Kajian spasial sebaran vegetasi menggunakan citra ikonos dan sistem informasi geografis studi kasus di Sub Das Ciliwung Hulu
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
(2)
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
(3)
terbimbing, dilakukan analisis separabilitas dengan mengacu pada kriteria separabilitas. Dari 66 pasang kelas, ada 37 pasang kelas yang termasuk kategori terpisah sangat baik (excellent) (bernilai 2000), 23 pasang kelas yang masuk kedalam kategori terpisah baik (good), 2 pasang kelas yang masuk kedalam kategori terpisah cukup baik (fair), 3 pasang kelas yang masuk kedalam kategori terpisah kurang baik (poor) yaitu antara pohon dengan semak dan kebun, dan 1 pasang kelas yang masuk kedalam kategori tidak terpisahkan (inseparable) atau yang paling sulit dikalsifikasi, yaitu antara jalan dan sungai. Adanya pasangan kelas yang masuk kedalam kategori terpisah kurang baik dan tidak terpisahkan adalah karena secara spektral nilai antara kelas yang bersangkutan (pohon dengan semak dan kebun, jalan dengan sungai) relatif sama sehingga dalam proses klasifikasi bisa terklasifikasi kedalam kelas lain. Selain itu, dilakukan juga evaluasi akurasi dan diperoleh overall accuracy sebesar 94,906% dan Kappa accuracy sebesar 93,699%. Untuk user’s accuracy, yang tertinggi yaitu rumput dengan nilai 98,384% dan terendah adalah sawah dengan nilai 78,8%, sedangkan kelas dengan producer’s accuracy tertinngi adalah dengan nilai 99,98% dan yang terendah sawah dengan nilai 65,23%.
Dari penghitungan indeks vegetasi diperoleh hasil, untuk non vegetasi seperti jalan, sungai, pemukiman, sawah kosong, tanah kosong, kebun kosong, kebun teh potong, awan dan bayangan awan, memiliki indeks vegetasi antara -1~0. Vegetasi dibagi lagi menjadi pohon, sermak dan kebun, kebun teh, sawah dan rumput dengan kisaran nilai NDVI dari 0~0,992188. Untuk kisaran nilai 0 ~0,164063, menunjukkan nilai NDVI sawah dan rumput, kisaran nilai >0,164063~0,328125, adalah nilai NDVI untuk kebun teh, sawah, semak dan rumput. Kisaran nilai >0,328125~0,492188 adalah nilai NDVI untuk semak, kebun dan sawah, sedangkan kisaran nilai >0,492188~0,99218 adalah nilai NDVI untuk pohon dan semak.
Analisis spasial menunjukkan persentase tutupan lahan terbesar adalah pohon dengan 31% atau seluas 3308,523 ha. Desa yang mempunyai tutupan lahan vegetasi terbesar adalah Desa Tugu Selatan dengan luas 1211,704 ha (11,517%) dan didominasi oleh pohon, yang terkecil adalah Desa Cisarua, yaitu hanya 19,813 ha (0,188%). Dilihat dari kelas lerengnya, secara keseluruhan vegetasi banyak terdapat pada kelas lereng 0% - 8%, yaitu seluas 2269,972 ha, dan yang terkecil pada kelas lereng >5% yaitu 541,950 ha. Pada buffer sungai sebesar 50 m kiri kanan sungai, baik pada jarak 10, 20, 30, 40 dan 50 m pohon paling mendominasi dengan luas total 36,298 ha (32,126%), dan vegetasi yang paling sedikit adalah rumput dengan luas total 2,563 ha (2,26%). Pada buffer jalan selebar 5 m dan 10 m, tutupan yang mendominasi adalah pohon dengan luas 3,92 ha (10,407%) dan 3,954 ha (10,497%), sedangkan vegetasi yang paling sedikit yaitu rumput, hanya 1,277 ha (3,39%). Dari efisiensi biaya, pengolahan data dengan citra lebih efisien sebesar 69,46 kali dibandingan cara terestris. Pembangunan hendaknya memperhatikan juga aspek kelestarian lingkungan dan konservatif agar vegetasi lestari, misalnya dengan penghijauan terutama di sekitar DAS dan harus dilakukan secara berkelanjutan.
(4)
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.
(5)
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
(6)
LEMBAR PENGESAHAN
Judul : KAJIAN SPASIAL SEBARAN VEGETASI MENGGUNAKAN CITRA IKONOS DAN SISTEM INFORMASI GEOGRAFIS : Studi Kasus di Sub DAS Ciliwung Hulu
Nama : Radiagita Dwi Prasatya NRP : E01400035
Menyetujui, Dosen Pembimbing
Dr. Ir. I Nengah Surati Jaya, M.Agr NIP. 131 578 785
Mengetahui,
Dekan Fakultas Kehutanan Insitut Pertanian Bogor
Prof. Dr. Ir. Cecep Kusmana NIP. 131 430 799
(7)
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.
(8)
KATA PENGANTAR
Puji syukur kehadirat Allah SWT Yang Maha Pengasih lagi Maha Penyayang, atas segala limpahan Rakhmat dan Hidayah-Nya yang telah memberikan kemudahan kepada penulis, sehingga penulis dapat menyelesaikan skripsi yang berjudul Kajian Spasial Sebaran Vegetasi Menggunakan Citra Ikonos dan Sistem Informasi Geografis : Studi Kasus di sub DAS Ciliwung Hulu.
Untuk itu, penulis ingin mengucapkan terimakasih yang tulus dan sebesar-besarnya kepada semua pihak yang telah banyak membantu selama penyusunan Skripsi ini:
1. Bapa dan Mamah yang telah memberikan kasih sayang, kesabaran serta dukungan secara moril dan materil, Mbha dan Yaya yang selalu membawa keceriaan dirumah, juga keluarga besar Soegito dan Doeleh.
2. Dr. Ir. I Nengah Surati Jaya, M.Agr, selaku dosen pembimbing yang telah memberikan pengarahan, pengetahuan dan selalu memberi semangat juga kesabarannya selama membimbing penulis.
3. Pa Uus Saeful, atas semua bantuan teknis dan non teknis di laboratorium. 4. Ibu Dra. Puspaningsih, MS dan Bapak Ir. M. Buce Saleh, MS, yang selalu
memberi semangat dan ilmunya pada penulis.
5. Yudi “nenk”, terimakasih buat semua waktu, tenaga, pikiran dan kasih sayang yang sudah diberikan selama 5 tahun ini.
6. R. Assyfa El Lestari, teman seperjuangan selama 2 tahun, terimakasih untuk persahabatan, teman berbagi rasa selama ini dan pinjaman komputernya. 7. My Brotha and Zeestah, Syfa, Indah makasih nasihat-nasihatnya, Mpo Tika
yang selalu memberi kata-kata bijak, Agoenk makasih dibantuin groundcheck, Eendhee, Novie, Poepoet, Burix, Rohmah dan Deddy for always supporting me.
8. Arief “Chong Lee” dan motornya, T-joe, Chandra “Jawer”, Deden, Lendi, Yuli, yang sudah mau mengantar groundchek.
9. Remote Sensing and GIS lab’s crew, Ani, Ewink, Jay, Joefri, Hellya dan Mendoet. I’m proud to be part of this family. Caiyo...!!!
