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 users accuracy, yang tertinggi yaitu rumput dengan nilai 98,384% dan terendah adalah sawah dengan nilai 78,8%, sedangkan kelas dengan producers 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 : Radiagita Dwi Prasatya : E01400035
Nama NRP
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 sebesarbesarnya 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 labs crew, Ani, Ewink, Jay, Joefri, Hellya dan Mendoet. Im 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. 1. 2. 3. 4. 5. 6. 7. 8. 9. Halaman Karakteristik Citra Ikonos ......................................................................... 5 Karakteristik Band Ikonos ........................................................................ 6 GCP Koreksi Geometrik .......................................................................... 8 Jumlah Training Area yang Dibuat ......................................................... 11 Kriteria Separabilitas ............................................................................... 12 Bentuk Error Matrix ................................................................................ 13 Luas Wilayah Sub DAS Ciliwung Hulu Berdasarkan Topografi ............ 20 Kondisi Iklim di Sub DAS Ciliwung Hulu .............................................. 21 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. 1. Halaman 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. 1. 2. 3. Tabel Kisaran Nilai Indeks Vegetasi Tutupan Vegetasi dan Non Vegetasi ............................................................................................ 53 Tabel Luas Setiap Tutupan Lahan di Setiap Desa .................................... 60 Tabel Isian Cek Lapang ........................................................................... 61 Halaman
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.
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 106o4800 BT sampai 107o0000 BT serta 6o3750 LS sampai 6o4600 LS. Pengolahan data dilakukan di Laboratorium Remote Sensing Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor.
Gambar 1. Lokasi Penelitian
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 Launch Vehicle Lokasi peluncuran Resolusi Spasial Resolusi Spektral 24 September 1999 (11:21:08 am PDT) Athena II Vandenberg Air Force Base, California 1-meter pankromatik 4-meter multispektral 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 : 13 km pada nadir Areas of interest: a nominal single image at 13 km x 13 km 423 mil / 681 kilometer 98.1 derajat 4 mil/detik atau 7 kilometer/detik 2.9 hari untuk resolusi 1 m 1.5 hari untuk resolusi 1,5 m 98 menit sun-synchronous
Lebar Swath dan Ukuran Scene Altitud Inclination Kecepatan Frekuensi Perekaman Waktu Orbit Tipe Orbit Sumber : Pike, 1999
Tabel 2. Karakteristik Band Ikonos Band / Saluran 1 2 3 4 Pankromatik

Sumber: Jaya (2003)
Panjang Gelombang 0.45 m 0.52 m 0.52 m 0.61 m 0.64 m 0.70 m 0.77 m 0.88 m 0.49 m 0.90 m
Resolusi Spasial 4m 4m 4m 4m 1m
Deskripsi Biru Hijau Merah Inframerah dekat Hijau-Inframerah dekat
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 dapat dilakukan koreksi geometrik, dilakukan mosaik atau penggabungan 2 citra yang saling bertampalan. Mosaik ini dilakukan agar citra 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 pikselpiksel 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, Kchler (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 halamanhalaman 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 masingmasing 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. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. Nama Kelas Pohon Semak dan Kebun Campuran Kebun Teh Sawah Rumput Kebun Teh Potong Tanah Kosong Pemukiman Jalan Sungai Awan Bayangan Awan Total Training Area Jumlah Kelas 4506 2267 4528 1217 2290 2154 4229 2165 1460 1124 13258 21326 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
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 :
T TDij = 2000 1 e dij / 8
Dij
( = 1 Tr {(C 2
Cj
) )(C
1 j
t 1 Ci1 + 1 Tr Ci1 C j (mi m j )(mi m j ) 2
)}
{(
Keterangan : TDij = nilai Transformed Divergence antar kelas i dan j = divergence antar kelas i dengan kelas j Dij Ci dan Cj = matrik ragam-peragam dari kelas i dan kelas j = matrik kebalikan ragam-peragam dari kelas i dan kelas j Ci-1 dan Cj-1 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

2000 1900 - < 2000 1800 - < 1900 1600 - < 1800 <1600
Deskripsi
Sangat Baik (Excellent) Baik (Good) Cukup (Fair) Kurang (Poor) 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
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 Data Acuan Training Area A B . D Total Kolom Diklasifikasi Sebagai Kelas A Xkk Xkk X+k N B . D Total Baris Xk+ Producers Accuracy Xkk/Xk+
Users Xkk/X+k Accuracy 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 Xkk = Jumlah semua kolom pada baris ke-k, kolom ke-k Rumus-rumus perhitungan akurasi yang lain adalah sebagai berikut : kk 100 % Producers accuracy = =
kk k + + k
k k r r
k + +k
2 k
100 %
k+
Users Accuracy

r k
kk
100 %
+K
Overall Accuracy
kk
100 %
Producers accuracy mengindikasikan sebarapa baik training area yang dibuat terklasifikasi. Users 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) :
NIR red NDVI = NIR + red
Keterangan : NDVI = Normalized Divergence Vegetation NIR = Near Infra Red Indices
Secara umum vegetasi hijau yang sehat merefleksikan 40 sampai 50% dari energi near infra red (0,7 1,1 m) dengan klorofil pada tumbuhan mengabsorbsi mendekati 80 sampai 90% bagian dari spektrum pada energi cahaya tampak (visible) (0,4 0,7 m) (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 = Keterangan : Cf = total biaya tanpa citra Ce = total biaya dengan citra
Cf Ce
Mulai Data Citra Satelit IKONOS
Pra Pengolahan Citra : 1. Pembatasan Wilayah Penelitian (Cropping) 2. Fusi Citra (Image Fussion) Gambar 2. Diagram Alir Pengolahan Citra 3. Koreksi Geometrik 4. Mosaik (Mosaicking) Penghitungan NDVI
Pengolahan Citra
Interpretasi Visual
Ground Check
Tidak
Klasifikasi : 1. Pembuatan Training Area 2. Klasifikasi Terbimbing
Tidak
Analisis Separabilitas
Terima?
Uji Akurasi
Ya
Terima?
Ya Selesai Citra Terklasifikasi
Gambar 2. Diagram Alir Pengolahan Citra
Mulai
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
Selesai Gambar 3. Diagram Alir Analisis Data Spasial
KEADAAN UMUM LOKASI PENELITIAN Letak dan Posisi Geografis

