
497.511 149.040 93.023 40.795 8.498 7.595 1.628 0.744 0.574 0.506 8.9274.729 1.417 0.884 0.388 0.081 0.072 0.015 0.007 0.005 0.005 0.085
38.857 12.003 30.066 63.291 22.276 30.896 38.935 21.331 3.605 0.377 0.6180.369 0.114 0.286 0.602 0.212 0.294 0.370 0.203 0.034 0.004 0.0066.041 5.469 4.036 3.930 0.338 2.861 2.929 0.884 0.101 0.032 0.0610.057 0.052 0.038 0.037 0.003 0.027 0.028 0.008 0.001 0.000 0.001
28.595 34.430 19.733 22.009 1.950 12.119 2.633 0.998 0.196 0.112 0.3620.272 0.327 0.188 0.209 0.019 0.115 0.025 0.009 0.002 0.001 0.003
12.431 8.229 6.518 7.752 1.136 6.107 4.990 1.960 0.354 0.064 0.1790.118 0.078 0.062 0.074 0.011 0.058 0.047 0.019 0.003 0.001 0.002
82.398 66.395 48.990 89.199 7.063 85.229 17.886 5.455 1.009 0.494 1.7170.783 0.631 0.466 0.848 0.067 0.810 0.170 0.052 0.010 0.005 0.016
115.708 78.143 60.541 77.938 7.693 63.806 15.360 5.327 1.175 0.421 1.1201.100 0.743 0.575 0.741 0.073 0.606 0.146 0.051 0.011 0.004 0.011
22.508 8.044 14.267 25.742 9.953 13.091 16.884 13.349 1.516 0.167 0.4820.214 0.076 0.136 0.245 0.095 0.124 0.160 0.127 0.014 0.002 0.005
96.191 112.753 146.981 91.617 12.111 76.276 11.582 3.217 0.488 0.014 0.5520.914 1.072 1.397 0.871 0.115 0.725 0.110 0.031 0.005 0.000 0.005
10.870 4.236 5.027 9.096 2.307 3.785 1.583 1.958 2.214 0.044 0.2670.103 0.040 0.048 0.086 0.022 0.036 0.015 0.019 0.021 0.000 0.003
24.629 10.554 25.079 7.380 10.717 11.092 5.792 1.675 0.187 0.4210.234 0.100 0.238 0.070 0.102 0.105 0.055 0.016 0.002 0.004
93.601 81.218 111.605 86.003 25.027 99.441 35.986 14.165 1.818 0.162 0.9060.890 0.772 1.061 0.817 0.238 0.945 0.342 0.135 0.017 0.002 0.009
68.605 36.855 56.768 91.731 21.758 62.293 24.620 9.517 4.811 0.462 0.7380.652 0.350 0.540 0.872 0.207 0.592 0.234 0.090 0.046 0.004 0.007
471.284 140.783 110.107 137.567 35.982 75.856 55.773 37.700 7.435 1.768 68.7254.479 1.338 1.046 1.307 0.342 0.721 0.530 0.358 0.071 0.017 0.653
376.314 239.966 382.720 140.110 31.403 99.143 40.369 21.046 4.483 3.276 9.6883.577 2.281 3.638 1.332 0.298 0.942 0.384 0.200 0.043 0.031 0.092
529.579 203.534 289.259 142.754 46.578 90.852 165.166 80.953 59.636 420.854 200.2345.033 1.934 2.749 1.357 0.443 0.863 1.570 0.769 0.567 4.000 1.903
603.063 195.536 43.337 14.983 2.157 3.377 0.527 0.522 0.471 67.3645.732 1.858 0.412 0.142 0.021 0.032 0.005 0.005 0.004 0.640
Total (Ha) 3308.523 1500.454 1571.820 1280.086 279.176 895.260 521.447 263.673 105.551 430.016 365.431 10521.433
Tugu Selatan 2229.400
Tugu Utara 931.337
Sukaresmi 1142.978
Sukamaju 1348.519
Sukakarya 549.930
Sukamanah 378.160
Megamendung 41.389
Sukagalih 97.524
Kuta 126.000
Leuw imalang 551.780
Jogjogan 405.830
Kopo 427.230
Citeko 123.140
Gadog 49.720
Cipayung Girang 262.253
Cisarua 26.680
Cilember 34.150
Cipayung 808.839
Bojong Murni 206.754
Cibeureum 659.520
Nama DesaLuas (Ha) dan Persentase (%) Setiap Jenis Tutupan Lahan
Total (Ha)
Batulayang 120.300
Lampiran 3
Nama Surveyor : Radiagita Dwi Prasatya Tanggal : 02 September 2004Lokasi : Hutan Pinus merkusii
Putra Agung
No. Plot
No. Pohon
Jenis Pohon Keliling (cm)
Diameter (m)
Tinggi (m)
Volume (m3)