(9)
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
(10)
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
(11)
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
(12)
DAFTAR TABEL
No. Halaman
1. Karakteristik Citra Ikonos ... 5
2. Karakteristik Band Ikonos ... 6
3. GCP Koreksi Geometrik ... 8
4. Jumlah Training Area yang Dibuat ... 11
5. Kriteria Separabilitas ... 12
6. Bentuk Error Matrix ... 13
7. Luas Wilayah Sub DAS Ciliwung Hulu Berdasarkan Topografi ... 20
8. Kondisi Iklim di Sub DAS Ciliwung Hulu ... 21
9. Matrik Separabilitas Transformed Divergence ... 26
10. Matrik Kesalahan (Error Matrix) ... 29
11. Nilai Indeks Vegetasi ... 30
12. Luas Tutupan Vegetasi di Setiap Desa ... 39
13. Luas Setiap Kelas Tutupan Lahan Berdasarkan Kelas Lereng ... 40
14. Luas Setiap Kelas Tutupan Lahan Pada Buffer Sungai ... 42
15. Luas Setiap Kelas Tutupan Lahan Pada Buffer Jalan ... 44
(13)
DAFTAR GAMBAR
No. Halaman
1. Lokasi Penelitian ... 4
2. Diagram Alir Pengolahan Citra ... 18
3. Diagram Alir Analisis Data Spasial ... 19
4. Citra Hasil Klasifikasi ... 25
5. Peta Kisaran NDVI ... 31
6. a. Penampakan Pada Citra b. Keadaan di Lapangan (1) Hutan ... 31
(2) Semak dan Kebun ... 31
(3) Kebun Teh ... 32
(4) Sawah ... 32
(5) Rumput ... 32
(6) Kebun Teh Potong ... 32
(7) Sawah Kosong ... 33
(8) Kebun Kosong ... 33
(9) Tanah Kosong ... 33
(10) Pemukiman ... 33
(11) Jalan ... 34
(12) Sungai ... 34
(13) Awan ... 34
(14) Bayangan Awan ... 34
7. Persentase Luas Tiap Tutupan Lahan ... 37
8. Histogram Luas Setiap Tutupan Lahan di Tiap Desa ... 38
9. Histogram Luas Setiap Tutupan Lahan Pada Kelas Lereng ... 41
10. Histogram Luas Setiap Tutupan Lahan Pada Buffer Sungai ... 43
(14)
DAFTAR LAMPIRAN
No. Halaman
1. Tabel Kisaran Nilai Indeks Vegetasi Tutupan Vegetasi dan
Non Vegetasi ... 53 2. Tabel Luas Setiap Tutupan Lahan di Setiap Desa ... 60 3. Tabel Isian Cek Lapang ... 61
(15)
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
(16)
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.
(17)
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.
(18)
Gambar 1. Lokasi Penelitian
METODE PENELITIAN
Waktu dan Tempat Penelitian
Penelitian dilaksanakan pada bulan April 2004 sampai dengan bulan Juli 2005 dengan daerah penelitian sub DAS Ciliwung Hulu yang secara geografis terletak pada 106o48’00” BT sampai 107o00’00” BT serta 6o37’50” LS sampai 6o46’00” LS. Pengolahan data dilakukan di Laboratorium Remote Sensing Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor.
Alat dan Bahan Penelitian
Bahan-bahan yang digunakan dalam penelitian berupa data citra satelit Ikonos multispektral 4 x 4m dan pankromatik 1 x 1m tahun perekaman 2003 wilayah sub DAS Ciliwung Hulu. Alat-alat yang digunakan adalah :
1. Hardware (perangkat keras)berupa seperangkat komputer pribadi (PC) 2. Software (perangkat lumak) ERDAS versi 8.4 dan versi 8.7, Arc.View versi
3.2.
3. Kamera digital
4. GPS (Global Positioning System) Garmin tipe 12-XL 5. Meteran dan Haga
(19)
Karakteristik Citra Ikonos
Pada tanggal 24 September 1999, Space Imaging berhasil meluncurkan satelit Ikonos, dan membuat sejarah sebagai satelit remote sensing komersial pertama dengan resolusi spasial 1 meter. Nama “Ikonos” diambil dari bahasa Yunani (Greek) “Eye-Koh-Nos" yang artinya sama dengan “image”. Ikonos merupakan citra beresolusi tinggi dengan band pankromatik resolusi 1 x 1m dan multispektral 4 x 4m yang menangkap gelombang elektromagnetik dengan kisaran 0,45 – 0.9 mikron. (Anonim, 1999).
Tabel 1. Karakteristik Citra Satelit Ikonos
Waktu Peluncuran 24 September 1999 (11:21:08 am PDT) Launch Vehicle Athena II
Lokasi peluncuran Vandenberg Air Force Base, California Resolusi Spasial 1-meter pankromatik
4-meter multispektral Resolusi Spektral Pankromatik:
0.45 - 0.90 mikron Multispektral:
Band 1: Blue 0.45 - 0.52 mikron Band 2: Green 0.52 – 0.60 mikron Band 3: Red 0.63 - 0.69 mikron
Band 4: Near IR 0.76 - 0.90 mikron (sama dengan Landsat 4&5 TM Bands band1-4) Lebar Swath dan Ukuran
Scene
Lebar Swath : 13 km pada nadir Areas of interest:
a nominal single image at 13 km x 13 km Altitud 423 mil / 681 kilometer
Inclination 98.1 derajat
Kecepatan 4 mil/detik atau 7 kilometer/detik Frekuensi Perekaman 2.9 hari untuk resolusi 1 m
1.5 hari untuk resolusi 1,5 m
Waktu Orbit 98 menit
Tipe Orbit sun-synchronous
(20)
Tabel 2. Karakteristik Band Ikonos
Band / Saluran
Panjang Gelombang Resolusi Spasial Deskripsi 1 2 3 4 Pankromatik
0.45 µm – 0.52 µm 0.52 µm – 0.61 µm 0.64 µm – 0.70 µm 0.77 µm – 0.88 µm 0.49 µm – 0.90 µm
4m 4m 4m 4m 1m Biru Hijau Merah Inframerah dekat Hijau-Inframerah dekat
Sumber: Jaya (2003)
Metode Penelitian
Pra Pengolahan Citra (Image Pre-Processing) Pemotongan Areal Penelitian Pada Citra (Cropping)
Secara utuh, citra Ikonos rekaman tahun 2003 yang tersedia mencakup wilayah DAS Ciliwung Hulu dan sebagian Kota Bogor. Memori citra Ikonos sangat besar, maka untuk memusatkan daerah penelitian, efektifitas dan efisiensi serta memudahkan dalam pengolahan dan penyimpanan data, perlu pembatasan areal penelitian yang jelas yaitu dengan pemotongan citra (cropping) sesuai dengan batasan areal penelitian yaitu sub DAS Ciliwung Hulu dengan menggunakan software ERDAS versi 8.7
Fusi Citra (Image Fussion)
Fusi citra merupakan salah satu cara yang bisa dipakai untuk perbaikan spektral (spectral enhancement) agar resolusi spektral yang akan diolah lebih tinggi dan informasi yang didapatkan menjadi lebih banyak. Salah satu teknik yang dapat digunakan adalah RGB (Red, Green, Blue) to IHS (Intensity, Hue, Saturation), yaitu menggabungkan 2 resolusi spektral dan spasial yang berbeda.
Citra satelit Ikonos mempunyai resolusi spasial multispektral 4m dan pankromatik 1m. Pada proses ini citra multispektral RGB (4 x 4m) dirubah menjadi format IHS dengan mengganti intensity menjadi pankromatik (1 x 1m) sehingga menghasilkan citra dengan resolusi 1 x 1m.
(21)
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.
(22)
Walaupun RMSE yang dihasilkan sudah lebih baik, namun tetap tidak bisa mencapai rata-rata RMSE < 0,5. Dalam hal ini topografi daerah penelitian yang berbukit-bukit berpengaruh terhadap RMSE yang dihasilkan. Besarnya RMSE setelah registrasi adalah 8,869. Untuk mendapatkan hasil yang lebih baik, bisa dicoba menggunakan DEM (Digital Elevation Model).
Tabel 3. GCP Koreksi Geometrik
Penggabungan Citra (Mosaicking)
Setelah dilakukan koreksi geometrik, dilakukan mosaik atau penggabungan 2 citra yang saling bertampalan. Mosaik ini dilakukan agar citra dapat dianalisis secara menyeluruh dan tidak terdapat overlap data. Karena RMSE hasil koreksi masih >0,5 maka posisi koordinat di kedua citra belum sepenuhnya tepat sehingga dalam proses penggabungan ini, daerah yang overlap tidak semua tersambung dengan sempurna, hanya sebagian saja. Selisih piksel maksimal pada daerah overlap ini adalah 8 piksel atau dengan resolusi 1m x 1m sama dengan 8 m sehingga memudahkan proses analisis dan pengolahan citra.
Pengecekan Lapangan (Ground Check)
Untuk mengetahui keadaan tutupan lahan sebenarnya dilapangan, perlu dilakukan pengecekan lapangan. Dalam pelaksanaannya, dilakukan juga pengambilan titik-titik koordinat menggunakan GPS untuk mengetahui letak titik tersebut pada citra dan dilakukan pengambilan gambar (foto).
