KESIMPULAN DAN SARAN Degradasi Hutan Menggunakan 2 Kelas Degradasi Hutan

1. Diperlukan penelitian lanjutan dengan menggunakan klasifikasi FCD untuk daerah lain yang mempunyai struktur tegakan yang berbeda dengan lokasi penelitiannya. 2. Penggunaan indikator degradasi hutan lain seperti biomasa dan carbon perlu dilakukan penelitian lebih lanjut untuk mendukung MRV REDD. DAFTAR PUSTAKA Bahamondez C, Martin M, Rojas Y, Vergara G, Jofre P, Pugin A. 2009. An Operational Approach to Forest Degradation. Forest Degradation Meeting FAO Rome 8-9 September 2009. hlm 1-34. [BAPLAN DEPHUT] Badan Planologi Kehutanan Departemen Kehutanan. 2006. Pengolahan Citra Resolusi Tinggi Dalam Rangka Penaksiran Sumber Daya Hutan. Jakarta: Departemen Kehutanan Republik Indonesia. Baynes J. 2005. Using FCD Mapper Software and Landsat Images to Detect Breaks In Forest Canopies in Landscape in Australia and Philipines. Proceeding ACIAR project planning workshop, Ormoc, the Philippines. hlm 151-158. Breda N. 2003. Ground-based Measurements of Leaf Area Index: a Review of Methods, Instruments and Current Controversies. J. Experimental Botany. 54:2403-2417. Defries R, Achard F, Brown F, Herold M, Murdiyarso D, Schlamadinger B, Souza CM. 2007. Earth Observations for Estimating Greenhouse Gas Emissions from Deforestation in Developing Countries. J. Environmental Science and Policy 10: 385-394. [DEPHUT] Departemen Kehutanan. 2008. Perhitungan Deforestasi Indonesia Tahun 2008. Jakarta: Departemen Kehutanan Republik Indonesia. [DEPHUT] Departemen Kehutanan. 2009 . DAFTAR ISTILAH Glossary REDD dan Perubahan Iklim. Jakarta: Departemen Kehutanan Republik Indonesia. [Ditjenphka] Direktorat Jenderal PHKA. 2008. Taman Nasional Halimun Salak. http:www.ditjenphka.go.id [19 Juni 2008]. Eastman JR. 2003. IDRISI Kilimanjaro Guide to GIS and Image Processing. Worcester USA: Clark Labs Clark University. [FAO] Food Agriculture Organizations. 2005. Forest Resources Assessment 2005 Update 2005. Terms and Definition. Rome: FRA Programe. Fisher PF. dan Pathirana S. 1990. The Evaluation of Fuzzy Membership of Land Cover Classes in the Suburban Zone. J. Remote Sensing of Environment. 34:121-132. Fitria W. 2006. Aplikasi klasifikasi knowledge based dengan teknik fuzzy pada SPOT 4 vegetation Studi Kasus di Pulau Sumatera [Skripsi]. Bogor. Fakultas Kehutanan Institut Pertanian Bogor; 2006. Foody GM. 1996. Fuzzy Modelling of Vegetation from Remotely Sensed Imagery. J. Ecological Modelling. 85:3-12. Foody GM. 1996.Approaches for the production and evaluation of fuzzy land cover classifications from remotely-sensed data. Int. J. Remote Sensing. 17: 1317-1340. Gottlicher D, Obregón A, Homeier J, Rollenbeck R, Nauss T, Bendix J. 2009. Land ‐cover classification in the Andes of southern Ecuador using Landsat ETM+ data as a basis for SVAT modeling. Int. J. Remote Sensing. 30: 1867-1886. Hadi F, Wikantika K, Sumarto I. 2004. Implementation of Forest Canopy Density Model to Monitor Forest Fragmentation in Mt. Simpang and Mt. Tilu Nature Reserves, West Java, Indonesia. Indonesian FIG Regional Conference 3-7 Oktober 2004. Huang D, Yang W, Tan B, Rautiainen M, Zhang P, Jiannan H, Shabanov NV, Linder S, Knyazikhin Y, Myneni RB. 2006. The Importance of Measurement Errors for Deriving Accurate Reference Leaf Area Index Maps for Validation of Moderate-Resolution Satellite LAI Products. J. IEEE Transactions On Geoscience and Remote Sensing. 44:1866-1871. Hwan OM dan Merlinda RM. 2008. Forest Canopy Density Mapping For Forest Climate Change MitigationREDD Activities. Japan-Asia REDD Seminar [24-25 Maret 2008]. [IPCC] Intergovermental Panel On Climate Change. 2007. Fourth Assesment Report:Climate Change. http:www.ipcc- nggip.iges.or.jppublic2006gl.vol4.html [April 2008]. Irwan H. 2008. Deteksi Perubahan Penutupan Lahan di Taman Nasional Gunung Halimun Salak Menggunakan Citra Landsat [Skripsi]. Bogor. Fakultas Kehutanan Institut Pertanian Bogor; 2008. Iswari NH. 2008. Modifikasi Teori Bukti Demspter Shafer Untuk Optimalisasi Klasifikasi Penggunaan Lahan Berdasarkan Citra dan Data Spasial Mutli Sumber. [Tesis] Yogyakarta. Program Pasca Sarjana Fakultas Geografi Universitas Gadjah Mada: 2008. James KL. 2006. Toward the Rapid Characterization of the Built Environment within the Wildland-Urban Interface: A Soft Classification Strategy J. GISscience and Remote Sensing 43:179-196. Jamalabad M dan Akbar A. 2002. Forest Canopy Monitoring, Using Sattelite Images. Soil Conservation and Watershed Management Research Institute Iran. Jaya INS. 2009. Analisis Citra Digital. Bogor: Fakultas Kehutanan Institut Pertanian Bogor. Jensen JR. 2005. Introductory Digital Image Processing. Third Edition. South California: Pearson Prentice Hall. Joshi C, Leeuw JD, Skidmorr AK, Duren IC, Oosten H. 2006. Remotely Sensed Estimation of Forest Canopy Density: a Comparison of the Performance of Four Methods. Int. J. Applied Earth Observation and Geoinformation 8:84-94. Kanninen M, Murdiyarso D, Seymour F, Angelsen A, Wunder S, German L. 2009. Apakah Hutan dapat Tumbuh di atas Uang. Implikasi penelitian Deforestasi bagi Kebijakan yang Mendukung REDD. Perspektif Kehutanan 4:1-55. Bogor: CIFOR. Kusakabe T, Tsuzuki H, Hughes G, Sweda T, 2000. Extensive Forest Leaf Area Survey Aiming at Detection of Vegetation Change in Subartic-boreal Zone. J. Polar Biosci 13:133-146. Maselli F, Rodolfi A, Conese C. 1996. Fuzzy classification of spatially degraded Thematic Mapper data for the estimation of sub-pixel components. Int. J. Remote Sensing. 