Sub DAS Ciliwung Hulu terletak pada koordinat geografis 106o4845 sampai 107o0030 BT serta 6o3630sampai 6o4630 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.
Kelas Kelerengan (%) 03 38 8 15 15 25 25 40 > 40 Jumlah Sumber : Balai Penelitian DAS Ciliwung
No. 1. 2. 3. 4. 5. 6.
Luas (Ha) 1260,29 2068,4 1745,45 1455,66 2378,64 5967,56 14.876
% 8,47 13,91 11,73 9,78 15,99 40,12 100
Dengan melihat bahwa wilayah dengan kelerengan diatas 15 % dan 40 % (40,12 %) sangat menyebar luas dan mendominasi wilayah sub DAS ciliwung Hulu maka kondisi tersebut mempunyai potensial erosi yang sangat besar.
Iklim
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.
1. 2. 3.
Stasiun
Katulampa Gunung Mas Selawangi
CH Rata-rata Tahunan (mm) 3336

3319 2785
Bulan Basah 10,9

11,5 9,3
Bulan Kering 0,6

0,9 0,6
Tipe Iklim
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.
Tabel 9. Matriks Separabilitas Transformed Divergence

Kelas C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C1 C2 C3 0 1999.97 1221.34 0 1998.73 0 C4 2000 2000 2000 0 C5 2000 2000 2000 2000 0 C6 C7 C8 C9 2000 1999.91 1999.91 2000 2000 1999.64 2000 2000 2000 1994.42 1999.37 2000 2000 2000 2000 2000 2000 2000 2000 2000 0 2000 1999.99 1996.26 0 1985.64 1999.71 0 1659.66 0 C10 2000 2000 1999.89 2000 2000 1982.87 1996.65 1819.78 1773.16 0 C11 2000 2000 2000 2000 2000 1998.32 1999.96 1968.29 1827.47 1704.58 0 C12 2000 1969.38 1996.92 2000 2000 1999.43 1982.54 2000 1999.98 1998.2 2000 0
Keterangan : C1 C2 C3 C4 C5 C6 : Sungai : Permukiman : Jalan : Awan : Bayangan Awan : Rumput C7 C8 C9 C10 C11 C12 : Kebun Teh Potong : Pohon : Semak dan Kebun : Sawah : Kebun Teh : Tanah Kosong
Evaluasi Akurasi
Metode evaluasi akurasi yang digunakan disini adalah dengan users
accuracy, producers 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 users
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 users 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 users
accuracy sebesar 91,422%, berarti masih bisa digunakan dengan mengacu bahwa
akurasi minimal adalah 85%. Pada producers 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 users accuracy, dengan rata-rata 89,131% producers 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.
Tabel 10. Matrik Kesalahan (Error Matrix)

Data Acuan Training Area C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 Total Kolom User's Acc (% ) Overall Acc (% ) Kappa Acc (% ) C1 C2 C3 C4 1004 14 164 0 20 1877 29 152 93 14 1252 0 0 2 0 13020 0 0 0 0 0 0 0 0 1 24 10 0 5 0 0 0 0 0 1 0 1 0 3 0 0 0 0 0 0 234 1 86 1124 2165 1460 13258 89.323 86.697 85.753 98.204 94.906 93.699 Diklasifikasi Sebagai Kelas C5 C6 C7 C8 C9 5 0 0 0 0 0 0 15 0 0 57 0 22 0 0 0 0 0 0 0 20713 0 0 7 0 0 2253 0 0 1 0 0 2071 22 7 551 0 0 4095 81 0 0 0 193 2017 0 33 0 134 106 0 0 0 55 55 0 4 46 0 0 21326 2290 2154 4506 2267 97.125 98.384 96.146 90.878 88.972 C10 0 9 1 0 0 20 16 5 33 959 174 0 1217 78.8 C11 C12 0 0 0 135 0 0 0 0 0 0 2 5 0 56 18 0 122 0 160 74 4226 0 0 3858 4528 4128 93.33 93.459 Total Producer's Acc (% ) Baris 1187 84.583 2237 83.907 1439 87.004 13022 99.984 20720 99.966 2281 98.772 2207 93.837 4755 86.119 2366 85.249 1470 65.23 4510 93.702 4229 91.227 60423
Keterangan : C1 : Sungai C2 : Permukiman C3 : Jalan C4 : Awan
C5 C6 C7 C8
: Bayangan Awan : Rumput : Kebun Teh Potong : Pohon
C9 C10 C11 C12
: Semak dan Kebun : Sawah : Kebun Teh : 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
Jenis Tutupan Lahan

Non Vegetasi Sawah dan rumput Kebun teh, sawah, semak dan rumput Semak, kebun dan sawah Pohon dan semak
Nilai Indeks Vegetasi