(23)
Pengolahan Citra (Image Processing)
Klasifikasi
Dalam Jaya (2002), klasifikasi diartikan sebagai mengelompokan piksel-piksel ke dalam kelas-kelas atau kategori-kategori yang telah ditentukan berdasarkan nilai kecerahan (brightness value/BV atau digital number/DN) piksel yang bersangkutan. Metode klasifikasi yang digunakan disini adalah klasifikasi terbimbing (supervised classsification), dimana analis perlu membuat area contoh (training area) terlebih dahulu.
Pada citra yang dikaji dilakukan interpretasi visual untuk mengetahui obyek-obyek tutupan lahan yang tampak pada citra. Istilah penutupan lahan berkaitan dengan jenis kenampakan yang ada di permukaan bumi (Lillesand dan Kiefer, 1990).
Secara garis besar tutupan lahan ada yang berupa vegetasi dan non vegetasi. Dalam pemetaan vegetasi, Küchler (1967) mengartikan vegetasi sebagai kumpulan komunitas tumbuhan atau tanaman yang ada dipermukaan tanah dan berupa unit-unit yang bisa dipetakan.
Kelas-kelas yang dibuat berdasarkan hasil pengecekan lapangan dan juga interpretasi visual pada citra. Berikut ini adalah deskripsi masing-masing kelas : 1. Pohon
Tumbuhan berkayu dengan diameter >20 cm. 2. Semak dan Kebun
Lahan yang ditanami dengan tanaman perkebunan seperti sayuran dan atau semak belukar.
3. Kebun Teh
Lahan yang ditanami dengan tumbuhan teh. 4. Kebun Teh Potong
Kebun teh potong adalah kebun teh yang sudah dipanen dan dipotong pucuknya sehingga pada citra tidak akan berwarna hijau lagi, melainkan coklat dari warna. batang tanaman teh tersebut
5. Sawah
Sawah yang masuk kedalam klasifikasi ini adalah sawah dengan padi yang masih muda sampai yang sudah siap panen
(24)
6. Rumput
Lahan yang ditumbuhi oleh rerumputan dalam hal ini rumput di halaman-halaman rumah/vila dan sebagian rumput pada lapangan bola.
7. Tanah Kosong
Tanah kosong adalah lahan yang tidak digunakan atau sedikit ditumbuhi rumput, termasuk didalamnya sawah kosong atau sawah yang belum ditanami padi dan juga kebun kosong atau kebun yang belum ditanami.
8. Pemukiman
Semua bangunan yang ada pada citra diklasifikasikan kedalam pemukiman, sehingga sesungguhnya dalam kelas pemukiman ini terdapat bangunan rumah, pabrik, rumah kaca, rumah makan dan lain-lain.
9. Jalan
Jalan yang dimaksud yaitu jalan raya, jalan desa dan jalan-jalan di pemukiman dengan fungsi transportasi dan konstruksinya sebagian besar terbuat dari aspal.
10.Badan Air
Yang termasuk badan air adalah daerah yang dialiri air, pada citra berwarna biru kehitaman.
11.Awan
Awan adalah kumpulan butir-butir air di langit yang berwarna putih sampai putih keabuan.
12.Bayangan Awan
Bagian dari permukaan bumi yang menjadi lebih gelap karena sinar matahari yang menuju ke bumi terhalang oleh awan.
Pembuatan Area Contoh (Training Area)
Training area dibuat untuk masing-masing kelas penutupan lahan yang sudah diketahui. Dalam Richards (1993), untuk N saluran multispektral disarankan sebaiknya dibuat N+1 sampel untuk menghindari matriks kovarian singular. Swain dan Davis (1978) dalam Richards (1993) merekomendasikan pada prakteknya minimum 10N sampel per kelas spektral dibuat untuk training area hingga 100N untuk hasil yang lebih baik.
(25)
Dalam melakukan klasifikasi ini digunakan metode klasifikasi terbimbing (Supervised Classification) dimana harus dibuat dulu training area untuk masing-masing kelas tutupan lahan. Tahap paling penting adalah penamaan pixel (labelling) yang diperoleh dari data training area. Dalam penelitian ini dibagi kedalam 12 kelas yang terdiri atas : pohon, semak dan kebun, kebun teh, sawah, rumput, kebun teh potong, tanah kosong, pemukiman, jalan, sungai, awan dan bayangan awan. Berdasarkan ketentuan dimana jumlah training area minimal adalah N+1, berarti sudah masuk persyaratan jumlah training area minimum.
Tabel 4. Jumlah Training Area yang Dibuat
No. Nama Kelas Jumlah Kelas
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. Pohon
Semak dan Kebun Campuran Kebun Teh
Sawah Rumput
Kebun Teh Potong Tanah Kosong Pemukiman Jalan Sungai Awan Bayangan Awan 4506 2267 4528 1217 2290 2154 4229 2165 1460 1124 13258 21326
Total Training Area 60423
Klasifikasi Terbimbing (Supervised Classification)
Dalam Jaya (2002), klasifikasi terbimbing adalah klasifikasi dimana analis mempunyai sejumlah piksel yang mewakili masing-masing kelas atau kategori yang diinginkan. Metode yang digunakan dalam klasifikasi ini adalah kemungkinan maksimum (maximum likelihood).
Evaluasi Separabilitas
Setelah membuat training area untuk klasifikasi, kita bisa melihat apakah training area suatu kelas dapat teridentifikasi secara statistik atau tidak, caranya
(26)
(
/8)
12000 dij
T
ij e
TD = − −
(
)
(
)
{
}
{
(
)
(
)(
)
t}
j i j i j i i j j i
ij Tr C C C C Tr C C m m m m
D = − −1− −1 + −1− −1 − −
2 1 2
1
dengan uji separabilitas atau daya keterpisahan yang dapat dihitung bagi semua pasangan kelas dan disajikan dalam suatu matrik. Ada bermacam-macam metode yang dapat digunakan untuk melakukan uji separabilitas ini. Namun, yang banyak digunakan adalah metode transformed divergence. Menurut Jaya (1997), Transformed Divergence ini mempunyai keunggulan dalam evaluasi separabilitas antar kelas/kategori dan dapat menentukan kombinasi band terbaik karena memperhitungkan nilai piksel-piksel yang ada didekatnya sehingga nilainya tidak telalu berbeda jauh. Menurut hasil riset, transformed divergenced memberikan hasil yang baik dan konsisten dalam menentukan kombinasi band.
Rumus TD adalah sebagai berikut :
Keterangan :
TDij = nilai Transformed Divergence antar kelas i dan j
Dij = divergence antar kelas i dengan kelas j
Ci dan Cj = matrik ragam-peragam dari kelas i dan kelas j
Ci-1 dan Cj-1 = matrik kebalikan ragam-peragam dari kelas i dan kelas j
mi dan mj = vektor rata-rata dari kelas i dan kelas j
t = transpose
Tr = teras dari matrik Tabel 5. Kriteria Separabilitas
Nilai Transformed Divergence Deskripsi
2000 Sangat Baik(Excellent)
1900 - < 2000 Baik (Good) 1800 - < 1900 Cukup(Fair) 1600 - < 1800 Kurang(Poor)
<1600 Tidak Terpisahkan(Inseparable)
Uji Akurasi
Akurasi pemetaan dapat diuji dengan suatu matrik yang disebut matriks kesalahan (Error Matrix atau Confusion Matrix). Matrik ini merupakan hasil dari proses
(27)
% 100 2 × Χ Χ − Ν Χ Χ − Χ Ν
∑
∑
∑
+ + + + r k k k r k r k k k kk % 100 × ΧΧ
k+kk
% 100
×
Χ
Χ
+Kkk % 100 × Ν Χ
∑
r k kkklasifikasi dengan pembuatan training area dimana dari matrik dapat dilihat penyimpangan klasifikasi yaitu berupa kelebihan jumlah piksel dari kelas lain atau kekurangan jumlah piksel pada masing-masing kelas. Idealnya, seluruh elemen yang bukan diagonal didalam matriks tersebut harus bernilai nol yang berarti tidak ada penyimpangan dalam klasifikasi. (Lillesand dan Kiefer, 1990).
Tabel 6. Bentuk Error Matrix
Sumber : Jaya, 2000
Ukuran yang banyak digunakan adalah Kappa Accuracy karena memperhitungkan semua elemen (kolom) dari matrik (Jaya, 2000).