17:537-551. Mon MS, Mizoue N, Htun NZ, Kajisa T, Yoshida S, 2011Estimating forest canopy density of tropical mixed deciduous vegetation using Landsat data: a comparison of three classification approaches. Int. J. Remote Sensing 33:1042-1057. Murdiyarso D, Skutsch M, Guariguata M, Kanninen M, Luttrell C, Verweij P, Stella O. 2008. Measuring and monitoring Forest Degradation for REDD, Implications of Country Circumstances. Bogor:Info Brief Cifor Vol.16. Panta M, Kim K, Joshi C. 2008. Temporal Mapping of Deforestation and Forest Degradation in Nepal: Applicatons to Forest Conservation. J. Forest Ecology and Management 256:1587-1595. Penman J, Gytarsky M, Hiraishi T, Krug T, Kruger D, Pipatti R, Buendia L, Miwa K, Ngara T, Tanabe K, Wagner F. 2003.Definitons and Methodological Options to Inventory Emissions from Direct Human-induced Degradation of Forests and Devegetation of Other vegetetation Types. IPCC National Greenhouse Gas Inventories Programme and Institute for Global Environmental Strategies IGES http:www.ipcc-nggip.iges.or.jp publicgpglulucfgpglulucf_contents.htm. [ 3 Maret 2010]. Prasad PR, Nagabhatla N, Reddy CS, Gupta S, Rajan KS. 2009. Assessing forest canopy closure in a geospatial medium to address management concerns for tropical islands —Southeast Asia. J. Environmental Monitoring and Assessment. 160:541-553. Rikimaru A. 2003. Concept of FCD Mapping Model and Semi-Expert System. Japan: Overseas Forestry Consultants Association. Roy PS. 2003. Space Remote Sensing for Forest Management. Dehradun: Indian Institute of Remote Sensing. [SEAMEO BIOTROP] South Asian Regional Center for Tropical Biology. 2001. Forest Health Monitoring to he Suistainability of Indonesia Tropical Rain Forest. Bogor: ITTO- SEAMEO BIOTROP. Bsowmya B dan Sheelarani B. 2011. Land cover classification using reformed fuzzy C-means. J. Sadana. 36:153 –165. Sprintsin M, Karnieli A, Sprintsin S, Cohen S, Berliner P. 2009. Relationships Between Stand Density and Canopy Structure in a Dryland Forest as Estimated by Ground-based Measurements and Multi-spectral Spaceborne Images. J. Arid Environments 73:955 –962. Sumbera S. 2001. Extended methods of automatic processing of multispectral airborne images of forest stand. J. Forest Science. 47:492-504. Tang X. 2004. Spatial Object Modeling In Fuzzy Topological Spaces with Applications to Land Cover Change. Netherland ITC. [TNHS] Taman Nasional Halimun Salak. 2007. Management Plan Taman Nasional Halimun Salak 2007-2026. Sukabumi: Taman Nasional Halimun Salak. Wang F. 1990. Fuzzy supervised classification of remote sensing images. J. Geoscience and Remote Sensing. 28:194-201. Lampiran 1. Separabilitas Training Area Citra Landsat Tahun 2003, Tahun 2007 dan Tahun 2008 Citra Tahun 2003 Klas Penutupan Lahan Sw Pc Pt SB Pr A H1 H2 H3 H4 Sw 1919 2000 1923 2000 2000 2000 2000 2000 2000 Pc 1919 1793 1854 2000 2000 1789 2000 2000 2000 Pt 2000 1793 1999 2000 2000 1782 2000 2000 2000 T 1923 1854 1999 2000 2000 1999 2000 2000 2000 Aw 2000 2000 2000 2000 2000 2000 2000 2000 2000 B 2000 2000 2000 2000 2000 2000 2000 2000 2000 H1 2000 1789 1782 1999 2000 2000 1805 2000 2000 H2 2000 2000 2000 2000 2000 2000 1805 2000 2000 H3 2000 2000 2000 2000 2000 2000 2000 2000 1796 H4 2000 2000 2000 2000 2000 2000 2000 2000 1796 Keterangan: H3 dan H4 direklasifikasi menjadi H3 Citra Tahun 2007 Klas Penutupan Lahan Sw Pc Pt T B H1 H2 H3 H4 Sw 1919 2000 1923 2000 2000 2000 2000 2000 Pc 1919 1793 1854 2000 1789 2000 2000 2000 Pt 2000 1793 1999 2000 1782 2000 2000 2000 T 1923 1854 1999 2000 1999 2000 2000 2000 B 2000 2000 2000 2000 2000 2000 2000 2000 H1 2000 1789 1782 1999 2000 1805 2000 2000 H2 2000 2000 2000 2000 2000 1805 2000 2000 H3 2000 2000 2000 2000 2000 2000 2000 1796 H4 2000 2000 2000 2000 2000 2000 2000 1796 Keterangan: H3 dan H4 direklasifikasi menjadi H3 Citra Tahun 2008 Sw Pc Pt SB Pr A H1 H3 H4 Klas Tutupan Lahan H2 Sw 1919 2000 1923 2000 2000 2000 2000 2000 2000 Pc 1919 1793 1854 2000 2000 1789 2000 2000 2000 Pt 2000 1793 1999 2000 2000 1782 2000 2000 2000 T 1923 1854 1999 2000 2000 1999 2000 2000 2000 Aw 2000 2000 2000 2000 2000 2000 2000 2000 2000 B 2000 2000 2000 2000 2000 2000 2000 2000 2000 H1 2000 1789 1782 1999 2000 2000 1805 2000 2000 H2 2000 2000 2000 2000 2000 2000 1805 2000 2000 H3 2000 2000 2000 2000 2000 2000 2000 2000 1796 H4 2000 2000 2000 2000 2000 2000 2000 2000 1796 Keterangan: H3 dan H4 direklasifikasi menjadi H3 Lampiran 2 Klasifikasi Citra, Indikator Lapangan dan Foto Lapangan NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 1 662370.33 9246869.92 4 4 4 4 21 69 2.2 848 7781 3440 5610 295 2 662520.17 9246986.50 3 3 3 3 13 68 2 944 3723 3960 3841 140 3 662642.77 9247024.22 4 4 3 3 11 54 3.2 1216 5268 6360 5814 103 100 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 4 662704.82 9247193.77 3 3 2 2 13 49 1.2 1392 5552 2520 4036 147 5 662851.38 9247320.57 3 3 1 2 21 48 1.72 1792 5384 3680 4532 328 6 663088.25 9247345.68 3 3 2 4 16 43 1.16 336 2816 2640 2728 217 101 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 7 662372.42 9247330.40 2 2 2 2 6 25 512 1584 960 1272 70 8 662271.78 9247443.97 2 2 2 2 2 7 1.78 592 1552 960 1256 13 9 662395.80 9245427.57 3 3 2 2 17 48 1.36 1312 5722 3720 4721 310 102 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 