-1 ~ 0 0 ~ 0,164063 > 0,164063 ~ 0,328125 > 0,328125 ~ 0,492188 > 0,492188 ~ 0,99218
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.
31
Gambar 5. Peta Kisaran Nilai NDVI Pada gambar ditampilkan penampakan tutupan lahan yang dibuat pada citra dan keadaan di lapangan :
1a
1b
2a
2b
Gambar 6. (1a) Hutan pada citra, (1b) Hutan di lapangan, (2a) Semak pada citra, (2b) Semak di lapangan.
32
2a
2b
4a
4b
5a
5b
6a
6b
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
33
7a
7b
8a
8b
9a
9b
10a
10b
Gambar 6. (lanjutan) (7a) Sawah kosong pada citra, (7b) Sawah kosong lapangan, (8a) Kebun kosong pada citra, (8b) Kebun kosong lapangan, (9a) Tanah kosong pada citra, (9b) Tanah kosong lapangan, (10a) Permukiman pada citra, (10b) Permukiman lapangan.
di di di di
34
11a
11b
12a
12b
13a
14a
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.
35 Semak dan kebun tersebar di seluruh daerah penelitian. Untuk semak biasanya ditemui didekat hutan atau didalam hutan, disisi sungai dan dekat kebunkebun, 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. tutupan lahan dapat dilihat pada Gambar 7. ::: Persentase luasan tiap kelas
37
Persentase Luas Tiap Tutupan Lahan 1% 5% 3% 31% 4% 3% Pohon Smk & Kbn Kebun Teh Sawah Rumput Tnh Kosong Permukiman Jalan Sungai Awan Byngn Awan
9% 3% 12% 14% 15%
Gambar 7. Persentase Luas Tiap Tutupan Lahan
38
Histogram Luas Setiap Tutupan Lahan di Tiap Desa

3500
3000
2500
Luas (Ha)
2000
1500
1000
500
0
bn Teh wah mp ut song iman al an ng ai wan wan hon J o k A nA Po k & K Kbn Su Sa Ru h K e rm u ng n m T S P By
Jenis Tutupan Lahan Batulayang Cipayung Gadog Leuwimalang Sukamanah Tugu Utara Bojong Murni Cipayung Girang Jogjogan Megamendung Sukaresmi Cibeureum Cisarua Kopo Sukagalih Sukamaju Cilember Citeko Kuta Sukakarya Tugu Selatan
Gambar 8. Luas Setiap Tutupan Lahan di Tiap Desa
39
Tabel 12. Luas Tutupan Vegetasi di Setiap Desa Luas (Ha) dan Persentase (%) Tutupan Vegetasi Nama Desa Total (Ha) Pohon Smk & Kbn Kbn Teh Sawah Rumput Batulayang 35.051 15.454 10.719 27.858 2.480 91.564 0.441 0.195 0.135 0.351 0.031 Bojong Murni Cibeureum Cilember Cipayung Cipayung Girang Cisarua Citeko Gadog Jogjogan Kopo Kuta Leuwimalang Megamendung Sukagalih Sukakarya Sukamanah Sukaresmi Sukamaju Tugu Selatan Tugu Utara Total (Ha) 55.997 0.705 129.680 1.633 9.611 0.121 497.511 6.266 38.857 0.489 6.041 0.076 28.595 0.360 12.431 0.157 82.398 1.038 115.708 1.457 22.508 0.283 96.191 1.211 10.870 0.137 24.629 0.310 93.601 1.179 68.605 0.864 471.284 5.936 376.314 4.739 529.579 6.670 603.063 7.595 3308.523 81.218 1.023 36.855 0.464 140.783 1.773 239.966 3.022 203.534 2.563 195.536 2.463 1500.454 16.596 0.209 89.680 1.129 2.091 0.026 149.040 1.877 12.003 0.151 5.469 0.069 34.430 0.434 8.229 0.104 66.395 0.836 78.143 0.984 8.044 0.101 112.753 1.420 4.236 0.053 20.534 0.259 103.360 1.302 3.674 0.046 93.023 1.172 30.066 0.379 4.036 0.051 19.733 0.249 6.518 0.082 48.990 0.617 60.541 0.762 14.267 0.180 146.981 1.851 5.027 0.063 10.554 0.133 111.605 1.406 56.768 0.715 110.107 1.387 382.720 4.820 289.259 3.643 43.337 0.546 1571.820 40.895 0.515 135.680 1.709 6.058 0.076 40.795 0.514 63.291 0.797 3.930 0.049 22.009 0.277 7.752 0.098 89.199 1.123 77.938 0.982 25.742 0.324 91.617 1.154 9.096 0.115 25.079 0.316 86.003 1.083 91.731 1.155 137.567 1.733 140.110 1.765 142.754 1.798 14.983 0.189 1280.086 7.510 0.095 23.680 0.298 1.897 0.024 8.498 0.107 22.276 0.281 0.338 0.004 1.950 0.025 1.136 0.014 7.063 0.089 7.693 0.097 9.953 0.125 12.111 0.153 2.307 0.029 7.380 0.093 25.027 0.315 21.758 0.274 35.982 0.453 31.403 0.396 46.578 0.587 2.157 0.027 279.176 141.531 482.080 23.331 788.866 166.492 19.813 106.718 36.066 294.043 340.022 80.513 459.652 31.537 67.642 397.453 275.718 895.722 1170.513 1211.704 859.076 7940.056
41
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%
Kelas Tutupan Lahan Pohon Semak dan Kebun Kebun Teh Sawah Rumput Tanah Kosong Permukiman Jalan Sungai Awan Bayangan Awan Total (Ha) Luas (Ha) dan Persentase (%) Pada Kelas Lereng 0% - 8% 8% - 15% 15% - 25% 25% - 45% > 45% 664.658 472.444 702.141 1124.448 365.441 6.293 4.473 6.648 10.646 3.460 356.937 269.220 371.944 410.203 109.321 3.380 2.549 3.522 3.884 1.035 508.238 397.713 373.289 263.314 42.199 4.812 3.766 3.534 2.493 0.400 584.397 311.873 239.934 140.157 21.294 5.533 2.953 2.272 1.327 0.202 155.743 64.080 39.622 20.136 3.695 1.475 0.607 0.375 0.191 0.035 437.820 222.953 152.553 68.110 6.298 4.145 2.111 1.444 0.645 0.060 261.440 112.548 66.152 56.331 23.083 2.475 1.066 0.626 0.533 0.219 134.135 54.812 29.167 29.308 12.189 1.270 0.519 0.276 0.277 0.115 28.972 12.955 16.807 27.352 13.181 0.274 0.123 0.159 0.259 0.125 26.183 36.393 113.101 176.305 71.720 0.248 0.345 1.071 1.669 0.679 15.886 8.992 49.752 184.205 100.585 0.150 0.085 0.471 1.744 0.952 563.553 246.606 154.945 130.570 50.343 Total (Ha) 3329.131 1517.626 1584.752 1297.654 283.275 887.734 519.553 259.611 99.267 423.702 359.420 10561.725 Persentase (%) 31.521 14.369 15.005 12.286 2.682 8.405 4.919 2.458 0.940 4.012 3.403 100
42
Histogram Sebaran Tutupan Lahan Pada Kelas Lereng