Koordinat
I 1 Pinus merkusii 94 0.299 15 1.055 7180912 Pinus merkusii 100 0.318 16 1.274 92599863 Pinus merkusii 95 0.303 14 1.0064 Pinus merkusii 94 0.299 15 1.0555 Pinus merkusii 95 0.303 15 1.0786 Pinus merkusii 91 0.290 14 0.9237 Pinus merkusii 109 0.347 16 1.5148 Pinus merkusii 182 0.580 18 4.7479 Pinus merkusii 146 0.465 15 2.54610 Pinus merkusii 195 0.621 18 5.44911 Pinus merkusii 78 0.248 16 0.77512 Pinus merkusii 85 0.271 8 0.46013 Pinus merkusii 73 0.232 8 0.33914 Pinus merkusii 78 0.248 12 0.58115 Pinus merkusii 76 0.242 14 0.64416 Pinus merkusii 83 0.264 14 0.76817 Pinus merkusii 124 0.395 16 1.95918 Pinus merkusii 71 0.226 14 0.56219 Pinus merkusii 163 0.519 18 3.80820 Pinus merkusii 93 0.296 17 1.17121 Pinus merkusii 80 0.255 15 0.76422 Pinus merkusii 101 0.322 19 1.54323 Pinus merkusii 78 0.248 16 0.77524 Pinus merkusii 92 0.293 15 1.01125 Pinus merkusii 85 0.271 14 0.80526 Pinus merkusii 93 0.296 14 0.96427 Pinus merkusii 71 0.226 12 0.48228 Pinus merkusii 90 0.287 14 0.90329 Pinus merkusii 95 0.303 15 1.07830 Pinus merkusii 93 0.296 15 1.03331 Pinus merkusii 97 0.309 15 1.12432 Pinus merkusii 68 0.217 12 0.442
Muhammad Sofiyuddin
TABEL ISIAN CEK LAPANG
50
Nama Surveyor : Radiagita Dwi Prasatya Tanggal : 02 September 2004Lokasi : Hutan Pinus merkusii
Putra Agung
No. Plot
No. Pohon
Jenis Pohon Keliling (cm)
Diameter (m)
Tinggi (m)
Volume (m3)
Koordinat
II 1 Pinus merkusii 99 0.315 14 1.092 7181602 Pinus merkusii 80 0.255 13 0.662 92599953 Pinus merkusii 147 0.468 14 2.4094 Pinus merkusii 95 0.303 14 1.0065 Pinus merkusii 85 0.271 11 0.6336 Pinus merkusii 89 0.283 12 0.7577 Pinus merkusii 92 0.293 16 1.0788 Pinus merkusii 135 0.430 16 2.3229 Pinus merkusii 115 0.366 16 1.68510 Pinus merkusii 96 0.306 16 1.17411 Pinus merkusii 89 0.283 14 0.88312 Pinus merkusii 124 0.395 17 2.08113 Pinus merkusii 108 0.344 17 1.57914 Pinus merkusii 95 0.303 14 1.34115 Pinus merkusii 83 0.264 14 1.02416 Pinus merkusii 106 0.338 15 1.78917 Pinus merkusii 111 0.354 15 1.96218 Pinus merkusii 86 0.274 16 1.25619 Pinus merkusii 138 0.439 16 3.23520 Pinus merkusii 96 0.306 15 1.468
Muhammad Sofiyuddin
Lampiran 3 (lanjutan)
51
Lampiran 3 (lanjutan)
Nama Surveyor : Radiagita Dwi Prasatya Tanggal : 12 Oktober 2004 Putra Agung Lokasi : Hutan Campuran
No. Plot
No. Pohon
Jenis Pohon Keliling (cm)
Diameter (m)
Tinggi (m)
Volume (m3)
Koordinat
III 1 Puspa 62 0.197 9.25 0.283 7186912 Riyung anak 194 0.618 16.75 5.019 92600183 Riyung anak 150 0.478 14.5 2.5984 Riyung anak 69 0.220 8 0.3035 Riyung anak 43 0.137 6.5 0.0966 Riyung anak 68 0.217 6 0.221
IV 1 Riyung anak 67 0.213 2.6 0.093 7187292 Riyung anak 193 0.615 13 3.855 92600013 Riyung anak 53 0.169 15 0.3354 Riyung anak 61 0.194 14.5 0.4305 Riyung anak 59 0.188 11.5 0.3196 Riyung anak 54 0.172 13.5 0.3137 Riyung anak 142 0.452 11 1.7668 Riyung anak 62 0.197 6.5 0.199
V 1 Riyung anak 120 0.382 11.25 1.290 7187572 Riyung anak 162 0.516 12.5 2.612 92599903 Riyung anak 132 0.420 12 1.6654 Riyung anak 52 0.166 7 0.1515 Riyung anak 98 0.312 12 0.9186 Riyung anak 101 0.322 8 0.6507 Riyung anak 105 0.334 16.5 1.448