10 662748.99 9245335.92 4 4 3 4 14 54 3.2 1632 4474 2800 3637 114 11 662848.07 9244960.24 3 2 2 3 14 20 1 1040 3264 832 2048 259 12 662463.26 9246229.68 2 2 4 2 13 49 2.4 1504 5193 3160 4176 119 103 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 13 662295.51 9246031.34 3 3 2 2 5 47 2.6 1008 2624 1600 2112 40 14 662335.15 9245821.67 2 2 2 2 9 29 3 624 2736 1120 1928 109 15 662036.39 9245938.02 1 1 1 1 104 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 16 661851.54 9246820.13 1 1 1 1 17 662488.83 9246838.18 4 4 4 4 29 69 2.34 1712 5215 3320 4267 535 18 662563.51 9246560.79 4 4 4 4 23 64 4.8 784 4079 3760 3919 415 105 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 19 662702.84 9246445.75 4 4 4 4 64 71 8.4 1888 6352 3960 5156 1322 20 662795.56 9246281.50 4 4 3 4 42 65 2.14 1440 6114 4880 5497 909 21 662766.84 9246109.82 4 4 3 4 36 68 4 1504 5736 3600 4668 696 106 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 22 662501.36 9245937.37 4 4 3 4 86 74 4.34 1968 8990 4240 6615 1862 23 660803.00 9246040.00 1 1 1 1 0.004 24 662791.86 9246818.28 4 4 4 4 43 62 3 1776 2901 3960 3430 838 107 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 25 662882.85 9246562.46 4 4 4 4 21 64 2.2 1248 4736 3072 3904 330 26 662999.45 9246268.65 4 4 4 4 30 69 3.4 1328 5040 5120 5080 623 27 664746.92 9247447.36 3 3 2 2 11 3 2.4 720 2944 1280 2112 127 108 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 28 663691.05 9246973.01 4 4 4 4 27 50 3.12 1488 5168 3152 4160 505 29 663633.05 9247168.41 4 4 2 4 36 52 3 672 3781 2200 2990 784 30 663453.02 9247135.13 2 2 2 2 28 30 0.72 640 4169 3000 3584 592 109 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 31 663427.39 9246918.16 4 4 4 4 13 56 3.36 1584 3888 3152 3520 128 32 663269.58 9247226.25 4 4 4 4 26 60 4.2 2352 5552 3840 4696 367 33 663078.72 9246973.88 4 4 4 4 43 63 2.2 1136 6066 4000 5033 853 110 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 34 662848.56 9246935.95 4 4 4 4 28 66 3.4 1728 4410 4640 4525 352 35 662757.46 9247053.47 4 4 4 4 18 69 3.52 1840 3488 3840 3664 218 36 663248.98 9247849.15 1 2 1 1 3 23 1.2 592 1952 1952 1256 19 111 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 37 663229.21 9248013.91 1 1 1 1 38 663890.26 9247220.10 2 4 4 4 10 14 0.34 608 2320 1040 1680 153 39 663963.80 9247069.95 4 4 3 4 26 66 2.2 1792 4932 3440 4186 415 112 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 40 664163.90 9247123.53 4 3 4 4 45 68 3.16 1504 5905 3200 4552 985 41 664470.18 9247500.12 4 4 4 4 61 66 3.78 1584 6174 3320 4747 1426 42 664324.83 9247166.84 4 4 4 4 38 71 4.2 2080 11566 6080 8823 553 113 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 43 664578.75 9247124.06 4 4 4 4 54 56 2.2 1488 4662 3320 3991 1191 44 664788.78 9247205.73 4 4 4 4 55 68 2.2 1456 5868 3720 4794 1199 45 665070.22 9247256.79 4 4 4 4 34 69 2.2 1296 6131 3680 4905 596 114 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 46 664859.00 9248164.00 1 1 1 1 47 664654.00 9248500.00 1 1 1 1 48 663812.17 9246865.28 4 4 3 3 45 76 5 2512 7481 4920 6200 790 115 NO Koordinat Klasifikasi Indikator Lapangan Foto Fisheye Foto Lapangan X Y FCD Max Fuzzy Bel Lbds Kr LAI NHa CSI CDI VCR Vol 49 663719.52 9246714.54 4 4 4 4 54 75 4.4 1440 9858 6920 8389 978 50 663668.09 9246580.04 4 4 4 4 44 68 5.7 1392 7652 5200 6426 852 51 664439.21 9246972.94 4 4 4 4 20 69 3.4 1120 6592 3088 4840 269 Keterangan: FCD = Klasifikasi FCD 4: hutan keratapan tinggi , 3: hutan keratapan sedang, 2 hutan kerapata rendah, 1: non hutan 116 Keterangan: Max = Klasifikasi Maximum Likelihood 4: hutan keratapan tinggi , 3: hutan keratapan sedang, 2 hutan kerapata rendah, 1: non hutan Keterangan: Fuzzy = Klasifikasi Fuzzy 4: hutan keratapan tinggi , 3: hutan keratapan sedang, 2 hutan kerapata rendah, 1: non hutan Bel = Klasifikasi Belief Lbds = Basal Area m2Ha NHa = Kerapatan tegakanHa diameter 5 cm Kr = KerapatanKanopi LAI = Leaf Area Index CSI = Crown Size Index CDI = Crown Damage Index VCR = Nilai Rata-rata CDI dan CSI 117 Lampiran 3 Visualisasi Areal Contoh Klasifikasi Maximum Likelihood Pada Citra Landsat dan Quickbird No Klasifikasi di Citra Kode Tegakan NHa Kenampakan Citra Landsat Kenampakan Citra Quickbird 5cm 1 Noh Hutan Sawah Sw - Pertanian Lahan Kering dan Semak Pc - Pertanian Lahan Kering Pt - Tanah Terbuka T - Awan Aw - Tidak Terlihat di Citra Bayangan B - Tidak Terlihat di Citra No Klasifikasi di Citra Kode Tegakan NHa Kenampakan Citra Landsat Kenampakan Citra Quickbird 2 Hutan kerapatan rendah H1 64-351 3 Hutan kerapatan sedang H2 352-774 4 Hutan kerapatan tinggi H3 775-1304 5 Hutan kerapatan tinggi H4 1305 Lampiran 4. Visualisasi Areal Contoh Klasifikasi Fuzzy pada Citra Landsat dan Quickbird No Klasifikasi di Citra Kode Tegakan NHa Kenampakan Citra Landsat Kenampakan Citra Quickbird 5cm 1 Noh Hutan Sawah Sw - Pertanian Lahan Kering dan Semak Pc - Pertanian Lahan Kering Pt - Tanah Terbuka T - Awan Aw - Tidak Terlihat di Citra Bayangan B - Tidak Terlihat di Citra No Klasifikasi di Citra Kode Tegakan NHa Kenampakan Citra Landsat Kenampakan Citra Quickbird 2 Hutan kerapatan rendah H1 64-351 3 Hutan kerapatan sedang H2 352-774 4 Hutan kerapatan tinggi H3 775-1304 5 Hutan kerapatan tinggi H4 1305 122 Lampiran 5. Peta Lokasi sampel Lampiran 6 Fungsi Keanggotaan satu piksel Landsat 156 piksel Quickbird Klasifikasi Piksel Fungsi Keanggotaan Fungsi