1200 1124.448 1000 702.141 800 664.658 472.444 600 365.441 400 200 0 0% - 8% 8% - 15% 15% - 25% 25% - 45% > 45% Kelas Lereng
Luas (Ha)
Pohon Sawah Permukiman Awan
Semak dan Kebun Rumput Jalan Bayangan Awan
Kebun Teh Tanah Kosong Sungai
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 Tabel 14. Luas Setiap Tutupan Lahan Pada Buffer Sungai

Kelas Tutupan Lahan Pohon Smk dan Kbn Kebun Teh Sawah Rumput Tanah Kosong Permukiman Jalan Sungai Awan Bayangan Awan Total (Ha) Luas (Ha) dan Persentase (%) Tiap Tutupan Lahan Pada Jarak Buffer (m) 10 20 30 40 50 11.477 6.584 6.068 6.167 6.002 10.158 5.827 5.371 5.458 5.312 4.456 2.461 1.93 1.822 1.655 3.944 2.178 1.708 1.613 1.465 4.506 2.488 2.192 2.055 2.083 3.988 2.202 1.940 1.819 1.844 7.522 4.039 3.385 3.303 3.6 6.657 3.575 2.996 2.923 3.186 0.749 0.428 0.404 0.474 0.508 0.663 0.379 0.358 0.420 0.450 4.101 2.436 2.238 2.146 1.897 3.630 2.156 1.981 1.899 1.679 2.179 1.329 1.204 1.108 1.047 1.929 1.176 1.066 0.981 0.927 1.021 0.674 0.617 0.669 0.71 0.904 0.597 0.546 0.592 0.628 0.424 0.267 0.611 0.722 0.719 0.375 0.236 0.541 0.639 0.636 0.006 0 0 0 0 0.005 0 0 0 0 0.139 0.107 0.07 0.066 0.122 0.123 0.095 0.062 0.058 0.108 36.58 20.813 18.719 18.532 18.343 Total (Ha) 36.298 12.324 13.324 21.849 2.563 12.818 6.867 3.691 2.743 0.006 0.504 112.987 Persentase (%) 32.126 10.907 11.793 19.338 2.268 11.345 6.078 3.267 2.428 0.005 0.446 100
44
Histogram Luas Setiap Tutupan Lahan Pada Buffer Sungai 12 10 Luas (Ha) 8 6 4 2 0 10 m 20 m 30 m 40 m Jarak Buffer (m)
Semak dan Kebun Rumput Jalan Bayangan Awan
6.584 6.068 6.167 6.002 11.477
50 m
Kebun Teh Tanah Kosong Sungai
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
Tabel 15. Luas Setiap Tutupan Lahan Pada Buffer Jalan

