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