Keanggotaan Jumlah Keterangan Sw Pc Pt T Aw B H1 H2 H3 H4 Sw 150 1,0 6 0,0 156 Pc 137 0,9 19 0,1 156 Pt 125 0,8 12 0,1 19 0,1 156 T 19 0,1 125 0,8 12 0,1 156 Aw 156 1,0 156 Justifikasi B 156 1,0 156 Analis H1 19 0,1 6 0,0 100 0,6 12 0,1 19 0,1 156 H2 25 0,2 19 0,1 112 0,7 156 H3 12 0,1 12 0,1 125 0,8 12 0,1 156 H4 19 0,1 19 0,1 118 0,8 156 123 Lampiran 7 Derajat Kepercayaan klasifikasi training area Klasifikasi Kepercayaan Piksel Jumlah Keterangan Sw Pc Pt T Aw B H1 H2 H3 H4 Total Piksel Sw 3 1,0 3 Berdasarkan Pc 5 0,8 1 0,2 6 data citra Pt 1 0,2 4 0,7 1 0,2 6 quickbird T 1 0,2 5 0,8 6 Aw 1 1,0 1 B 1 1,0 1 H1 1 0,1 7 1,2 1 0,1 9 Berdasarkan data H2 2 0,3 5 0,7 7 lapangan H3 5 0,8 1 0,2 6 Nurhayati 2010 H4 1 0,2 4 0,8 5 124 Lampiran 8 Matrik Konfusi Antara 4 Klasifikasi kerapatan hutan dengan Data Lapangan Matrik Konfusi Antara Klasifikasi FCD dengan Kerapatan Kanopi Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 4 1 5 80 H3 1 24 1 26 92 H2 1 5 1 1 8 62 H1 1 5 6 83 NH 6 6 100 Jumlah menurun 5 26 6 7 7 51 Producers Accuracy 80 92 83 71 85 86,27 79,81 44 Matrik Konfusi Antara Klasifikasi FCD dengan LAI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 5 5 100 H3 5 12 8 1 26 46 H2 2 3 3 8 37 H1 2 2 1 1 6 16 NH 6 6 100 Jumlah menurun 10 16 13 5 7 51 Producers Accuracy 50 75 23 20 85 52,94 37,52 27 Matrik Konfusi Antara Klasifikasi FCD dengan Tegakan Diameter 5cmHA Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 4 1 5 80 H3 6 16 4 26 61 H2 1 1 4 2 8 50 H1 1 4 1 6 16 NH 6 6 100 Jumlah menurun 11 19 12 3 6 51 Producers Accuracy 36 84 33 33 100 60,78 46,37 REF Matrik Konfusi Antara Klasifikasi FCD dengan Volume Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 4 1 5 80 H3 16 1 7 1 1 26 3 H2 7 1 8 87 H1 1 2 2 1 6 33 NH 6 6 100 Jumlah menurun 21 2 16 4 8 51 Producers Accuracy 19 50 43 50 75 39,22 29,55 20 Matrik Konfusi Antara Klasifikasi FCD dengan CSI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 4 1 5 80 H3 4 14 7 1 26 53 H2 4 4 8 50 H1 1 3 2 6 NH 6 6 100 Jumlah menurun 8 20 14 3 6 51 Producers Accuracy 50 70 28 66 100 58,82 42,88 30 Matrik Konfusi Antara Klasifikasi FCD dengan CDI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 4 1 5 80 H3 6 16 4 26 61 H2 3 2 3 8 25 H1 1 2 3 6 50 NH 6 6 100 Jumlah menurun 10 21 8 6 6 51 Producers Accuracy 40 76 25 50 100 60,78 45,43 31 Matrik Konfusi Antara Klasifikasi FCD dengan VCR Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 4 1 5 80 H3 5 14 6 1 26 53 H2 4 4 8 50 H1 2 2 2 6 NH 6 6 100 Jumlah menurun 9 21 12 3 6 51 Producers Accuracy 44 66 33 66 100 58,82 42,42 30 Matrik Konfusi Antara Klasifikasi FCD dengan Basal Area Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 3 2 5 60 H3 8 12 4 2 26 46 H2 7 1 8 87 H1 1 2 2 1 6 33 NH 6 6 100 Jumlah menurun 11 15 13 5 7 51 Producers Accuracy 27 80 53 40 85 58,82 45,91 30 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan Kanopi Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 3 1 4 75 H3 8 16 1 1 26 61 H2 2 5 1 8 62 H1 1 6 7 85 NH 6 6 100 Jumlah menurun 11 19 7 7 7 51 Producers Accuracy 27 84 71 85 85 70,59 60,07 36 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan LAI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 2 2 4 50 H3 8 11 6 1 26 42 H2 3 3 2 8 37 H1 2 1 3 1 7 42 NH 6 6 100 Jumlah menurun 10 16 12 5 8 51 Producers Accuracy 20 68 25 60 75 49,02 32,55 25 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan Tegakan Diameter 5cm Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 3 1 4 75 H3 7 16 3 26 61 H2 1 3 3 1 8 37 H1 1 5 1 7 14 NH 6 6 100 Jumlah menurun 11 20 12 2 6 51 Producers Accuracy 27 80 25 50 100 56,86 40,67 18 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan Volume Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 2 2 4 50 H3 16 2 7 1 26 7 H2 1 6 1 8 75 H1 1 2 2 2 7 28 NH 6 6 100 Jumlah menurun 20 2 17 4 8 51 Producers Accuracy 10 100 35 50 75 35,29 25,43 18 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan CSI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 3 1 4 75 H3 3 15 7 1 26 57 H2 4 4 8 50 H1 1 3 3 7 NH 6 6 100 Jumlah menurun 6 21 14 4 6 51 Producers Accuracy 50 71 28 75 100 60,78 45,01 31 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan CDI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 3 4 25 H3 6 16 3 1 26 61 H2 4 3 1 8 37 H1 1 2 4 7 57 NH 6 6 100 Jumlah menurun 7 24 8 6 6 51 Producers Accuracy 14 66 37 66 100 58,82 40,73 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan VCR Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 2 2 4 50 H3 3 17 5 1 26 65 H2 5 3 8 37 H1 1 3 3 7 NH 6 6 100 Jumlah menurun 5 25 11 4 6 51 Producers Accuracy 40 68 27 75 100 60,78 42,66 31 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan basal area Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 2 4 25 H3 10 10 5 1 26 38 H2 1 6 1 8 75 H1 1 2 3 1 7 NH 6 6 100 Jumlah menurun 12 12 15 5 7 51 Producers Accuracy 8 83 40 60 85 50,98 37,62 26 Matrik Konfusi Antara Klasifikasi Fuzzy dengan Kanopi Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 3 21 2 26 80 H2 2 2 3 7 28 H1 5 4 1 10 40 NH 1 6 7 85 Jumlah menurun 4 23 7 10 7 51 Producers Accuracy 25 91 28 40 85 66,67 51,86 34 Matrik Konfusi Antara Klasifikasi Fuzzy dengan LAI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 8 14 5 1 1 29 48 H2 1 1 1 1 4 25 H1 4 3 2 1 10 20 NH 1 6 7 85 Jumlah menurun 10 19 9 5 8 51 Producers Accuracy 10 73 11 40 75 47,06 27,45 