Pengolahan Data

3.5.2 Pengolahan Data

Pengolahan data yang dilakukan meliputi penghitungan biomassa pohon pada masing-masing tipologi lahan pada skala plot dan pengolahan citra.

- Penentuan biomassa pohon pada skala plot Penentuan biomassa pohon pada skala plot dari beberapa jenis pohon

dilakukan dengan metode non destructive sampling, yaitu melakukan penghitungan menggunakan beberapa persamaan alometrik spesifik yang telah tersedia (Tabel 3). Metode ini merupakan salah satu metode yang dapat dilakukan dalam pendugaan biommasa pohon tanpa menyebabkan kerusakan pohon (Brown, 1997; Hairiah & Rahayu, 2007). Pada sebagian besar kegiatan pendugaan karbon biomassa pohon, metode ini lebih sering digunakan seperti halnya yang dilakukan oleh Rahayu et al. (2004) dalam pendugaan cadangan karbon di Kabupaten Nunukan, begitu juga halnya dalam penelitian yang dilakukan oleh Hairiah et al. (2001), Heriansyah et al. (2003); MacDicken (1997) dan Snowdown et al. (2002).

Pemilihan persamaan alometrik yang tepat merupakan salah satu komponen utama yang harus diperhatikan dalam melakukan pendugaan biomassa menurut Chave et al. (2004) penyebab kesalahan utama dalam pendugaan biomassa adalah dalam pemilihan model. Hal yang perlu diperhatikan dalam pemilihan persamaan alometrik adalah kesesuaian jenis, kondisi lokasi dan selang diameter dimana alometrik tersebut disusun. Adapun persamaan alometrik penduga biomassa pohon yang akan digunakan dalam penelitian ini adalah seperti yang disajikan pada Tabel 3. Model-model tersebut merupakan model yang memiliki kesesuain jenis dan kondisi lokasi penelitian. Model-model persamaan yang dipilih dihasilkan dari lokasi yang memiliki kondisi kurang lebih sama dengan lokasi penelitian, yaitu daerah Cianjur, Puncak, Ciamis, Wonosobo. Persamaan spesifik jenis menjadi salah satu kendala dalam pendugaan biomassa di daerah tropis karena daerah tropis memiliki jumlah jenis yang sangat banyak, sehingga diperlukan model persamaan campuran (mix species model) dari beberapa jenis (Chave et al, 2005). Dalam penelitian ini, jika persamaan spesifik jenis tidak tersedia maka akan digunakan persamaan Chave et al. (2005), dipilih model berikut karena model ini merupakan hasil pengembangan dan koreksi dari beberapa model sebelumnya yang telah ada, jumlah pohon contoh yang besar (2410 pohon), beberapa site penelitiannya di Indonesia serta model ini spesifik Pemilihan persamaan alometrik yang tepat merupakan salah satu komponen utama yang harus diperhatikan dalam melakukan pendugaan biomassa menurut Chave et al. (2004) penyebab kesalahan utama dalam pendugaan biomassa adalah dalam pemilihan model. Hal yang perlu diperhatikan dalam pemilihan persamaan alometrik adalah kesesuaian jenis, kondisi lokasi dan selang diameter dimana alometrik tersebut disusun. Adapun persamaan alometrik penduga biomassa pohon yang akan digunakan dalam penelitian ini adalah seperti yang disajikan pada Tabel 3. Model-model tersebut merupakan model yang memiliki kesesuain jenis dan kondisi lokasi penelitian. Model-model persamaan yang dipilih dihasilkan dari lokasi yang memiliki kondisi kurang lebih sama dengan lokasi penelitian, yaitu daerah Cianjur, Puncak, Ciamis, Wonosobo. Persamaan spesifik jenis menjadi salah satu kendala dalam pendugaan biomassa di daerah tropis karena daerah tropis memiliki jumlah jenis yang sangat banyak, sehingga diperlukan model persamaan campuran (mix species model) dari beberapa jenis (Chave et al, 2005). Dalam penelitian ini, jika persamaan spesifik jenis tidak tersedia maka akan digunakan persamaan Chave et al. (2005), dipilih model berikut karena model ini merupakan hasil pengembangan dan koreksi dari beberapa model sebelumnya yang telah ada, jumlah pohon contoh yang besar (2410 pohon), beberapa site penelitiannya di Indonesia serta model ini spesifik