Kappa (K) =
Keterangan :
N = Jumlah semua piksel yang dipakai
ΣXkk = Jumlah semua kolom pada baris ke-k, kolom ke-k
Rumus-rumus perhitungan akurasi yang lain adalah sebagai berikut : Producer’s accuracy =
User’s Accuracy =
Overall Accuracy = Data Acuan
Training Area
Diklasifikasi Sebagai Kelas Total Baris Xk+
Producer’s Accuracy
Xkk/Xk+
A B …. D
A Xkk
B ….
D Xkk
Total
Kolom X+k N
User’s
(28)
red NIR
red NIR
+ −
Producer’s accuracy mengindikasikan sebarapa baik training area yang dibuat terklasifikasi. User’s accuracy adalah ukuran commision error dan mengindikasikan kemungkinan suatu piksel terklasifikasi kedalam kategori yang mencerminkan keadaan dilapangan (Lillesand dan Kiefer, 1994)
Penghitungan Indeks Vegetasi
Sejak tahun 1960 an, para ilmuwan telah mengekstraksi dan membuat model berbagai variabel biofisik vegetasi menggunakan data penginderaan jauh. Usaha ini telah beralih dan berkembang menjadi index vegetasi, yang didefinisikan sebagai pengukuran radiometrik yang berfungsi sebagai indikator aktifitas vegetasi hijau, dan terkadang termasuk Leaf Area Index (LAI), persentase tutupan lahan hijau, kandungan klorofil, biomasa dan absorbed photosynthetically active radiation (APAR) (Jensen, 2000).
Ada lebih dari 20 vegetasi index yang digunakan saat ini, salah satunya adalah Normalized Difference Vegetation Index (NDVI) yang diperkenalkan oleh Rouse et al. (1974) :
Keterangan :
NDVI = NDVI = Normalized Divergence Vegetation Indices NIR = Near Infra Red
Secara umum vegetasi hijau yang sehat merefleksikan 40 sampai 50% dari energi near infra red (0,7 – 1,1 μm) dengan klorofil pada tumbuhan mengabsorbsi mendekati 80 sampai 90% bagian dari spektrum pada energi cahaya tampak (visible) (0,4 – 0,7 μm) (Jensen, 1983).
Indeks vegetasi bernilai antar -1 sampai +1, dimana semakin mendekati angka +1 berarti vegetasi semakin rapat.
Pengolahan Data Spasial
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)
(29)
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.
(30)
Efisiensi Relatif (ER)
Pemetaan bisa dilakukan baik dengan menggunakan citra satelit maupun tanpa citra satelit. Namun, tentunya terdapat perbedaan-perbedaan baik dari cara pengambilan sampel maupun dalam pengolahan datanya. Dari situ dapat dibuat kajian mengenai efisiensi pengolahan data menggunakan citra Ikonos dan tanpa citra dengan memperhatikan komponen-komponen pengambilan data lapangan, pengadaan data dan pengolahan data.
Rumus yang digunakan dalam penghitungan efiseinsi relatif ini telah digunakan dalam Jaya (2005) dimana efisiensi relatif merupakan perbandingan antara biaya tanpa citra (survey lapangan) dengan biaya menggunakan citra.
ER =
e f C C
Keterangan : Cf = total biaya tanpa citra
(31)
Gambar 2. Diagram Alir Pengolahan Citra
Gambar 2. Diagram Alir Pengolahan Citra Tidak
Penghitungan NDVI Data Citra
Satelit IKONOS
Pra Pengolahan Citra :
1. Pembatasan Wilayah Penelitian (Cropping) 2. Fusi Citra (Image Fussion)
3. Koreksi Geometrik 4. Mosaik (Mosaicking)
Pengolahan Citra Mulai
Ya
Tidak
Analisis Separabilitas
Uji Akurasi
Citra Terklasifikasi Ground Check
Klasifikasi : 1. Pembuatan Training Area 2. Klasifikasi Terbimbing Interpretasi Visual
Terima?
Ya
Selesai
(32)
Gambar 3. Diagram Alir Analisis Data Spasial
Data Spasial :
Peta batas DAS Ciliwung Hulu Peta batas Desa Peta batas anak sungai Peta batas jalan Hasil klasifikasi
Layer Tutupan Vegetasi
• Pohon
• Semak dan kebun
• Sawah
• Rumput
• Teh
Luas Tiap Kelas Tutupan Lahan
Analisis Spasial Sebaran Vegetasi
Sebaran Vegetasi : - Per Desa
- Menurut Kelas Lereng - Pada Buffer Sungai 50m - Pada Buffer Jalan 10 m
Mulai
(33)
KEADAAN UMUM LOKASI PENELITIAN
Letak dan Posisi Geografis
Sub DAS Ciliwung Hulu terletak pada koordinat geografis 106o48’45“ sampai 107o00’30” BT serta 6o36’30”sampai 6o46’30” LS di wilayah administrasi Pemerintahan Daerah Tingkat II Bogor, Propinsi Jawa Barat. Wilayah sub DAS Ciliwung Hulu meliputi Kodya dan Kabupaten Bogor dan mencakup beberapa kecamatan, yaitu: Kabupaten Bogor mencakup Kecamatan Cisarua, Megamendung, Ciawi dan Sukaraja, sedangkan Kodya Bogor hanya mencakup Kacamatan Kota Bogor Timur.
Luas wilayah sub DAS Ciliwung Hulu adalah 14.876 ha terbagi kedalam 4 sub DAS yaitu :
1. Sub sub DAS Ciesek seluas 2452,78 Ha
2. Sub sub DAS Hulu Ciliwung seluas 4593,03 Ha 3. Sub sub DAS Cibogo Cisarua seluas 4110,34 Ha
4. Sub sub DAS Ciseuseupan Cisukabirus seluas 3719,85 Ha
Keadaan Vegetasi
Penutupan lahan terbesar pada areal sub DAS Ciliwung Hulu adalah berupa hutan seluas 5075,49 ha atau sekitar 34,11 % dari keseluruhan luas wilayah DAS, sedangkan jenis penutupan lahan vegetasi lainnya yaitu berupa kebun campuran seluas 1529,78 ha (10,35 %), tegalan seluas 700,57 ha (4,7 %), sawah seluas 2524,58 ha (16,9 %), semak belukar seluas 426,53 ha (2,88 %), kebun teh seluas 2669,59 ha (18,05 %) serta hutan kebun teh seluas 111,43 ha (0,75 %).
Kawasan hutan di daerah sub DAS Ciliwung Hulu sebagian besar merupakan hutan lindung yang berstatus Hutan Negara. Kawasan hutan ini didominasi oleh vegetasi hasil suksesi alami dan menurut data tahun 1986, kerapatan vegetasi pada hutan lindung tersebut makin lama makin berkurang (rata-rata 190 pohon/Ha). Pada wilayah hutan lindung, penyebaran vegetasinya tidak merata, sehinga terdapat daerah gundul yang perlu segera direhabilitasi. Sekitar 30 % kawasan hutan di sub DAS Ciliwung Hulu merupakan hutan
(34)
produksi yang didominasi oleh jenis Pinus sp.yang banyak dimanfaatkan oleh masyarakat setempat.
Jenis Tanah dan Geologi
Jenis-jenis tanah yang ada di wilayah sub DAS Ciliwung Hulu meliputi jenis komplek aluvial kelabu, andosol coklat dan regosol coklat, andosol coklat, latosol coklat, latosol coklat kemerahan dan latosol coklat. Hal ini didasarkan Peta Tanah Tinjau untuk Kabupaten Bogor dan Kodya Bogor skala 1:250.000 dari Pusat Penelitian Tanah Bogor.
Dari jenis-jenis tanah diatas, jenis tanah yang tersebar secara luas di sub DAS Ciliwung Hulu adalah latosol coklat kemerahan dan latosol coklat sebesar 32,89 % dari total luas sub DAS .
Sub DAS Ciliwung Hulu dibangun oleh formasi geologi volkanik yaitu komplek utama Gunung Salak dan Komplek Gunung Pangrango. Bahan induk tanah yang terdapat di sub DAS Ciliwung Hulu adalah berupa tufa volkanik dan derivatifnya merupakan bahan dasar pembentuk tanah.