24 Matrik Konfusi Antara Klasifikasi Fuzzy dengan Tegakan Diameter 5cm Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 7 15 6 1 29 51 H2 1 1 2 4 50 H1 1 3 5 1 10 10 NH 1 6 7 85 Jumlah menurun 10 19 13 3 6 51 Producers Accuracy 10 78 15 33 100 49,02 30,79 25 Matrik Konfusi Antara Klasifikasi Fuzzy dengan Volume Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 16 4 8 1 29 13 H2 1 3 4 75 H1 1 5 3 1 10 30 NH 7 7 100 Jumlah menurun 19 4 16 4 8 51 Producers Accuracy 5 100 18 75 87 35,29 27,02 18 Matrik Konfusi Antara Klasifikasi Fuzzy dengan CSI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 3 17 9 29 58 H2 1 1 2 4 50 H1 4 4 2 10 NH 1 6 7 85 Jumlah menurun 5 22 15 3 6 51 Producers Accuracy 20 77 13 66 100 54,90 35,76 28 Matrik Konfusi Antara Klasifikasi Fuzzy dengan CDI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 6 19 3 1 29 65 H2 2 1 1 4 H1 3 3 4 10 40 NH 1 6 7 85 Jumlah menurun 9 23 6 7 6 51 Producers Accuracy 11 82 57 100 58,82 40,13 30 Matrik Konfusi Antara Klasifikasi Fuzzy dengan VCR Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 2 20 6 1 29 68 H2 2 1 1 4 25 H1 4 4 2 10 NH 1 6 7 85 Jumlah menurun 5 25 11 4 6 51 Producers Accuracy 20 80 9 50 100 58,82 38,62 30 Matrik Konfusi Antara Klasifikasi Fuzzy dengan Basal Area Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 0,00 H3 10 11 7 1 29 37 H2 1 3 4 75 H1 1 5 3 1 10 NH 1 6 7 85 Jumlah menurun 10 14 15 5 7 51 Producers Accuracy 78 20 60 85 45,10 29,52 23 Matrik Konfusi Antara Klasifikasi Belief dengan Kanopi Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 2 20 1 1 24 83 H2 2 6 8 H1 4 6 1 11 54 NH 1 6 7 85 Jumlah menurun 5 26 5 8 7 51 Producers Accuracy 20 76 75 85 64,71 48,86 33 Matrik Konfusi Antara Klasifikasi Belief dengan LAI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 3 12 8 1 24 50 H2 3 2 3 8 37 H1 3 2 5 1 11 45 NH 1 1 5 7 71 Jumlah menurun 7 17 14 7 6 51 Producers Accuracy 14 70 21 71 83 50,98 34,78 26 Matrik Konfusi Antara Klasifikasi Belief dengan Tegakan Diameter 5cm Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 6 14 4 24 58 H2 3 4 1 8 12 H1 2 7 2 11 18 NH 1 1 5 7 71 Jumlah menurun 11 20 13 2 5 51 Producers Accuracy 9 70 7 100 100 45,10 26,73 23 25 Matrik Konfusi Antara Klasifikasi Belief dengan Volume Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 13 4 7 24 16 H2 4 3 1 8 37 H1 2 5 2 2 11 18 NH 1 6 7 85 Jumlah menurun 20 4 15 4 8 51 Producers Accuracy 5 100 20 50 75 31,37 21,19 16 Matrik Konfusi Antara Klasifikasi Belief dengan CSI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 3 14 6 1 24 58 H2 3 4 1 8 12 H1 2 7 2 11 18 NH 1 1 5 7 71 Jumlah menurun 7 21 14 4 5 51 Producers Accuracy 14 66 7 50 100 45,10 24,80 23 Matrik Konfusi Antara Klasifikasi Belief dengan CDI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 5 17 1 1 24 70 H2 3 4 1 8 12 H1 1 5 5 11 45 NH 1 1 5 7 71 Jumlah menurun 9 23 8 6 5 51 Producers Accuracy 11 73 12 83 100 56,86 40,16 29 Matrik Konfusi Antara Klasifikasi Belief dengan VCR Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 2 18 3 1 24 75 H2 2 5 1 8 12 H1 2 7 2 11 18 NH 1 1 5 7 71 Jumlah menurun 5 26 11 4 5 51 Producers Accuracy 20 69 9 50 100 52,94 32,19 27 Matrik Konfusi Antara Klasifikasi Belief dengan Basal Area Klasifikasi Data lapangan Jumlah Users Overall Akurasi H4 H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H4 1 1 100 H3 5 8 9 2 24 33 H2 1 3 1 3 8 12 H1 1 1 9 11 81 NH 1 1 5 7 71 Jumlah menurun 7 12 12 15 5 51 Producers Accuracy 14 66 8 60 100 47,06 31,49 Lampiran 9 Matrik Konfusi Antara 3 Kelas Degradasi di Citra dengan Degradasi di Lapangan REF Matrik Konfusi Antara Klasifikasi Degradasi FCD dengan Peubah Tegakan 5CM HA Klasifikasi Data di lapangan Jumlah User’s Overall Akurasi Berat Sedang Ringan Tetap Mendatar Accuracy Accuracy Kappa Berat 2 2 100 Sedang 3 4 1 8 50 Ringan 7 14 21 66 Tetap 1 4 15 20 75 Jumlah menurun 5 12 19 15 51 Producer’s Accuracy 40 33 73 100 68,63 54,57 Lampiran 10 Matrik Konfusi Antara 3 Klasifikasi Kerapatan hutan dengan Data Lapangan Matrik Konfusi Antara Klasifikasi FCD dengan Kerapatan Kanopi Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 29 1 1 31 93 H2 1 5 2 8 62 H1 1 4 1 6 66 NH 6 6 100 Jumlah menurun 30 7 7 7 51 Producers Accuracy 96 71 57 85 86,27 76,68 44 Matrik Konfusi Antara Klasifikasi FCD dengan LAI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 22 8 1 31 70 H2 2 2 4 8 25 H1 2 1 1 2 6 16 NH 6 6 100 Jumlah menurun 25 26 11 6 8 51 Producers Accuracy 84 84 18 16 75 60,78 37,15 30 Matrik Konfusi Antara Klasifikasi FCD dengan Tegakan Diameter 5cmHA Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 25 6 31 80 H2 3 4 1 8 50 H1 1 4 1 6 16 NH 6 6 100 Jumlah menurun 29 14 2 6 51 Producers Accuracy 86 28 50 100 70,59 50,39 36 REF Matrik Konfusi Antara Klasifikasi FCD dengan Volume Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 21 6 2 1 30 70 H2 7 1 1 9 77 H1 1 2 2 1 6 33 NH 6 6 100 Jumlah menurun 22 15 5 9 51 Producers Accuracy 95 46 40 66 70,59 55,57 36 Matrik Konfusi Antara Klasifikasi FCD dengan CSI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 24 6 1 31 77 H2 3 5 8 62 H1 1 2 3 6 NH 6 6 100 Jumlah menurun 28 13 4 6 51 Producers Accuracy 85 38 75 100 74,51 57,74 38 Matrik Konfusi Antara Klasifikasi FCD dengan CDI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 27 4 31 87 H2 3 3 2 8 37 H1 1 1 4 6 66 NH 6 6 100 Jumlah menurun 31 8 6 6 51 Producers Accuracy 87 37 