Kelas Tutupan Lahan Pohon Smk dan Kbn Kebun Teh Sawah Rumput Tanah Kosong Permukiman Jalan Sungai Awan Bayangan Awan Total (Ha) Luas (Ha) dan Persentase (%)Tiap Tutupan Lahan Pada Buffer Jalan 5m 10 m 3.920 3.954 10.407 10.497 1.414 1.377 3.754 3.656 3.124 3.118 8.294 8.278 2.264 2.420 6.010 6.425 0.591 0.686 1.569 1.821 1.386 1.357 3.680 3.603 2.467 2.372 6.549 6.297 3.249 3.109 8.625 8.254 0.314 0.304 0.834 0.807 0.031 0.021 0.082 0.056 0.109 0.081 0.289 0.215 18.869 18.799 Total (Ha) 7.874 2.791 6.242 4.684 1.277 2.743 4.839 6.358 0.618 0.052 0.190 37.668 Persentase (%) 20.904 7.409 16.571 12.435 3.390 7.282 12.846 16.879 1.641 0.138 0.504 100
46
Histogram Luas Setiap Tutupan Lahan Pada Buffer Jalan 4 Luas (ha) 3 2 1 0 5m 10 m Kebun Teh Tanah Kosong Sungai
Jarak Buffer Smk dan Kbn Rumput Jalan Bayangan Awan
Gambar 11. Histogram Luas Setiap Tutupan Lahan Pada Buffer Jalan
Efisiensi Relatif
Efisiensi relatif pengolahan data menggunakan citra Ikonos dan tanpa citra dapat dihitung dengan memperhatikan komponen-komponen pengambilan data lapangan, pengadaan citra dan pengolahan citra. dalam melakukan survey ini, dibentuk satu regu yang terdiri dari 1 orang supervisor dan 2 orang anggota. Upah untuk supervisor sebesar Rp 100.000/hari dan anggota Rp 35.000/hari. Prestasi kerja regu adalah 8 plot/hari. Berikut ini adalah penghitungan biaya pengolahan data yang menggunakan citra dan yang tidak menggunakan citra : a. Kawasan Hutan
c Menggunakan Citra
Luas keseluruhan hutan pada citra (termasuk yang tertutup awan dan bayangan awan) 4103,79 ha, jumlah surveyor 3 orang, dilakukan survey sebanyak 3 kali dan luas tiap plot 0,1 ha. Total jumlah plot yang dibuat adalah sebanyak 11 plot. Biaya survey lapangan adalah : - Upah supervisor @ Rp 150.000 x 3 hari - Upah anggota @ Rp 100.000 x 3 hari x 2 Total biaya = Rp 450.000 = Rp 600.000 + = Rp 1.050.000 = Rp 255,86/ha
47
d TanpaCitra
Survey tanpa menggunakan citra membutuhkan 1 regu yang terdiri dari 6 orang dengan pembagian kerja dan upah sebagai berikut : 1 orang supervisi 1 orang pembuka jalan 2 orang pencatat @ Rp 100.000 2 orang pemegang tali dan pemegang kompas Total upah = Rp 150.000 = Rp 100.000 = Rp 200.000 = Rp 200.000 + = 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 2. Biaya total Rp 650.000 x 2052 hari 3. Biaya per hektar = 2051,895 2052 hari = Rp 13.333.800.000 = 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 - Upah anggota @ Rp 100.000 x 2 hari Total biaya = Rp 300.000 = Rp 100.000 + = Rp 400.000 = Rp 77,91/ha
d TanpaCitra
- Lama pengamatan 6417,464 ha/60 ha/4 regu - Biaya survey Rp 250.000 x 26 hari x 4 - Biaya per hektar, Rp 26.000.000/6417,464 ha = 26 hari = Rp 26.000.000 = 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 Sewa Software dan Hardware Total = Rp 8.500.000 = Rp 17.000.000 + = Rp 25.500.000 = Rp 2423,62/ha
2 Tanpa Citra
Pemetaan 60 hari x Rp 100.000 Sewa Software dan Hardware Total = Rp 6.000.000 = Rp 9.000.000 + = Rp 15.000.000 = Rp 1425,66/ha e. Total Biaya Menggunakan Citra 1. Survey kawasan hutan 2. Survey Kawasan non hutan 3. Pengadaan citra 4. Pengolahan citra Total = Rp 255,86/ha = Rp 77,91/ha = Rp 2.000/ha = Rp 2.423, 62/ha + = Rp 4.757,39/ha
f. Total Biaya Tanpa Menggunakan Citra 1. Survey kawasan hutan 2. Survey Kawasan non hutan 3. Pengolahan data Total = Rp 325.017/ha = Rp 4.051,44/ha = Rp 1.425,66/ha + = Rp 330.494,1/ha
49
ER =
330494,1 / ha = 69,46 4757,39 / ha
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) Jumlah Orang /Regu 3 Luas Areal Survey (Ha) 1,1 Lama Hari Kerja 3 Biaya Pengolahan/ Ha (Rp) Biaya Total (Rp x1000) 1.050 Biaya Per Hektar (Rp) 255,86 Total Biaya/Ha (Rp) 4757,39
1. 2.
Citra Tanpa Citra
Hutan Non Hutan Hutan Non Hutan
4103,79 6417,464 4103,79 6417,464
2 6 2
60 4103,79 6417,464
2 2052 26
4423,62 1.425,66
400 13.333.800 26.000
77,91 325.017 4051,44 330.494,1
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 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. belum tentu dapat memberikan
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. Kchler, 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
57
58
59
60
Lampiran 2 Tabel Luas Setiap Kelas Tutupan Lahan di Setiap Desa