Topografi
Berdasarkan bentuk topografinya, wilayah sub DAS Ciliwung Hulu bervariasi antara bentuk datar, landai, agak curam, curam sampai sangat curam. Pembagian wilayah sub DAS Ciliwung Hulu berdasarkan topografi dan bentuk wilayah diklasifikasikan kedalam bentuk kelas lereng seperti dapat dilihat pada tabel berikut :
Tabel 7. Luas Wilayah Sub DAS Ciliwung Hulu Berdasarkan Bentuk Topografi.
No. Kelas Kelerengan (%) Luas (Ha) %
1. 2. 3. 4. 5. 6.
0 – 3 3 – 8 8 – 15 15 – 25 25 – 40 > 40 1260,29 2068,4 1745,45 1455,66 2378,64 5967,56 8,47 13,91 11,73 9,78 15,99 40,12
Jumlah 14.876 100
(35)
Dengan melihat bahwa wilayah dengan kelerengan diatas 15 % dan 40 % (40,12 %) sangat menyebar luas dan mendominasi wilayah sub DAS ciliwung Hulu maka kondisi tersebut mempunyai potensial erosi yang sangat besar.
Iklim
Curah hujan merupakan salah satu unsur iklim yang digunakan sebagai data dalam pengkajian pengruh iklim di dalam suatu DAS. Data iklim untuk daerah sub DAS Ciliwung Hulu diperoleh dari Stasiun Pengamat Hujan Katulampa. Kondisi iklim di sub DAS Ciliwung Hulu menurut Rencana Teknik Lapangan Rehabilitasi Lahan dan Konservasi Sub DAS Ciliwung Hulu, DAS Ciliwung berdasar data curah hujan PU Pengairan Kabupaten Bogor 1997 adalah :
Tabel 8. Kondisi Iklim di Sub DAS Ciliwung Hulu
No. Stasiun CH Rata-rata Tahunan (mm) Bulan Basah Bulan Kering Tipe Iklim 1. 2. 3. Katulampa Gunung Mas Selawangi 3336 3319 2785 10,9 11,5 9,3 0,6 0,9 0,6 A A A Sumber : Balai Penelitian DAS Ciliwung
Berdasarkan data tersebut, diketahui bahwa sub DAS Ciliwung Hulu mempunyai curah hujan rata-rata 2929 – 4956 mm/tahun. Tipe iklim sub DAS Ciliwung Hulu menurut sistem klasifikasi Smidth dan Ferguson (1951) yang didasarkan pada besarnya curah hujan, yaitu bulan basah (>200 mm) dan bulan kering (<100 mm) adalah termasuk kedalam tipe A.
Hidrologi
Kondisi tata air di wilayah sub DAS Ciliwung Hulu dientuk dari beberapa aliran air dari berbagai hulu sungai yang mengalir melalui anak-anak sungai dan selanjutnya bergabung ke dalam suatu tangkapan sungai utama yaitu sungai Ciliwung. Sungai-sungai yang terdapat di sub DAS Ciliwung Hulu pada umumnya bukan merupakan sarana transportasi, namun lebih banyak dimanfaatkan untuk sarana pengairan seperti waduk dan bendungan.
(36)
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.
(37)
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.
(38)
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.
(39)
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.
(40)
Kelas C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12
C1 0 1999.97 1221.34 2000 2000 2000 1999.91 1999.91 2000 2000 2000 2000
C2 0 1998.73 2000 2000 2000 1999.64 2000 2000 2000 2000 1969.38
C3 0 2000 2000 2000 1994.42 1999.37 2000 1999.89 2000 1996.92
C4 0 2000 2000 2000 2000 2000 2000 2000 2000
C5 0 2000 2000 2000 2000 2000 2000 2000
C6 0 2000 1999.99 1996.26 1982.87 1998.32 1999.43
C7 0 1985.64 1999.71 1996.65 1999.96 1982.54
C8 0 1659.66 1819.78 1968.29 2000
C9 0 1773.16 1827.47 1999.98
C10 0 1704.58 1998.2
C11 0 2000
C12 0
Tabel 9. Matriks Separabilitas
Transformed Divergence
Keterangan :
C1
: Sungai
C7
: Kebun Teh Potong
C2
:
Permukiman
C8
:
Pohon
C3
:
Jalan
C9
:
Semak
dan
Kebun
C4
:
Awan
C10
:
Sawah
C5
: Bayangan Awan
C11
: Kebun Teh
(41)
Evaluasi Akurasi
Metode evaluasi akurasi yang digunakan disini adalah dengan user’s accuracy, producer’s accuracy, overall accuracy dan Kappa accuracy. Jumlah keseluruhan piksel yang dibuat ada 60423 piksel dengan komposisi terbanyak adalah bayangan awan dan yang paling sedikit adalah sungai. Untuk user’s accuracy yang merupakan hasil pembagian matrik diagonal dengan total kolom, didapatkan kelas dengan tingkat akurasi tertinggi yaitu rumput dengan nilai 98,384%. Dari 2290 piksel yang terklasifikasi sebagai kelas rumput, ada sebanyak 2253 piksel, 4 piksel kedalam kelas tanah kosong dan 33 piksel kedalam kelas sawah, sedangkan kelas dengan user’s accuracy terendah adalah sawah dengan nilai 78,8% dimana dari 1217 piksel yang terklasifikasi sebagai sawah, 959 piksel masuk kedalam kelas sawah, 9 piksel kedalam kelas pemukiman, 1 piksel kedalam kelas sungai, 20 piksel kedalam kelas rumput, 16 piksel kedalam kelas kebun teh potong, 5 piksel kedalam kelas pohon, 33 piksel kedalam kelas semak dan kebun, dan 174 piksel kedalam kelas kebun teh. Dengan rata-rata user’s accuracy sebesar 91,422%, berarti masih bisa digunakan dengan mengacu bahwa akurasi minimal adalah 85%.
Pada producer’s accuracy kelas dengan tingkat akurasi tertinggi adalah awan dengan nilai 99,98% dimana dari 13022 piksel yang terklasifikasi sebagai awan, 13020 masuk kelas awan dan 2 piksel masuk kedalam kelas pemukiman, sedangkan kelas dengan tingkat akurasi terendah adalah sawah dengan nilai 65,23% dimana dari 1470 piksel yang terklasifikasi sebagai sawah, 959 yang masuk kedalam kelas sawah, 1 piksel kedalam kelas sungai, 3 piksel kedala kelas jalan, 74 piksel kedalam kelas tanah kosong, 33 piksel kedalam kelas rumput, 134 piksel kedalam kelas pohon, 106 piksel kedalam kelas semak dan kebun, dan 160 piksel kedalam kelas kebun teh. Sama halnya dengan user’s accuracy, dengan rata-rata 89,131% producer’s accuracy ini masih bisa diterima.
Untuk mengetahui tingkat akurasi keseluruhan, bisa dilihat dari overall accuracy dan Kappa accuracy. Disini digunakan Kappa Accuracy karena memperhitungkan semua elemen dalam kolom sehingga hasilnya akan lebih akurat. Overall accuracy yang diperoleh adalah 94,906% dan Kappa accuracy sebesar 93,699%.
(42)
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.