66 100 78,43 62,70 Matrik Konfusi Antara Klasifikasi FCD dengan VCR Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 25 5 1 31 80 H2 4 4 8 50 H1 1 2 3 6 0,00 NH 6 6 100 Jumlah menurun 30 11 4 6 51 Producers Accuracy 83 36 75 100 74,51 56,47 38 Matrik Konfusi Antara Klasifikasi FCD dengan lbds Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 21 9 1 31 67 H2 7 1 8 87 H1 1 2 2 1 6 33 NH 6 6 100 Jumlah menurun 24 16 3 8 51 Producers Accuracy 95 43 66 75 70,59 55,24 38 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan Kanopi Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 27 2 1 30 90 H2 2 5 1 8 62 H1 1 5 1 7 71 NH 6 6 100 Jumlah menurun 30 7 7 7 51 Producers Accuracy 93 71 71 85 84,31 74,11 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan LAI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 20 9 1 30 66 H2 3 2 3 8 25 H1 2 1 3 1 7 42 NH 6 6 100 Jumlah menurun 25 12 7 7 51 Producers Accuracy 80 16 42 85 60,78 38,70 31 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan Tegakan Diameter 5cm Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 24 6 30 80 H2 4 3 1 8 37 H1 1 5 1 7 14 NH 6 6 100 Jumlah menurun 29 14 2 6 51 Producers Accuracy 82 21 50 100 66,67 44,74 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan Volume Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 21 7 2 30 70 H2 1 6 1 8 75 H1 1 2 2 2 7 28 NH 6 6 100 Jumlah menurun 23 15 5 8 51 Producers Accuracy 91 40 40 75 68,63 52,22 35 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan CSI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 23 6 1 30 76 H2 4 4 8 50 H1 1 3 3 7 NH 6 6 100 Jumlah menurun 28 13 4 6 51 Producers Accuracy 82 30 75 100 70,59 51,98 36 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan CDI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 26 3 1 30 86 H2 4 3 1 8 37 H1 1 2 4 7 57 NH 6 6 100 Jumlah menurun 31 8 6 6 51 Producers Accuracy 83 37 66 100 76,47 59,97 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan VCR Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 24 5 1 30 80 H2 5 3 8 37 H1 1 3 3 7 NH 6 6 100 Jumlah menurun 30 11 4 6 51 Producers Accuracy 80 27 75 100 70,59 50,61 36 Matrik Konfusi Antara Klasifikasi Maximum Likelihood dengan lbds Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 23 7 30 76 H2 1 6 1 8 75 H1 1 2 2 2 7 NH 6 6 100 Jumlah menurun 25 15 3 8 51 Producers Accuracy 92 40 66 75 72,55 57,04 37 Matrik Konfusi Antara Klasifikasi Fuzzy dengan Kanopi Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 27 2 1 30 90 H2 3 1 4 H1 5 4 1 10 40 NH 1 6 7 85 Jumlah menurun 30 7 7 7 51 Producers Accuracy 90 57 85 72,55 54,05 37 Matrik Konfusi Antara Klasifikasi Fuzzy dengan LAI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 19 9 1 1 30 63 H2 2 1 1 4 25 H1 4 2 3 1 10 30 NH 1 6 7 85 Jumlah menurun 25 12 6 8 51 Producers Accuracy 76 8 50 75 56,86 33,49 29 Matrik Konfusi Antara Klasifikasi Fuzzy dengan Tegakan Diameter 5cm Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 23 6 1 30 76 H2 2 2 4 5 H1 4 5 1 10 10 NH 1 6 7 85 Jumlah menurun 29 13 3 6 51 Producers Accuracy 79 15 33 100 62,75 39,70 32 Matrik Konfusi Antara Klasifikasi Fuzzy dengan Volume Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 21 8 1 30 70 H2 1 2 1 4 50 H1 1 5 3 1 10 30 NH 7 7 100 Jumlah menurun 23 15 5 8 51 Producers Accuracy 91 13 60 87 64,71 47,39 33 Matrik Konfusi Antara Klasifikasi Fuzzy dengan CSI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 22 7 1 30 73 H2 2 2 4 50 H1 4 4 2 10 NH 1 6 7 85 Jumlah menurun 28 13 4 6 51 Producers Accuracy 78 15 50 100 62,75 40,44 32 Matrik Konfusi Antara Klasifikasi Fuzzy dengan CDI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 25 4 1 30 83 H2 3 1 4 H1 3 3 4 10 40 NH 1 6 7 85 Jumlah menurun 31 7 7 6 51 Producers Accuracy 80 57 100 68,63 46,70 35 Matrik Konfusi Antara Klasifikasi Fuzzy dengan VCR Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 23 6 1 30 76 H2 3 1 4 25 H1 4 4 2 10 NH 1 6 7 85 Jumlah menurun 30 11 4 6 51 Producers Accuracy 76 9 50 100 62,75 38,48 32 Matrik Konfusi Antara Klasifikasi Fuzzy dengan lbds Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 22 8 30 73 H2 1 3 4 75 H1 1 5 3 1 10 NH 7 7 100 Jumlah menurun 24 16 3 8 51 Producers Accuracy 91 18 100 87 68,63 52,86 35 Matrik Konfusi Antara Klasifikasi Belief dengan Kanopi Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 21 2 1 24 87 H2 8 8 H1 1 4 5 1 11 45 NH 1 1 6 8 75 Jumlah menurun 30 7 7 7 51 Producers Accuracy 70 71 85 62,75 42,73 32 Matrik Konfusi Antara Klasifikasi Belief dengan LAI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 16 7 1 24 66 H2 5 3 8 37 H1 4 1 5 1 11 45 NH 1 1 6 8 75 Jumlah menurun 25 12 7 7 51 Producers Accuracy 64 25 71 85 58,82 39,56 30 Matrik Konfusi Antara Klasifikasi Belief dengan Tegakan Diameter 5cm Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 19 5 24 79 H2 7 1 8 12 H1 2 7 2 11 18 NH 1 1 6 8 75 Jumlah menurun 28 14 3 6 51 Producers Accuracy 67 7 66 100 54,90 32,43 28 Matrik Konfusi Antara Klasifikasi Belief dengan Volume Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 16 8 24 66 H2 5 1 2 8 12 H1 2 5 3 1 11 27 NH 2 6 8 75 Jumlah menurun 23 14 7 7 51 Producers Accuracy 69 7 42 85 50,98 29,32 26 Matrik Konfusi Antara Klasifikasi Belief dengan CSI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 18 5 1 24 75 H2 7 1 8 12 H1 2 7 2 11 18 NH 1 1 6 8 75 Jumlah menurun 28 13 4 6 51 Producers