Tabel 3. Persamaan allometrik penduga biomassa pohon

Jenis pohon

Persamaan

Sumber Karet 2 Y=419-16,9D+0,322D Cesylia (2009)

Mahoni 2,68 Y = 0,048 D Adinugroho (2002) Kopi 2,06 Y = 0,281 D Arifin (2001) Pisang 2,13 Y = 0,030 D dalam Hairiah et al. (2001)

Priyadarsini (1998) Bambu

Y = 0,131 D dalam Hairiah et al. (2001) Sengon 2,5596 Y= 0,0579D Rusolono (2006)

Pinus 2,26 Y = 0,206 D Hendra (2002) Frangi&Lugo (1985)

Palm Y=4,5+7,7 H stem dalam Brown (1997) Pohon lain 2 Ln Y= -1,576+2,179lnD +0,198(lnD) -

3 Chave et al. (2005) 0,0272(lnD) +1, 036ln ρ

Y = biomassa pohon (kg/pohon), D = diameter pohon (cm), ρ = berat jenis kayu (gr/cm3)

- Penentuan C-stock dalam skala plot Cadangan karbon (C-stock) dihitung dengan menggunakan pendekatan

biomassa, dimana karbon dioksida yang diserap tanaman melalui proses fotosintesis disimpan dalam bentuk biomassa. Cadangan karbon yang tersimpan dalam bentuk biomassa dapat diketahui dengan mengalikan biomassa dengan fraksi karbon dari biomassa tersebut, yang secara umum sebesar 0,50 (0,44-0,55), Tabel 4 (IPCC, 2006).

Tabel 4. Fraksi karbon dari biomassa di daerah Tropis/Sub Tropis Bagian pohon

Referensi semua

Fraksi Karbon

Mc Groddy et al., 2004 semua

0,47 (0,44-0,49)

Andreas and Merlet, 2001; Chambers et al., 2001; Mc Groddy et al ., 2004, Lasco and Pulhin, 2003

Feldpausch et al., 2004 Kayu, pohon D<10cm

kayu

Hughes et al., 2000 Kayu, pohon D>10cm

Hughes et al., 2000 foliage

Feldpausch et al., 2004 Foliage, pohon D<10cm

Hughes et al., 2000 Foliage, pohon D>10cm

Hughes et al., 2000

Sumber : IPCC (2006)

- Pengolahan Citra Alos AVNIR-2 (Advanced Visible and Near Infrared Radiomater type 2)

merupakan citra yang akan digunakan untuk melakukan interpretasi tutupan lahan di Hulu DAS Kali Bekasi pada tahun 2009. Citra Alos AVNIR-2 mempunyai karakteristik sebagai berikut (JAXA, 2008) :

Jumlah band

Panjang gelombang : Band 1 (0.42-0.50 μm)

Band 2 (0,52-0,60 μm) Band 3 (0,61-0,69 μm) Band 4 (0,76-0,89 μm)

Resolusi spasial

: 10 m

Resolusi radiometrik : 8 bit Resolusi temporal

: 46 (revisit, hari)

Waktu peluncuran

Pengolahan citra dilakukan melalui beberapa tahapan, yaitu :

1) Koreksi Citra Pengolahan awal meliputi pemeriksaan dan koreksi data asli dari distorsi radiometris dan geometris. Pemeriksaan data dari distorsi radiometris pengaruh atmosfer dilakukan dengan metode histogram adjustment, yaitu histogram nilai digital setiap kanal diperiksa untuk mengetahui nilai minimumnya selanjutnya apabila nilai tersebut tidak sama dengan nol, maka dilakukan koreksi dengan pengurangan nilai setiap piksel pada kanal tersebut sebesar nilai minimumnya.