(43)
Data Acuan
Training Area C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12
C1 1004 14 164 0 5 0 0 0 0 0 0 0 1187 84.583
C2 20 1877 29 152 0 0 15 0 0 9 0 135 2237 83.907
C3 93 14 1252 0 57 0 22 0 0 1 0 0 1439 87.004
C4 0 2 0 13020 0 0 0 0 0 0 0 0 13022 99.984
C5 0 0 0 0 20713 0 0 7 0 0 0 0 20720 99.966
C6 0 0 0 0 0 2253 0 0 1 20 2 5 2281 98.772
C7 1 24 10 0 0 0 2071 22 7 16 0 56 2207 93.837
C8 5 0 0 0 551 0 0 4095 81 5 18 0 4755 86.119
C9 0 0 1 0 0 0 0 193 2017 33 122 0 2366 85.249
C10 1 0 3 0 0 33 0 134 106 959 160 74 1470 65.23
C11 0 0 0 0 0 0 0 55 55 174 4226 0 4510 93.702
C12 0 234 1 86 0 4 46 0 0 0 0 3858 4229 91.227
Total Kolom 1124 2165 1460 13258 21326 2290 2154 4506 2267 1217 4528 4128 60423
User's Acc (% ) 89.323 86.697 85.753 98.204 97.125 98.384 96.146 90.878 88.972 78.8 93.33 93.459
Overall Acc (% ) 94.906
Kappa Acc (% ) 93.699
Diklasifikasi Sebagai Kelas Total
Baris
Producer's
Acc (% )
Tabel 10. Matrik Kesalahan (Error Matrix)
Keterangan :
C1 : Sungai C5 : Bayangan Awan C9 : Semak dan Kebun
C2 : Permukiman C6 : Rumput C10 : Sawah
C3 : Jalan C7 : Kebun Teh Potong C11 : Kebun Teh
(44)
30
Penghitungan Indeks Vegetasi
Indeks vegetasi yang dibuat yaitu dibagi menjadi 2 kelas besar, yaitu vegetasi dan non vegetasi. Untuk non vegetasi seperti jalan, sungai, pemukiman, sawah kosong, tanah kosong, kebun kosong, kebun teh potong, awan dan bayangan awan, memiliki indeks vegetasi antara -1 ~ 0. Vegetasi dibagi lagi menjadi pohon, sermak dan kebun, kebun teh, sawah dan rumput dengan kisaran nilai NDVI dari 0 ~ 0,992188. Untuk kisaran nilai 0 ~ 0,164063, menunjukkan nilai NDVI sawah dan rumput, kisaran nilai > 0,164063 ~ 0,328125, adalah nilai NDVI untuk kebun teh, sawah, semak dan rumput. Kisaran nilai > 0,328125 ~ 0,492188 adalah nilai NDVI untuk semak, kebun dan sawah, sedangkan kisaran nilai > 0,492188 ~ 0,99218 adalah nilai NDVI untuk pohon dan semak. Untuk lebih jelasnya dapat dilihat pada Tabel 11.
Tabel 11. Nilai Indeks Vegetasi
Pada kenyataannya, nilai NDVI vegetasi memang lebih besar dari permukaan bumi yang lain. Hal ini membantu untuk membedakan vegetasi dan dapat berguna untuk monitoring vegetasi. Vegetasi hijau yang sehat merefleksikan sebagian besar near-infrared dan nilai sinar merah (red) cenderung menurun seiring dengan bertambahnya vegetasi (Parkinson, 1997). Dengan semakin tingginya nilai NDVI berarti vegetasipun semakin banyak atau rapat. Hal ini dibuktikan dari hasil penghitungan, bahwa rumput dan sebagian sawah mempunyai nilai NDVI yang lebih kecil dari tutupan vegetasi yang lainnya.
Jenis Tutupan Lahan Nilai Indeks Vegetasi
Non Vegetasi -1 ~ 0
Sawah dan rumput 0 ~ 0,164063
Kebun teh, sawah, semak dan rumput > 0,164063 ~ 0,328125 Semak, kebun dan sawah > 0,328125 ~ 0,492188
(45)
31
Gambar 5. Peta Kisaran Nilai NDVI
Pada gambar ditampilkan penampakan tutupan lahan yang dibuat pada citra dan keadaan di lapangan :
Gambar 6. (1a) Hutan pada citra, (1b) Hutan di lapangan, (2a) Semak pada citra, (2b) Semak di lapangan.
1a
2b 2a
(46)
32
Gambar 6. (lanjutan) (3a) Kebun pada citra, (3b) Kebun di lapangan, (4a) Sawah pada citra, (4b) Sawah di lapangan, (5a) Rumput pada citra, (5b) Rumput di lapangan, (6a) Kebun teh potong pada citra, (6b) Kebun teh potong di lapangan
4b 4a
6a 6b
5a 5b
(47)
33
Gambar 6. (lanjutan) (7a) Sawah kosong pada citra, (7b) Sawah kosong di lapangan, (8a) Kebun kosong pada citra, (8b) Kebun kosong di lapangan, (9a) Tanah kosong pada citra, (9b) Tanah kosong di lapangan, (10a) Permukiman pada citra, (10b) Permukiman di lapangan.
7b 7a
8b 8a
9a
10a
9b
(48)
34
Gambar 6. (lanjutan) (11a) Jalan pada citra, (11b) Jalan di lapangan, (12a) Sungai pada citra, (12b) Sungai di lapangan, (13a) Awan pada citra, (14a) Bayangan Awan pada citra.
Kondisi Tutupan Vegetasi Secara Umum
Secara umum, tutupan vegetasi di sub DAS Ciliwung Hulu masih baik, dengan komposisi antara lahan yang diperuntukan bagi vegetasi dan non vegetasi yang masih seimbang bahkan lebih banyak vegetasi (8773, 853 ha). Untuk pohon, di daerah sub DAS Ciliwung ini terdapat berbagai jenis pohon-pohonan diantaranya kayu manis, pinus (Pinus merkusii), ki endog, pasang kapas, riung anak, pohon buah-buahan dan lain-lain (Lampiran 2). Untuk penyebarannya, tiap jenis tidak merata. Pinus lebih banyak ditemui ditepi hutan, kayu manis banyak terdapat di Perkebunan Teh Gunung Mas, sedangkan yang lain tersebar.
11a 11b
12a 12b
14a 13a
(49)
35
Semak dan kebun tersebar di seluruh daerah penelitian. Untuk semak biasanya ditemui didekat hutan atau didalam hutan, disisi sungai dan dekat kebun-kebun, sedangkan kebun tersebar juga mangingat daerah puncak juga merupakan penghasil sayur-sayuran. Jenis-jenis tanaman yang ditanami diantaranya wortel, terung, cabai, sawi, ubi, daun bawang, kacang-kacangan dan lain-lain.
Kebun teh baik yang masih hijau (1129,640 ha) ataupun yang sudah dipanen /dipotong (442,180 ha) membentang cukup luas di daerah ini. Disana terdapat 2 perkebunan teh, yaitu perkebunan teh Gunung Mas dan perkebunan teh Ciliwung yang letaknya bersebrangan dan dalam manajemen pengelolaan yang berbeda.
Tutupan sawah masih cukup banyak dan sebagian besar adalah sawah irigasi. Untuk rumput, sebagian besar tutupan rumput adalah rumput yang berada di halaman-halaman vila atau penginapan, dan sebagian adalah lapangan rumput.
Berdasarkan data dari Badan Pusat Statistik (BPS) tahun 2003, dari segi ekonomi produksi sayuran yang paling banyak adalah sawi dan daun bawang baik di Kecamatan Ciawi, Megamendung maupun Cisarua. Produksi sawi dan daun bawang tahun 2003 di Kecamatan Cisarua adalah 15.960 kg dan 13.345 kg, di Kecamatan Megamendung 13.240 kg dan 11.284 kg.
Analisis Spasial
Analisis Sebaran Tutupan Lahan Sebaran Tutupan Lahan Per Desa
Banyaknya desa yang berada di wilayah penelitian (Sub DAS Ciliwung Hulu di ) ini ada 21 desa yang terbagi kedalam 3 Kecamatan. Dari hasil analisis, didapatkan bahwa tutupan vegetasi (pohon, semak dan kebun, kebun teh, sawah, rumput) paling banyak adalah di Desa Tugu Selatan dengan 1211,704 ha yang didominasi oleh pohon. Untuk tutupan pohon paling banyak terdapat di Desa Tugu Utara yaitu sebanyak 603,063 ha, dan paling sedikit di Desa Cisarua yaitu hanya 6,041 ha, tutupan semak dan kebun banyak ditemukan di Desa Sukamaju yaitu 239,966 ha, dan yang paling sedikit Desa Cipayung yaitu 2,091 ha. Untuk tutupan kebun teh (termasuk teh yang dipotong), banyak terdapat di Desa
(50)
36
Sukamaju yaitu sebanyak 382,72 ha dan yang paling sedikit adalah Desa Cilember, sebanyak 3,674 ha. Tutupan lahan sawah banyak terdapat di Desa Tugu Selatan, yaitu 142.754 ha dan yang paling sedikit adalah Desa Cisarua, yaitu 3,930 ha, tutupan rumput banyak ditemukan di Desa Tugu Selatan dengan 46,578 ha dan yang paling sedikit di Desa Cisarua dengan 0,338 ha. Untuk tutupan tanah kosong, Desa Cibeureum mempunyai tutupan terluas yaitu 110,040 ha dan yang paling sedikit di Desa Cilember, yaitu hanya 2,766 ha. Tutupan pemukiman terbanyak di Desa Tugu Selatan sebanyak 165,166 ha dan paling sedikit di Desa Tugu Utara sebanyak 0,527 ha. Tutupan jalan terbanyak di Desa Tugu Selatan 80,953 ha dan yang paling sedikit di Desa Tugu Utara sebanyak 0,522 ha.