Accuracy 64 7 50 100 52,94 29,37 27 Matrik Konfusi Antara Klasifikasi Belief dengan CDI Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 22 1 1 24 91 H2 7 1 8 12 H1 1 5 5 11 45 NH 1 1 6 8 75 Jumlah menurun 31 8 6 6 51 Producers Accuracy 71 12,5 83 100 66,67 48,36 34 Matrik Konfusi Antara Klasifikasi Belief dengan VCR Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 20 3 1 24 83 H2 7 1 8 12 H1 2 7 2 11 18 NH 1 1 6 8 75 Jumlah menurun 30 11 4 6 51 Producers Accuracy 66 9 50 100 56,86 34,04 29 Matrik Konfusi Antara Klasifikasi Belief dengan lbds Klasifikasi Data lapangan Jumlah Users Overall Akurasi H3 H2 H1 NH Mendatar Accuracy Accuracy Kappa H3 17 7 24 70 H2 5 3 8 37 H1 2 5 3 1 11 27 NH 1 1 6 8 75 Jumlah menurun 24 16 4 7 51 Producers Accuracy 70 18 75 85 56,86 37,56 Lampiran 11 Matrik Konfusi Antara 2 Kelas Degradasi di Citra dengan Degradasi di Lapangan REF Matrik Konfusi Antara Klasifikasi Degradasi FCD dengan Peubah Tegakan 5CM HA Klasifikasi Data lapangan Jumlah Users Overall Akurasi Berat Sedang Ringan Tetap Mendatar Accuracy Accuracy Kappa Berat 9 1 10 90 Ringan 7 14 21 66 Tetap 1 4 15 20 75 Jumlah menurun 9 8 19 15 51 Producers Accuracy 100 73 100 74,51 63,41 ABSTRACT SIGIT NUGROHO. Detection Method of Forest Degradation Using Landsat Satelite Image at Dry Land Forest in Gunung Halimun Salak National Park. Supervised by I Nengah Surati Jaya, M Buce Saleh and Antonius B Wijanarto. The study examined forest canopy density FCD, maximum likelihood, fuzzy and belief dempster shafer for detecting forest degradation. Identification of forest degradation includes a identification of terrestrial stand variable stand density, basal area and volume by evaluating their correlation with optical based stand variables LAI, CSI, CDI, VCR and canopy density; b accuracy analysis; c post classification analysis and; d forest degradation detection. The study found that the best method to detect four stand density classes is FCD method having 61 of overall accuracy. The other three methods provide 57 for maximum likelihood, 49 for fuzzy and only 45 for belief dempster shafer. The study concludes that medium size spatial resolution namely Landsat image, could be usefull to detect two degradation classes having accuracy of 74 using FCD method. Less accurate detection of forest degradation is provided when three degradation classes were used. Keywords: forest degradation, FCD, maximum likelihood, fuzzy, belief dempster shafer RINGKASAN SIGIT NUGROHO. Metode Deteksi Degradasi Hutan Menggunakan Citra Satelit Landsat di Hutan Lahan Kering Taman Nasional Gunung Halimun Salak. Dibimbing oleh I Nengah Surati Jaya, M Buce Saleh dan Antonius B Wijanarto Indonesia merupakan salah satu negara yang mempunyai laju deforestasi yang tinggi yaitu 1,1 juta Hath Dephut 2008. Indonesia telah mengakomodasi pentingnya pengurangan degradasi hutan untuk mengurangi emisi melalui Reducing Emissions from Deforestation and Forest Degradation REDD sejak tahun 2009. Deteksi degradasi hutan menggunakan teknologi penginderaan jauh masih menjadi masalah yang krusial untuk mendukung prosedur operasional monitoring, reporting and verification MRV REDD. Deteksi degradasi belum mempunyai metode standar klasifikasi perubahan kelas tutupan hutan pada citra maupun keadaan di lapangan. Berkenaan dengan hal tersebut maka pada penelitian ini dikaji beberapa metode klasifikasi berbasis piksel serta kelas-kelas degradasi hutan yang terukur dilapangan untuk deteksi degradasi hutan. Tujuan utama penelitian ini adalah mengidentifikasi metode dan membangun prosedur yang tepat untuk deteksi degradasi hutan. Tujuan khususnya adalah 1 mengidentifikasi peubah yang dapat digunakan sebagai indikator degradasi hutan di lapangan, 2 mengevaluasi tingkat akurasi klasifikasi kerapatan hutan menggunakan metode FCD, maximum likelihood, fuzzy dan belief-dempster shafer, 3 mengevaluasi tingkat akurasi deteksi degradasi hutan di Taman Nasional Gunung Halimun Salak TNGHS. Metode deteksi degradasi hutan yang diuji adalah metode berbasis piksel dengan menggunakan metode post classification comparison PCC. Metode klasifikasi citra yang digunakan adalah forest canopy density, maximum likelihood, fuzzy dan belief –dempster shafer. Metode identifikasi peubah kelas degradasi hutan dilapangan adalah dengan menggunakan analisis korelasi antara indikator tegakan yaitu volume, lbds dan kerapatan tegakan dengan indikator tajuk yaitu Crown Size Index CDI, Crown Damage Index CDI, Visual Crown Rating VCR dan Leaf Area Index LAI dan kerapatan tajuk. Uji hasil klasifikasi kerapatan hutan dan degradasi hutan menggunakan overall accuracy dan analisis Kappa. Hasil analisis regresi antara indikator tajuk dengan luas bidang dasar dan volume mempunyai koefisien determinasi yang rendah. Hasil analisis regresi antara indikator tajuk dengan kerapatan tegakan mempunyai koefisien determinasi yang lebih baik sehingga indikator kerapatan tegakan terpilih sebagai indikator deteksi degradasi hutan dilapangan. Kerapatan tegakan hutan alam yang terpilih adalah tegakan berdiameter 5 cm. Identifikasi peubah indikator tajuk yang dapat digunakan untuk pendugaan kerapatan tegakan diameter 5 cm adalah peubah VCR dan kerapatan kanopi. Koefisien determinasi peubah VCR adalah 63 dan peubah kerapatan kanopi adalah 67. Peubah CSI, CDI dan LAI mempunyai koefisien determinasi yang rendah. Hasil uji klasifikasi