Keterangan : Riyung anak : Castanea acuminatissima (Fagaceae) Puspa : Schima sp. (Theaceae)
52
Lampiran 3 (lanjutan)
Nama Surveyor : Radiagita Dwi Prasatya Tanggal : 31 Oktober 2004 Gunawan Agustejo Lokasi : Hutan Campuran Deden
No. Plot
No. Pohon
Jenis Pohon Keliling (cm)
Diameter (m)
Tinggi (m)
Volume (m3)
Koordinat
VI 1 Huru kapas 65 0.207 5.2 0.175 7189462 Ki Peer 75 0.239 0.000 92599263 Riyung anak 40 0.127 3 0.0384 Riyung anak 45 0.143 0.0005 Riyung anak 40 0.127 4 0.0516 Ki Peer 170 0.541 11 2.531
VII 1 Ki Peer 45 0.143 6 0.097 7190872 Ki Peer 52 0.166 8 0.172 92598963 Ki Peer 56 0.178 7.5 0.1874 Ki bangkong 90 0.287 10 0.6455 Kawoyang 50 0.159 8 0.1596 Huru sereh 105 0.334 10 0.8787 Huru sereh 82 0.261 8 0.428
VIII 1 Riyung anak 155 0.494 17.5 3.347 7191522 Riyung anak 70 0.223 12 0.468 92598923 Riyung anak 57 0.182 16 0.4144 Riyung anak 120 0.382 10 1.1465 Riyung anak 95 0.303 7 0.5036 Riyung anak 48 0.153 5 0.0927 Riyung anak 40 0.127 6 0.0768 Riyung anak 65 0.207 7 0.2359 Huru beras 42 0.134 7 0.098
10 Huru beras 52 0.166 7.5 0.16111 Huru beras 40 0.127 6.5 0.083
IX 1 Ki endog 170 0.541 12 2.761 7206612 Ki leho 55 0.175 14 0.337 92587143 Ki leho 32 0.102 12 0.0984 Ki leho 55 0.175 7 0.1695 Ki leho 58 0.185 4 0.1076 Ki leho 28 0.089 4.5 0.0287 Ki leho 62 0.197 13 0.3988 Ki leho 38 0.121 7 0.0809 Ki leho 45 0.143 13 0.210
10 Ki leho 45 0.143 8 0.12911 Ramo giling 75 0.239 10 0.44812 Ki leho 155 0.494 15 2.869
Keterangan : Huru kapas : Acer niveum (Aceraceae) Ki Peer : Ficus rostrata (Moraceae) Huru beras : Lindera polyantha (Lauraceae) Ki Bangkong : Endiandra rubescens Kawoyang : Pygeum parviflorum (Rosaceae) Huru sereh : Litsea diversifolia (Lauraceae)
53
Lampiran 3 (lanjutan)
No. Plot
No. Pohon
Jenis Pohon Keliling (cm)
Diameter (m)
Tinggi (m)
Volume (m3)
Koordinat
IX 13 Ki endog 60 0.191 7 0.201 72066114 Ki leho 50 0.159 10 0.199 925871415 Ki leho 73 0.232 6 0.25516 Ki leho 200 0.637 15 4.77717 Ki leho 91 0.290 13 0.85718 Ki leho 171 0.545 12 2.79419 Ki leho 400 1.274 20 25.47820 Ki leho 282 0.898 19 12.030
X 1 Huru batu 44 0.140 8 0.123 7206612 Huru batu 35 0.111 5 0.049 92587143 Ki endog 70 0.223 6 0.2344 Ki endog 33 0.105 5 0.0435 Ki endog 200 0.637 20 6.3696 Ki leho 45 0.143 7 0.1137 Ki leho 120 0.382 7 0.8038 Panggang puyuh 260 0.828 15 8.0739 Ki leho 80 0.255 6 0.306
10 Ki leho 63 0.201 6.5 0.20511 Ki leho 255 0.812 20 10.35412 Pasang kapas 70 0.223 7 0.27313 Pasang kapas 105 0.334 23 2.01914 Pasang kapas 60 0.191 6 0.172
XI 1 Ki endog 42 0.134 6 0.0842 Ki endog 80 0.255 10 0.5103 Ki leho 38 0.121 5 0.0574 Ki leho 265 0.844 18 10.0645 Ki endog 70 0.223 9 0.3516 Ki leho 62 0.197 7 0.2147 Ki endog 63 0.201 5 0.1588 Ki endog 40 0.127 7 0.0899 Ki endog 48 0.153 7 0.128
10 Ki endog 55 0.175 6 0.14511 Ki leho 275 0.876 18 10.83812 Ki leho 78 0.248 15 0.72713 Kayu manis 48 0.153 10 0.183
Keterangan : Ki Endog : Xantophyllum excelsum (Polygalaceae) Pasang kapas : Quercus sundaica (Fagaceae) Ramo giling : Schefflera aromatica (Aralaceae) Kayu manis : Cinamomum sp. Huru batu : Litsea javanica ( Lauraceae)