Secara garis besar, tutupan lahan vegetasi di sub DAS Ciliwung Hulu didominasi oleh pohon dengan 31% atau seluas 3308,523 ha. Pada citra, bagian yang tertutup awan dan bayangan awan termasuk kedalam kelas pohon berdasarkan peta yang dikeluarkan Bakosurtanal (Badan Koordinasi Survey dan Pemetaan Nasional. Sehingga, luas tutupan berupa pohon termasuk yang tertututp awan dan bayangan awan adalah sebesar 4103,79 ha. Rumput memiliki luas terkecil pada tutupan vegetasi dengan 3% atau 279,176 ha. Pada tutupan lahan non vegetasi, tutupan lahan yang mendominasi adalah tanah kosong dengan 9% atau sama dengan 895,260 ha, dan yang paling sedikit adalah sungai, yaitu hanya sebesar 1% atau seluas 105,551 ha (Lampiran 2). Untuk jenis tutupan lahan vegetasi yang bisa dipanen seperti kebun teh, sawah dan kebun, sewaktu-waktu luasnya bisa berubah tergantung waktu panen. Persentase luasan tiap kelas tutupan lahan dapat dilihat pada Gambar 7. :::
(51)
37
Persentase Luas Tiap Tutupan Lahan
31%
14% 15%
12% 3%
9%
4% 3% 5%
1% 3%
Pohon Smk & Kbn Kebun Teh Sawah Rumput Tnh Kosong Permukiman Jalan
Sungai Awan Byngn Awan
(52)
38
0 500 1000 1500 2000 2500 3000 3500
L
u
as
(
H
a)
Poho n Smk &
Kbn Kbn Te
h
SawahRump ut Tnh K
osong Permuk
iman JalanSungai Awan Byng
n Awan
Jenis Tutupan Lahan
Histogram Luas Setiap Tutupan Lahan di Tiap Desa
Batulayang Bojong Murni Cibeureum Cilember
Cipayung Cipayung Girang Cisarua Citeko
Gadog Jogjogan Kopo Kuta
Leuwimalang Megamendung Sukagalih Sukakarya
Sukamanah Sukaresmi Sukamaju Tugu Selatan
Tugu Utara
(1)
Lampiran 2
Tabel Luas Setiap Kelas Tutupan Lahan di Setiap Desa
Pohon Sm k &Kbn Kbn Te h Saw ah Rum put Tnh Kos ong Pe rm uk im an Jalan Sungai Aw an Bygn Aw an
35.051 15.454 10.719 27.858 2.480 15.645 8.632 3.259 0.768 0.141 0.288
0.333 0.147 0.102 0.265 0.024 0.149 0.082 0.031 0.007 0.001 0.003
55.997 16.596 20.534 40.895 7.510 23.365 21.219 12.199 7.437 0.219 0.785
0.532 0.158 0.195 0.389 0.071 0.222 0.202 0.116 0.071 0.002 0.007
129.680 89.680 103.360 135.680 23.680 110.040 40.680 20.680 3.680 0.680 1.680
1.233 0.852 0.982 1.290 0.225 1.046 0.387 0.197 0.035 0.006 0.016
9.611 2.091 3.674 6.058 1.897 2.766 2.974 2.618 2.106 0.037 0.319
0.091 0.020 0.035 0.058 0.018 0.026 0.028 0.025 0.020 0.000 0.003
497.511 149.040 93.023 40.795 8.498 7.595 1.628 0.744 0.574 0.506 8.927
4.729 1.417 0.884 0.388 0.081 0.072 0.015 0.007 0.005 0.005 0.085
38.857 12.003 30.066 63.291 22.276 30.896 38.935 21.331 3.605 0.377 0.618
0.369 0.114 0.286 0.602 0.212 0.294 0.370 0.203 0.034 0.004 0.006
6.041 5.469 4.036 3.930 0.338 2.861 2.929 0.884 0.101 0.032 0.061
0.057 0.052 0.038 0.037 0.003 0.027 0.028 0.008 0.001 0.000 0.001
28.595 34.430 19.733 22.009 1.950 12.119 2.633 0.998 0.196 0.112 0.362
0.272 0.327 0.188 0.209 0.019 0.115 0.025 0.009 0.002 0.001 0.003
12.431 8.229 6.518 7.752 1.136 6.107 4.990 1.960 0.354 0.064 0.179
0.118 0.078 0.062 0.074 0.011 0.058 0.047 0.019 0.003 0.001 0.002
82.398 66.395 48.990 89.199 7.063 85.229 17.886 5.455 1.009 0.494 1.717
0.783 0.631 0.466 0.848 0.067 0.810 0.170 0.052 0.010 0.005 0.016
115.708 78.143 60.541 77.938 7.693 63.806 15.360 5.327 1.175 0.421 1.120
1.100 0.743 0.575 0.741 0.073 0.606 0.146 0.051 0.011 0.004 0.011
22.508 8.044 14.267 25.742 9.953 13.091 16.884 13.349 1.516 0.167 0.482
0.214 0.076 0.136 0.245 0.095 0.124 0.160 0.127 0.014 0.002 0.005
96.191 112.753 146.981 91.617 12.111 76.276 11.582 3.217 0.488 0.014 0.552
0.914 1.072 1.397 0.871 0.115 0.725 0.110 0.031 0.005 0.000 0.005
10.870 4.236 5.027 9.096 2.307 3.785 1.583 1.958 2.214 0.044 0.267
0.103 0.040 0.048 0.086 0.022 0.036 0.015 0.019 0.021 0.000 0.003
24.629 10.554 25.079 7.380 10.717 11.092 5.792 1.675 0.187 0.421
0.234 0.100 0.238 0.070 0.102 0.105 0.055 0.016 0.002 0.004
93.601 81.218 111.605 86.003 25.027 99.441 35.986 14.165 1.818 0.162 0.906
0.890 0.772 1.061 0.817 0.238 0.945 0.342 0.135 0.017 0.002 0.009
68.605 36.855 56.768 91.731 21.758 62.293 24.620 9.517 4.811 0.462 0.738
0.652 0.350 0.540 0.872 0.207 0.592 0.234 0.090 0.046 0.004 0.007
471.284 140.783 110.107 137.567 35.982 75.856 55.773 37.700 7.435 1.768 68.725
4.479 1.338 1.046 1.307 0.342 0.721 0.530 0.358 0.071 0.017 0.653
376.314 239.966 382.720 140.110 31.403 99.143 40.369 21.046 4.483 3.276 9.688
3.577 2.281 3.638 1.332 0.298 0.942 0.384 0.200 0.043 0.031 0.092
529.579 203.534 289.259 142.754 46.578 90.852 165.166 80.953 59.636 420.854 200.234
5.033 1.934 2.749 1.357 0.443 0.863 1.570 0.769 0.567 4.000 1.903
603.063 195.536 43.337 14.983 2.157 3.377 0.527 0.522 0.471 67.364
5.732 1.858 0.412 0.142 0.021 0.032 0.005 0.005 0.004 0.640
Total (Ha) 3308.523 1500.454 1571.820 1280.086 279.176 895.260 521.447 263.673 105.551 430.016 365.431 10521.433
Tugu Selatan 2229.400
Tugu Utara 931.337
Sukaresmi 1142.978
Sukamaju 1348.519
Sukakarya 549.930
Sukamanah 378.160
Megamendung 41.389
Sukagalih 97.524
Kuta 126.000
Leuw imalang 551.780
Jogjogan 405.830
Kopo 427.230
Citeko 123.140
Gadog 49.720
Cipayung Girang 262.253
Cisarua 26.680
Cilember 34.150
Cipayung 808.839
Bojong Murni 206.754
Cibeureum 659.520
Nam a De s a Luas (Ha) dan Pe rs e ntas e (%) Se tiap Je nis Tutupan Lahan Total (Ha)
(2)
Lokasi : Hutan
Pinus merkusii
Putra Agung
No.