Nam a Des a Batulayang Bojong Murni Cibeureum Cilember Cipayung Cipayung Girang Cisarua Citeko Gadog Jogjogan Kopo Kuta Leuw imalang Megamendung Sukagalih Sukakarya Sukamanah Sukaresmi Sukamaju Tugu Selatan Tugu Utara Total (Ha) Luas (Ha) dan Pers entas e (%) Setiap Je nis Tutupan Lahan Pohon Sm k &Kbn Kbn Te h Saw ah Rum put Tnh Kos ong Pe rm ukim an Jalan Sungai 35.051 15.454 10.719 27.858 2.480 15.645 8.632 3.259 0.768 0.333 0.147 0.102 0.265 0.024 0.149 0.082 0.031 0.007 55.997 16.596 20.534 40.895 7.510 23.365 21.219 12.199 7.437 0.532 0.158 0.195 0.389 0.071 0.222 0.202 0.116 0.071 129.680 89.680 103.360 135.680 23.680 110.040 40.680 20.680 3.680 1.233 0.852 0.982 1.290 0.225 1.046 0.387 0.197 0.035 9.611 2.091 3.674 6.058 1.897 2.766 2.974 2.618 2.106 0.091 0.020 0.035 0.058 0.018 0.026 0.028 0.025 0.020 497.511 149.040 93.023 40.795 8.498 7.595 1.628 0.744 0.574 4.729 1.417 0.884 0.388 0.081 0.072 0.015 0.007 0.005 38.857 12.003 30.066 63.291 22.276 30.896 38.935 21.331 3.605 0.369 0.114 0.286 0.602 0.212 0.294 0.370 0.203 0.034 6.041 5.469 4.036 3.930 0.338 2.861 2.929 0.884 0.101 0.057 0.052 0.038 0.037 0.003 0.027 0.028 0.008 0.001 28.595 34.430 19.733 22.009 1.950 12.119 2.633 0.998 0.196 0.272 0.327 0.188 0.209 0.019 0.115 0.025 0.009 0.002 12.431 8.229 6.518 7.752 1.136 6.107 4.990 1.960 0.354 0.118 0.078 0.062 0.074 0.011 0.058 0.047 0.019 0.003 82.398 66.395 48.990 89.199 7.063 85.229 17.886 5.455 1.009 0.783 0.631 0.466 0.848 0.067 0.810 0.170 0.052 0.010 115.708 78.143 60.541 77.938 7.693 63.806 15.360 5.327 1.175 1.100 0.743 0.575 0.741 0.073 0.606 0.146 0.051 0.011 22.508 8.044 14.267 25.742 9.953 13.091 16.884 13.349 1.516 0.214 0.076 0.136 0.245 0.095 0.124 0.160 0.127 0.014 96.191 112.753 146.981 91.617 12.111 76.276 11.582 3.217 0.488 0.914 1.072 1.397 0.871 0.115 0.725 0.110 0.031 0.005 10.870 4.236 5.027 9.096 2.307 3.785 1.583 1.958 2.214 0.103 0.040 0.048 0.086 0.022 0.036 0.015 0.019 0.021 24.629 10.554 25.079 7.380 10.717 11.092 5.792 1.675 0.234 0.100 0.238 0.070 0.102 0.105 0.055 0.016 93.601 81.218 111.605 86.003 25.027 99.441 35.986 14.165 1.818 0.890 0.772 1.061 0.817 0.238 0.945 0.342 0.135 0.017 68.605 36.855 56.768 91.731 21.758 62.293 24.620 9.517 4.811 0.652 0.350 0.540 0.872 0.207 0.592 0.234 0.090 0.046 471.284 140.783 110.107 137.567 35.982 75.856 55.773 37.700 7.435 4.479 1.338 1.046 1.307 0.342 0.721 0.530 0.358 0.071 376.314 239.966 382.720 140.110 31.403 99.143 40.369 21.046 4.483 3.577 2.281 3.638 1.332 0.298 0.942 0.384 0.200 0.043 529.579 203.534 289.259 142.754 46.578 90.852 165.166 80.953 59.636 5.033 1.934 2.749 1.357 0.443 0.863 1.570 0.769 0.567 603.063 195.536 43.337 14.983 2.157 3.377 0.527 0.522 0.471 5.732 1.858 0.412 0.142 0.021 0.032 0.005 0.005 0.004 3308.523 1500.454 1571.820 1280.086 279.176 895.260 521.447 263.673 105.551 Aw an Bygn Aw an 0.141 0.288 0.001 0.003 0.219 0.785 0.002 0.007 0.680 1.680 0.006 0.016 0.037 0.319 0.000 0.003 0.506 8.927 0.005 0.085 0.377 0.618 0.004 0.006 0.032 0.061 0.000 0.001 0.112 0.362 0.001 0.003 0.064 0.179 0.001 0.002 0.494 1.717 0.005 0.016 0.421 1.120 0.004 0.011 0.167 0.482 0.002 0.005 0.014 0.552 0.000 0.005 0.044 0.267 0.000 0.003 0.187 0.421 0.002 0.004 0.162 0.906 0.002 0.009 0.462 0.738 0.004 0.007 1.768 68.725 0.017 0.653 3.276 9.688 0.031 0.092 420.854 200.234 4.000 1.903 67.364 0.640 430.016 365.431 Total (Ha) 120.300 206.754 659.520 34.150 808.839 262.253 26.680 123.140 49.720 405.830 427.230 126.000 551.780 41.389 97.524 549.930 378.160 1142.978 1348.519 2229.400 931.337 10521.433
Lampiran 3 TABEL ISIAN CEK LAPANG Nama Surveyor : Radiagita Dwi Prasatya Muhammad Sofiyuddin Putra Agung
No. Plot I No. Pohon 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 Jenis Pohon Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Keliling Diameter (cm) (m) 94 0.299 100 0.318 95 0.303 94 0.299 95 0.303 91 0.290 109 0.347 182 0.580 146 0.465 195 0.621 78 0.248 85 0.271 73 0.232 78 0.248 76 0.242 83 0.264 124 0.395 71 0.226 163 0.519 93 0.296 80 0.255 101 0.322 78 0.248 92 0.293 85 0.271 93 0.296 71 0.226 90 0.287 95 0.303 93 0.296 97 0.309 68 0.217
Tanggal : 02 September 2004 Lokasi : Hutan Pinus merkusii
Tinggi (m) 15 16 14 15 15 14 16 18 15 18 16 8 8 12 14 14 16 14 18 17 15 19 16 15 14 14 12 14 15 15 15 12
Volume (m3) 1.055 1.274 1.006 1.055 1.078 0.923 1.514 4.747 2.546 5.449 0.775 0.460 0.339 0.581 0.644 0.768 1.959 0.562 3.808 1.171 0.764 1.543 0.775 1.011 0.805 0.964 0.482 0.903 1.078 1.033 1.124 0.442
Koordinat 718091 9259986
50
Lampiran 3 (lanjutan)
Nama Surveyor : Radiagita Dwi Prasatya Muhammad Sofiyuddin Putra Agung

