tersebut maka dapat disimpulkan bawah tanaman Eucalyptus grandis pada citra ALOS PALSAR resolusi 6.25 m dapat diklasifikasi kedalam tiga kelas.
Selanjutnya untuk akurasi Citra ALOS PALSAR resolusi 50 m dengan peubah terpilih adalah tinggi pohon disajikan pada Tabel 25.
Tabel 25 Akurasi klasifikasi citra ALOS PALSAR resolusi 50 m.
Kelas Prediksi Anggota
Kelompok Total
3 4
3 13
5 18
4 18
24 42
Jumlah 31
29 60
Keterangan : Hit Ratio akurasi = 3760100=61.7 Dari hasil analisis diketahui hit ratio adalah 61.7 . Berdasarkan
hasil tersebut maka dapat disimpulkan bawah tanaman Eucalyptus grandis pada citra ALOS PALSAR resolusi 50 m dapat diklasifikasi kedalam dua
kelas.
IV SIMPULAN DAN SARAN 4.1 Simpulan
Darihasilpembahasandapatdisimpulkansebagaiberikut : 1.
Variasi backscatter tegakan tanaman Eucalyptus grandis pada citra ALOS PALSAR resolusi 50 m dipengaruhi oleh variasi peubah tinggi
pohon m, sedangkan pada citra ALOS PALSAR resolusi 6,25 dipengaruhi oleh variasipeubahluastajuk m²plot danjumlahpohon n.
2. Citra ALOS PALSAR resolusi 6,25 m mampu mengelompokan tegakan
Eucalyptus grandis kedalam tiga 3 kelas yaitu kelas dua, kelas empat
dan kelas lima dengana kurasi 85 . 3.
Citra ALOS PALSAR resolusi 50 m mampu mengelompokan tegakan Eucalyptus grandis
kedalam dua 2 kelas yaitu kelas tiga dan kelas empat dengan akurasi 61.7 .
4.2 Saran
1. Perlu dilakukan penelitian yang sama dengan citra ALOS PALSAR yang
memiliki slope corrected data dan memperbaiki atau mereduksi noise. 2.
Perlu dilakukan kajian backscatter pada hutan tanaman Eucalyptus grandis
di daerah dataran rendah untuk melihat polarisasi HH atau HVdengan karakteristik tempat tumbuh yang berbeda.
DAFTAR PUSTAKA
Awaya,T Takahashi., Y Kiyono, H. Saito, M. Shimada, INS Jaya, MB Saleh and Limin SH. 2009.Landcover Monitoring and Biomass
Estimation Using PALSAR Data in Palangkaraya, Indonesia, dalam; Workshop on Exploring The Use of ALOS PAlSAR for
Forets Resource Management; Development of Forest Degradation Index and Carbon Emission Estimation Method Using
PALSAR Data In Indonesia
. 3 November 2009. DiGiacomo PM, L. Washburn, B Holt, Burton HJ. 2004. Coastal pollution
hazards in southern California observed by SAR imagery: storm water plumes, wastewater plumes, and natural hydro carbon seeps.
Marine Pollution Bulletin 49:1013–1024.
Envisat Environment Satelit.2002. SAR Sample Porduct.PO-MO-ESA-GS- 1005 Envisat Post Launch Product.
Filho P, Wardir RP, SWP Rodrigues ,FR Costa, JC Mura , FD Gonçalves. 2011. Discrimination of coastal wetland environments in the
Amazon region based on multi-polarized L-band airborne Synthetic Aperture Radar imagery. Estuarine, Coastal and Shelf Science
30:11.
Harrell PA,BargeauL.L Chavez, Kasischke, E.SN, H.F French, Christensen
N. L. 1995. Sensitivity of ERS-1 and JERS-1 radar data to biomass and stand structure in Alaskan boreal forest. Remote Sensing of
Environment 54:247-260.
Herman PMJ, Dool AW. 2005. Characterisation of surface roughness and
sediment texture of intertidal flats using ERS SAR imagery. Remote Sensing of Environment 98:96-109.
Jaya, INS 2009.Analisis Citra Dijital ;Prespektif Pengindraan Jauh Untuk Pengelolaan Sumberdaya Alam. Teori dan Praktek menggunakan
ERDAS Imagine Fakultas Kehutanan IPB.