Koreksi geometris dilakukan dengan mencari sejumlah ground control point (GCP) yang dapat dikenali baik pada citra maupun peta acuan dan dicatat koordinatnya. GCP yang dicari adalah tersebar merata dan relatif permanen dalam kurun waktu pendek. Jumlah minimum GCP dirumuskan sebagai berikut: Jumlah GCP minimum = (t+1)((t+2)/2) Dalam hal ini nilai t adalah ordo persamaan transformasi. Persamaan transformasinya adalah dengan Orde 1 (Affine transformation), yaitu sebagai berikut: p' = a0 + a1x + a2y l' = b0 + b1x + b2y

Selanjutnya dilakukan resampling dengan metode tetangga terdekat (nearest neighbourhood interpolation ) karena metode ini paling efisien dan tidak mengubah nilai digital number (DN) yang asli. Kemudian dilakukan eliminasi GCP yang menyebabkan nilai Root Mean Square Error (RMSE) tinggi, sampai dicapai nilai RMSE < 0,5 pixel. RMSE dapat dinyatakan dengan rumus sebagai berikut:

Dalam hal ini: P original ,I original = koordinat asli dari GCP pada citra P', I' = koordinat estimasi

2) Pemilihan Kanal Spektral Pemilihan kanal spektral untuk klasifikasi dilakukan dengan menggunakan metode Optimum Index Factor (OIF). Kombinasi tiga kanal spektral yang terpilih adalah kombinasi yang memiliki nilai OIF tertinggi. Adapun rumus untuk menghitung OIF adalah sebagai berikut:

Dalam hal ini: S = simpangan baku r = koefisien korelasi

3) Penajaman Citra Tujuan dari penajaman citra adalah untuk memperbaiki kemampuan mendeteksi obyek pada citra sehingga obyek pada citra dapat lebih mudah diinterpretasikan. Dalam penelitian ini digunakan algoritma penajaman citra linear (percentage linear contrast enhancement) untuk penajaman spektral (spectral enhancement ) dan algoritma penajaman tepi (sharp enhancement) dengan filter high pass untuk penajaman spasial (spatial enhancement).

4) Klasifikasi Terdapat dua pendekatan dasar klasifikasi citra multikanal dalam berbagai bidang terapan penginderaan jauh, yaitu klasifikasi terbimbing (supervised classification ) dan klasifikasi tidak terbimbing (unsupervised classification)

(Lillesand dan Kiefer, 1979; Jaya,1997). Klasifikasi terbimbing didasarkan pada data hasil pekerjaan lapangan atau peta. Pendekatan klasifikasi ini menghasilkan informasi yang lebih realistis dan membuahkan hasil klasifikasi yang lebih akurat daripada klasifikas tidak terbimbing (unsupervised classification) atau analisis cluster yang hanya menghasilkan kelas-kelas spektral yang memerlukan interpretasi lebih lanjut. Metode kemiripan maksimum (maximum likelihood method ) adalah metode yang paling banyak digunakan, dimana digital number (DN) pada kanal untuk setiap kelas mewakili pengamatan yang bebas (independent) dan populasi yang digambarkan mengikuti distribusi normal peubah ganda (multivariate normal distribution).

5) Evaluasi Ketelitian Klasifikasi Penilaian ketelitian klasifikasi dilakukan dengan rumus Kappa Acuracy. Rumus ini digunakan karena memperhitungkan semua elemen dalam matrik kesalahan (Confussion matrix). Rumus kappa accuracy ini juga digunakan untuk menguji kesignifikasian dua matrik kesalahan yang berasal dari metode yang berbeda atau kombinasi kanal yang berbeda (Jaya, 1997).