No. Plot II No. Pohon 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Jenis Pohon Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Pinus merkusii Keliling Diameter (cm) (m) 99 0.315 80 0.255 147 0.468 95 0.303 85 0.271 89 0.283 92 0.293 135 0.430 115 0.366 96 0.306 89 0.283 124 0.395 108 0.344 95 0.303 83 0.264 106 0.338 111 0.354 86 0.274 138 0.439 96 0.306
Tanggal : 02 September 2004 Lokasi : Hutan Pinus merkusii
Tinggi (m) 14 13 14 14 11 12 16 16 16 16 14 17 17 14 14 15 15 16 16 15
Volume (m3) 1.092 0.662 2.409 1.006 0.633 0.757 1.078 2.322 1.685 1.174 0.883 2.081 1.579 1.341 1.024 1.789 1.962 1.256 3.235 1.468
Koordinat 718160 9259995
51
Lampiran 3 (lanjutan) Nama Surveyor : Radiagita Dwi Prasatya Putra Agung

No. Plot III No. Pohon 1 2 3 4 5 6 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 Jenis Pohon Puspa Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Keliling Diameter (cm) (m) 62 0.197 194 0.618 150 0.478 69 0.220 43 0.137 68 0.217 67 0.213 193 0.615 53 0.169 61 0.194 59 0.188 54 0.172 142 0.452 62 0.197 120 0.382 162 0.516 132 0.420 52 0.166 98 0.312 101 0.322 105 0.334
Tanggal : 12 Oktober 2004 Lokasi : Hutan Campuran

Tinggi (m) 9.25 16.75 14.5 8 6.5 6 2.6 13 15 14.5 11.5 13.5 11 6.5 11.25 12.5 12 7 12 8 16.5 Volume (m3) 0.283 5.019 2.598 0.303 0.096 0.221 0.093 3.855 0.335 0.430 0.319 0.313 1.766 0.199 1.290 2.612 1.665 0.151 0.918 0.650 1.448 Koordinat 718691 9260018
IV
718729 9260001
718757 9259990
Keterangan : Riyung anak : Castanea acuminatissima (Fagaceae) Puspa : Schima sp. (Theaceae)
52
Lampiran 3 (lanjutan) Nama Surveyor : Radiagita Dwi Prasatya Gunawan Agustejo Deden
No. Plot VI No. Pohon 1 2 3 4 5 6 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10 11 1 2 3 4 5 6 7 8 9 10 11 12 Jenis Pohon Huru kapas Ki Peer Riyung anak Riyung anak Riyung anak Ki Peer Ki Peer Ki Peer Ki Peer Ki bangkong Kawoyang Huru sereh Huru sereh Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Riyung anak Huru beras Huru beras Huru beras Ki endog Ki leho Ki leho Ki leho Ki leho Ki leho Ki leho Ki leho Ki leho Ki leho Ramo giling Ki leho Keliling (cm) 65 75 40 45 40 170 45 52 56 90 50 105 82 155 70 57 120 95 48 40 65 42 52 40 170 55 32 55 58 28 62 38 45 45 75 155 Diameter (m) 0.207 0.239 0.127 0.143 0.127 0.541 0.143 0.166 0.178 0.287 0.159 0.334 0.261 0.494 0.223 0.182 0.382 0.303 0.153 0.127 0.207 0.134 0.166 0.127 0.541 0.175 0.102 0.175 0.185 0.089 0.197 0.121 0.143 0.143 0.239 0.494
Tanggal Lokasi
: 31 Oktober 2004 : Hutan Campuran
Tinggi (m) 5.2 3 4 11 6 8 7.5 10 8 10 8 17.5 12 16 10 7 5 6 7 7 7.5 6.5 12 14 12 7 4 4.5 13 7 13 8 10 15
VII
VIII
IX
Volume (m3) 0.175 0.000 0.038 0.000 0.051 2.531 0.097 0.172 0.187 0.645 0.159 0.878 0.428 3.347 0.468 0.414 1.146 0.503 0.092 0.076 0.235 0.098 0.161 0.083 2.761 0.337 0.098 0.169 0.107 0.028 0.398 0.080 0.210 0.129 0.448 2.869
Koordinat 718946 9259926
719087 9259896
719152 9259892
720661 9258714
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 IX No. Pohon 13 14 15 16 17 18 19 20 1 2 3 4 5 6 7 8 9 10 11 12 13 14 1 2 3 4 5 6 7 8 9 10 11 12 13 Jenis Pohon Ki endog Ki leho Ki leho Ki leho Ki leho Ki leho Ki leho Ki leho Huru batu Huru batu Ki endog Ki endog Ki endog Ki leho Ki leho Panggang puyuh Ki leho Ki leho Ki leho Pasang kapas Pasang kapas Pasang kapas Ki endog Ki endog Ki leho Ki leho Ki endog Ki leho Ki endog Ki endog Ki endog Ki endog Ki leho Ki leho Kayu manis Keliling (cm) 60 50 73 200 91 171 400 282 44 35 70 33 200 45 120 260 80 63 255 70 105 60 42 80 38 265 70 62 63 40 48 55 275 78 48 Diameter (m) 0.191 0.159 0.232 0.637 0.290 0.545 1.274 0.898 0.140 0.111 0.223 0.105 0.637 0.143 0.382 0.828 0.255 0.201 0.812 0.223 0.334 0.191 0.134 0.255 0.121 0.844 0.223 0.197 0.201 0.127 0.153 0.175 0.876 0.248 0.153 Tinggi (m) 7 10 6 15 13 12 20 19 8 5 6 5 20 7 7 15 6 6.5 20 7 23 6 6 10 5 18 9 7 5 7 7 6 18 15 10 Volume (m3) 0.201 0.199 0.255 4.777 0.857 2.794 25.478 12.030 0.123 0.049 0.234 0.043 6.369 0.113 0.803 8.073 0.306 0.205 10.354 0.273 2.019 0.172 0.084 0.510 0.057 10.064 0.351 0.214 0.158 0.089 0.128 0.145 10.838 0.727 0.183 Koordinat 720661 9258714
720661 9258714
XI
Keterangan : Ki Endog Pasang kapas Ramo giling Kayu manis Huru batu
: Xantophyllum excelsum (Polygalaceae) : Quercus sundaica (Fagaceae) : Schefflera aromatica (Aralaceae) : Cinamomum sp. : Litsea javanica ( Lauraceae)