Plot
No.
Pohon
Jenis Pohon
Keliling
(cm)
Diameter
(m)
Tinggi
(m)
Volume
(m3)
Koordinat
I
1
Pinus merkusii
94
0.299
15
1.055
718091
2
Pinus merkusii
100
0.318
16
1.274
9259986
3
Pinus merkusii
95
0.303
14
1.006
4
Pinus merkusii
94
0.299
15
1.055
5
Pinus merkusii
95
0.303
15
1.078
6
Pinus merkusii
91
0.290
14
0.923
7
Pinus merkusii
109
0.347
16
1.514
8
Pinus merkusii
182
0.580
18
4.747
9
Pinus merkusii
146
0.465
15
2.546
10
Pinus merkusii
195
0.621
18
5.449
11
Pinus merkusii
78
0.248
16
0.775
12
Pinus merkusii
85
0.271
8
0.460
13
Pinus merkusii
73
0.232
8
0.339
14
Pinus merkusii
78
0.248
12
0.581
15
Pinus merkusii
76
0.242
14
0.644
16
Pinus merkusii
83
0.264
14
0.768
17
Pinus merkusii
124
0.395
16
1.959
18
Pinus merkusii
71
0.226
14
0.562
19
Pinus merkusii
163
0.519
18
3.808
20
Pinus merkusii
93
0.296
17
1.171
21
Pinus merkusii
80
0.255
15
0.764
22
Pinus merkusii
101
0.322
19
1.543
23
Pinus merkusii
78
0.248
16
0.775
24
Pinus merkusii
92
0.293
15
1.011
25
Pinus merkusii
85
0.271
14
0.805
26
Pinus merkusii
93
0.296
14
0.964
27
Pinus merkusii
71
0.226
12
0.482
28
Pinus merkusii
90
0.287
14
0.903
29
Pinus merkusii
95
0.303
15
1.078
30
Pinus merkusii
93
0.296
15
1.033
31
Pinus merkusii
97
0.309
15
1.124
32
Pinus merkusii
68
0.217
12
0.442
(3)
50
Nama Surveyor : Radiagita Dwi Prasatya
Tanggal : 02 September 2004
Lokasi : Hutan
Pinus merkusii
Putra Agung
No.
Plot
No.
Pohon
Jenis Pohon
Keliling
(cm)
Diameter
(m)
Tinggi
(m)
Volume
(m3)
Koordinat
II
1
Pinus merkusii
99
0.315
14
1.092
718160
2
Pinus merkusii
80
0.255
13
0.662
9259995
3
Pinus merkusii
147
0.468
14
2.409
4
Pinus merkusii
95
0.303
14
1.006
5
Pinus merkusii
85
0.271
11
0.633
6
Pinus merkusii
89
0.283
12
0.757
7
Pinus merkusii
92
0.293
16
1.078
8
Pinus merkusii
135
0.430
16
2.322
9
Pinus merkusii
115
0.366
16
1.685
10
Pinus merkusii
96
0.306
16
1.174
11
Pinus merkusii
89
0.283
14
0.883
12
Pinus merkusii
124
0.395
17
2.081
13
Pinus merkusii
108
0.344
17
1.579
14
Pinus merkusii
95
0.303
14
1.341
15
Pinus merkusii
83
0.264
14
1.024
16
Pinus merkusii
106
0.338
15
1.789
17
Pinus merkusii
111
0.354
15
1.962
18
Pinus merkusii
86
0.274
16
1.256
19
Pinus merkusii
138
0.439
16
3.235
20
Pinus merkusii
96
0.306
15
1.468
Muhammad Sofiyuddin
Lampiran 3 (lanjutan)
(4)
Lampiran 3 (lanjutan)
Nama Surveyor : Radiagita Dwi Prasatya
Tanggal : 12 Oktober 2004
Putra Agung
Lokasi : Hutan Campuran
No.
Plot
No.
Pohon
Jenis Pohon
Keliling
(cm)
Diameter
(m)
Tinggi
(m)
Volume
(m3)
Koordinat
III
1
Puspa
62
0.197
9.25
0.283
718691
2
Riyung anak
194
0.618
16.75
5.019
9260018
3
Riyung anak
150
0.478
14.5
2.598
4
Riyung anak
69
0.220
8
0.303
5
Riyung anak
43
0.137
6.5
0.096
6
Riyung anak
68
0.217
6
0.221
IV
1
Riyung anak
67
0.213
2.6
0.093
718729
2
Riyung anak
193
0.615
13
3.855
9260001
3
Riyung anak
53
0.169
15
0.335
4
Riyung anak
61
0.194
14.5
0.430
5
Riyung anak
59
0.188
11.5
0.319
6
Riyung anak
54
0.172
13.5
0.313
7
Riyung anak
142
0.452
11
1.766
8
Riyung anak
62
0.197
6.5
0.199
V
1
Riyung anak
120
0.382
11.25
1.290
718757
2
Riyung anak
162
0.516
12.5
2.612
9259990
3
Riyung anak
132
0.420
12
1.665
4
Riyung anak
52
0.166
7
0.151
5
Riyung anak
98
0.312
12
0.918
6
Riyung anak
101
0.322
8
0.650
7
Riyung anak
105
0.334
16.5
1.448
Keterangan : Riyung anak :
Castanea acuminatissima
(Fagaceae)
Puspa :
Schima sp.
(Theaceae)
(5)
52
Lampiran 3 (lanjutan)
Nama Surveyor : Radiagita Dwi Prasatya
Tanggal : 31 Oktober 2004
Gunawan Agustejo
Lokasi : Hutan Campuran
Deden
No.
Plot
No.
Pohon
Jenis Pohon
Keliling
(cm)
Diameter
(m)
Tinggi
(m)
Volume
(m3)
Koordinat
VI
1
Huru kapas
65
0.207
5.2
0.175
718946
2
Ki Peer
75
0.239
0.000
9259926
3
Riyung anak
40
0.127
3
0.038
4
Riyung anak
45
0.143
0.000
5
Riyung anak
40
0.127
4
0.051
6
Ki Peer
170
0.541
11
2.531
VII
1
Ki Peer
45
0.143
6
0.097
719087
2
Ki Peer
52
0.166
8
0.172
9259896
3
Ki Peer
56
0.178
7.5
0.187
4
Ki bangkong
90
0.287
10
0.645
5
Kawoyang
50
0.159
8
0.159
6
Huru sereh
105
0.334
10
0.878
7
Huru sereh
82
0.261
8
0.428
VIII
1
Riyung anak
155
0.494
17.5
3.347
719152
2
Riyung anak
70
0.223
12
0.468
9259892
3
Riyung anak
57
0.182
16
0.414
4
Riyung anak
120
0.382
10
1.146
5
Riyung anak
95
0.303
7
0.503
6
Riyung anak
48
0.153
5
0.092
7
Riyung anak
40
0.127
6
0.076
8
Riyung anak
65
0.207
7
0.235
9
Huru beras
42
0.134
7
0.098
10
Huru beras
52
0.166
7.5
0.161
11
Huru beras
40
0.127
6.5
0.083
IX
1
Ki endog
170
0.541
12
2.761
720661
2
Ki leho
55
0.175
14
0.337
9258714
3
Ki leho
32
0.102
12
0.098
4
Ki leho
55
0.175
7
0.169
5
Ki leho
58
0.185
4
0.107
6
Ki leho
28
0.089
4.5
0.028
7
Ki leho
62
0.197
13
0.398
8
Ki leho
38
0.121
7
0.080
9
Ki leho
45
0.143
13
0.210
10
Ki leho
45
0.143
8
0.129
11
Ramo giling
75
0.239
10
0.448
12
Ki leho
155
0.494
15
2.869
Keterangan : Huru kapas :
Acer niveum
(Aceraceae)
Ki Peer :
Ficus rostrata
(Moraceae)
Huru beras :
Lindera polyantha
(Lauraceae)
Ki Bangkong : E
ndiandra rubescens
Kawoyang :
Pygeum parviflorum
(Rosaceae)
Huru sereh :
Litsea diversifolia
(Lauraceae)
(6)