yang terbaik menggunakan empat kelas kerapatan hutan dengan indikator kerapatan tegakan adalah metode FCD dengan akurasi 61. Akurasi metode lainnya adalah 57 maximum likelihood, 51 fuzzy dan 49 belief . Hasil uji klasifikasi menggunakan tiga kelas kerapatan hutan dengan indikator kerapatan tegakan yang terbaik adalah FCD dengan akurasi 72 FCD. Akurasi metode lainnya adalah 67 maximum likelihood, 63 fuzzy dan 55 belief . Berdasarkan hasil uji akurasi klasifikasi maka metode yang mempunyai akurasi tertinggi adalah klasifikasi FCD sehingga metode klasifikasi FCD digunakan untuk uji akurasi deteksi degradasi hutan. Berdasarkan uji akurasi deteksi degradasi hutan temporal menggunakan 3 kelas degradasi hutan dari tahun 2003 sampai tahun 2008 dengan data lapangan kerapatan tegakan dihasilkan akurasi 68 . Uji akurasi deteksi degradasi hutan temporal menggunakan reklasifikasi dari 3 kelas degradasi hutan menjadi 2 kelas degradasi hutan adalah 74, sehingga metode FCD untuk deteksi degradasi hutan menggunakan 2 kelas adalah yang terbaik. Kata kunci: degradasi hutan, FCD, maximum likelihood, fuzzy, belief dempster shafer. I. PENDAHULUAN

1.1 Latar Belakang

Indonesia merupakan salah satu negara yang mempunyai hutan tropis terbesar di dunia. Luas kawasan hutan Indonesia adalah 137 juta hektar, akan tetapi laju deforestasi dari tahun 2003 - 2006 telah mencapai angka lebih besar dari 1,174 Juta Ha pertahun DEPHUT 2008. Sedangkan menurut Food and Agriculture Organizations angka deforestasi di Indonesia dari tahun 2000-2005 mencapai 1,9 juta Ha pertahun FAO 2005. Isu deforestasi dan degradasi hutan mendapatkan perhatian serius dari masyarakat internasional yang mencatat bahwa deforestasi di negara berkembang menyumbang emisi CO 2 sekitar 20 dari emisi global. Intergovermental Panel on Climate Change IPCC menyebutkan bahwa deforestasi dan degradasi hutan menyumbang 40 dari emisi gas rumah kaca yang merupakan penyebab pemanasan global IPCC 2007. Conference of Party United Nations Framework Convention of Climate Change COP UNFCC ke 13 telah mengakomodasi pencegahan degradasi hutan untuk mengurangi emisi melalui reducing emissions from deforestation and forest degradationREDD Murdiyarso et al. 2008. Memasukkan unsur degradasi hutan dalam REDD mempunyai dampak positif dalam adaptasi perubahan iklim dan penyediaan jasa lingkungan. Berbeda dengan deforestasi yaitu perubahan penutupan hutan menjadi nonhutan, degradasi hutan merupakan suatu proses yang sulit dibedakan karena melibatkan proses penurunan kualitas kanopi hutan dan struktur vertikal kanopi hutan dalam jangka waktu yang lama Panta et al. 2008. Proses degradasi merupakan proses yang panjang untuk kemudian menjadi deforestasi. Menurut Penman et al. 2003, untuk mendapatkan prosedur operasional monitoring, reporting and verification MRV tentang degradasi hutan masih menjadi masalah yang krusial. Permasalahan utamanya adalah belum adanya standar tentang metode klasifikasi degradasi hutan, baik menggunakan citra penginderaan jauh maupun degradasi hutan yang terukur di lapangan. Demikian pula metode pengukurannya belum dirumuskan secara baku. Sistem pemantauan yang komprehensif akan dapat menghasilkan data dan indikator tutupan hutan dengan frekuensi yang lebih baik, guna menampung kebutuhan informasi terkini bagi pesatnya perkembangan proses REDD Kanninen et al. 2009. Metode deteksi menggunakan data penginderaan jauh telah digunakan untuk menilai kerapatan kanopi hutan sebagai indikator degradasi hutan Hadi et al. 2004; Joshi et al. 2006. Penggunaan persentase kerapatan kanopi menggunakan citra satelit Landsat untuk deteksi degradasi menghasilkan akurasi yang tinggi dan sangat menjanjikan Panta et al. 2008; Hwan dan Merlinda 2008. Teknologi analisis spasial saat ini telah menggunakan teknologi sistem informasi geografis dan penginderaan jauh yang dapat menyajikan data secara real time dan time series sehingga dapat bermanfaat bagi MRV. Teknologi penginderaan jauh dengan menggunakan data satelit dapat mempercepat kegiatan deteksi dan pemantauan tersebut dengan hasil yang akurat, mencakup areal yang luas dan dapat dilakukan secara kontinyu. Teknologi penginderaan jauh secara teoritis dan empiris mampu untuk melakukan deteksi dan pemantauan laju deforestasi dan degradasi hutan yang berkaitan dengan posisi geografis, waktu, apa penyebab, prediksi dan bagaimana antisipasinya. Deteksi degradasi menggunakan data penginderaan jauh memiliki tantangan teknis yang lebih besar daripada memantau deforestasi Defries et al. 2007. Kebutuhan data tentang degradasi hutan sangat mendesak untuk menentukan kebijakan tentang sistem MRV dalam REDD. Kebutuhan data tidak hanya data angka tabular tetapi juga data spasial yang mampu menyajikan data angka atau numerik maupun data spasial. Oleh sebab itu diperlukan metode deteksi menggunakan data penginderaan jauh untuk pengelolaan hutan dengan data terbaru yang dapat diperoleh secara cepat, akurat dan efisien Jaya 2009. Data penginderaan jauh yang didukung oleh observasi di lapangan merupakan kunci pemantauan yang efektif dan efisien Kanninen et al. 2009. Kebutuhan data untuk MRV pada mekanisme REDD juga sangat diperlukan pada kawasan konservasi. Salah satu kawasan konservasi terbesar di Jawa yang sangat membutuhkan data degradasi adalah Taman Nasional Gunung Halimun Salak TNGHS. Taman nasional ini juga telah mengalami deforestasi yang