Kajian Spasial Sebaran

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Kajian Spasial Sebaran

Diunggah oleh

Hak Cipta:

Format Tersedia

KAJIAN SPASIAL SEBARAN VEGETASI MENGGUNAKAN CITRA IKONOS DAN SISTEM INFORMASI GEOGRAFIS : Studi Kasus di Sub DAS

RADIAGITA DWI PRASATYA

RADIAGITA DWI PRASATYA E01400035

Menyetujui, Dosen Pembimbing

Mengetahui, Dekan Fakultas Kehutanan Insitut Pertanian Bogor

Prof. Dr. Ir. Cecep Kusmana NIP. 131 430 799

Bogor, Januari 2005

Radiagita Dwi Prasatya

PENDAHULUAN Latar Belakang

METODE PENELITIAN Waktu dan Tempat Penelitian

Gambar 1. Lokasi Penelitian

Alat dan Bahan Penelitian

Tabel 2. Karakteristik Band Ikonos Band / Saluran 1 2 3 4 Pankromatik

Deskripsi Biru Hijau Merah Inframerah dekat Hijau-Inframerah dekat

t 1 Ci1 + 1 Tr Ci1 C j (mi m j )(mi m j ) 2

Nilai Transformed Divergence

Penghitungan Indeks Vegetasi

Pengolahan Data Spasial

Analisis Sebaran Tutupan Lahan Sebaran Per Desa

Sebaran Menurut Kelas Lereng

Sebaran Pada Buffer Sungai 50 m

Sebaran Pada Buffer Jalan 10 m

Efisiensi Relatif (ER)

Mulai Data Citra Satelit IKONOS

Klasifikasi : 1. Pembuatan Training Area 2. Klasifikasi Terbimbing

Ya Selesai Citra Terklasifikasi

Gambar 2. Diagram Alir Pengolahan Citra

Luas Tiap Kelas Tutupan Lahan

Analisis Spasial Sebaran Vegetasi

Selesai Gambar 3. Diagram Alir Analisis Data Spasial

KEADAAN UMUM LOKASI PENELITIAN Letak dan Posisi Geografis

Jenis Tanah dan Geologi

Luas (Ha) 1260,29 2068,4 1745,45 1455,66 2378,64 5967,56 14.876

% 8,47 13,91 11,73 9,78 15,99 40,12 100

CH Rata-rata Tahunan (mm) 3336

Bulan Basah 10,9

Bulan Kering 0,6

Sarana dan Prasarana

HASIL DAN PEMBAHASAN Pengolahan Citra (Image Processing)

Gambar 4. Citra Hasil Klasifikasi

Tabel 9. Matriks Separabilitas Transformed Divergence

accuracy, producers accuracy, overall accuracy dan Kappa accuracy. Jumlah

accuracy dan Kappa accuracy. Disini digunakan Kappa Accuracy karena

Tabel 10. Matrik Kesalahan (Error Matrix)

Keterangan : C1 : Sungai C2 : Permukiman C3 : Jalan C4 : Awan

: Bayangan Awan : Rumput : Kebun Teh Potong : Pohon

C9 C10 C11 C12

: Semak dan Kebun : Sawah : Kebun Teh : Tanah Kosong

Penghitungan Indeks Vegetasi

Jenis Tutupan Lahan

Nilai Indeks Vegetasi

Kondisi Tutupan Vegetasi Secara Umum

9% 3% 12% 14% 15%

Gambar 7. Persentase Luas Tiap Tutupan Lahan

Histogram Luas Setiap Tutupan Lahan di Tiap Desa

Gambar 8. Luas Setiap Tutupan Lahan di Tiap Desa

Histogram Sebaran Tutupan Lahan Pada Kelas Lereng

Pohon Sawah Permukiman Awan

Semak dan Kebun Rumput Jalan Bayangan Awan

Kebun Teh Tanah Kosong Sungai

Gambar 9. Histogram Luas Setiap Tutupan Lahan Pada Kelas Lereng

43 Tabel 14. Luas Setiap Tutupan Lahan Pada Buffer Sungai

Pohon Sawah Permukiman Awan