Hasil Uji Akurasi Kerapatan Hutan Menggunakan 4 Kelas Kerapatan
Klasifikasi belief kurang baik digunakan untuk klasifikasi kerapatan hutan. Akurasi klasifikasi ini menunjukkan bahwa akurasinya dibawah 60
untuk semua indikator lapangan kecuali indikator kerapatan kanopi. Akurasi tertinggi hanya didapatkan pada indikator kerapatan kanopi 65. Penggunaan
kerapatan hutan lainnya diantaranya LAI, CSI, CDI, VCR dan Lbds mempunyai akurasi yang rendah.
Pada indikator lapangan menggunakan indikator tajuk crown indikator yaitu CSI, CDI dan VCR, klasifikasi FCD mempunyai akurasi yang rendah.
Crown indicator merupakan indikator tegakan yang tidak hanya mencerminkan dimensi horizontal tajuk tetapi juga vertikal dan kualitas tajuk. Berdasarkan
indikator ini maka FCD tidak dapat digunakan untuk mendeteksi kualitas tajuk. Sedangkan untuk dimensi horizontal tajuk yaitu menggunakan kerapatan kanopi
mempunyai akurasi yang tinggi yaitu 86. Hal ini berarti bahwa apabila kerapatan tajuk digunakan sebagai indikator degradasi hutan sehingga klasifikasi
FCD dapat diterapkan dengan baik. Indikator lain yang sering digunakan dalam klasifikasi kerapatan hutan
adalah dengan LAI. Indek luas daun LAI merupakan total luas daun yang pada tegakan. LAI biasanya digunakan dalam pendugaan biomasa dan untuk
identifikasi degradasi hutan. Klasifikasi FCD mempunyai akurasi yang rendah 53 untuk klasifikasi LAI sehingga tidak dapat diterapkan untuk mendeteksi
LAI. Indikator kerapatan hutan dapat pula didekati dengan luas bidang dasar.
Klasifikasi FCD untuk mendeteksi luas bidang dasar ini menunjukkan akurasi yang rendah yaitu 58. Hal ini dapat dikatakan bahwa FCD tidak dapat
digunakan untuk mendeteksi degradasi hutan dengan menggunakan klasifikasi kerapatan berdasarkan luas bidang dasar.
Tingkat akurasi pada masing-masing kelas kerapatan hutan dapat dilihat pada Tabel 18. Berdasarkan Tabel 18 maka dapat disimpulkan bahwa perbedaan
kelas kerapatan hutan pada klasifikasi FCD berpengaruh terhadap tingkat akurasinya. Hal ini dapat dilihat pada user accuracy pada kelas hutan kerapatan
rendah H1, kerapatan sedang H2 dan kerapatan sangat tinggi H4 mempunyai
akurasi dibawah 85, sedangkan pada kelas hutan tinggi mempunyai akurasi lebih besar dari 85.
Tabel 18 Hasil uji akurasi klasifikasi FCD, Maximum Likelihood, Fuzzy dan Belief Demspter Shafer per 4 kelas kerapatan hutan.
No Kerapatan hutan
Hasil Uji Akurasi
FCD Maximum Likelihood
Fuzzy Belief
User ’s
Accuracy Produser
Accuracy User
’s Accuracy
Produser Accuracy
User ’s
Accuracy Produser
Accuracy User
’s Accuracy
Produser Accuracy
1
NH 100
86 100
85 85
85 85
85
2
H1 83
71 86
86 40
40 54
75
3
H2 62
83 62
71 28
28
4
H3 92
92 88
84 80
91 83
77
5
H4 80
80 75
30 100
25 100
20
Keterangan: NH = Non Hutan, H1 = Kerapatan Rendah, H2 = Kerapatan Sedang, H3= Kerapatan Tinggi, H4 = Kerapatan Sangat Tinggi
Akurasi klasifikasi menggunakan user ’s acuracy yang mempunyai akurasi
rendah hanya pada kelas kerapatan hutan sedang yaitu 62. Hal ini berarti bahwa klasifikasi menggunakan FCD kurang baik digunakan pada kelas kerapatan
sedang atau rendah. Oleh sebab itu maka klasifikasi FCD pada kelas kerapatan hutan tinggi dapat digunakan secara baik. Akan tetapi apabila menggunakan dua
indikator akurasi yaitu producer’s acuracy dan user’s acuracy maka hanya pada
klas kerapatan tinggi yang mempunyai akurasi lebih besar dari 85. Hal ini dapat diartikan bahwa algoritma yang dibangun oleh FCD kurang dapat meminimalkan
efek latar belakang tanah dalam mempengaruhi nilai spektral pada kelas kerapatan hutan sedang dan rendah. Akan tetapi pada kelas kerapatan tinggi algortima yang
dibangun oleh metode FCD terbukti dapat mengurangi efek latar belakang tanah. Berdasarkan Tabel 18 maka dapat disimpulkan bahwa dengan menggunakan
producer ’s accuracy dan user’s accuracy maka hanya pada kelas hutan kerapatan
rendah yang dapat diklasifikasi dengan baik oleh klasifikasi maximum likelihood. Pada kerapatan hutan, sedang dan sangat tinggi mempunyai tingkat akurasinya
yang rendah. Hal ini disebabkan pada kelas kerapatan hutan sedang terdapat kesalahan
yang tinggi akibat dari heterogenitas dari tutupan hutan yang bercampur antara tanah dan vegetasi hutan. Pada hutan yang mempunyai kerapatan tinggi
mempunyai akurasi yang rendah dikarenakan pengaruh tutupan kanopi hutan yang
tegakan yang berdiameter lebih besar dari 20 cm. Pada kerapatan hutan yang tinggi dimungkinkan tegakan dibawah 20 cm tidak dapat direkam oleh sensor
satelit. Pada kerapatan hutan sedang terdapat beberapa kelas yang masuk pada kelas pertanian lahan kering sehingga berakibat tingkat akurasinya menjadi rendah
Pada klasifikasi fuzzy hanya dapat digunakan pada kerapatan hutan yang sangat tinggi karena mempunyai user
’s accuracy lebih besar dari 85. Sedangkan pada kelas hutan yang kerapatannya lebih rendah maka akurasinya
lebih rendah dari 85. Hal ini disebabkan karena pada saat penentuan piksel training area merupakan training area yang bercampur sehingga pada hasil
klasifikasinya terdapat beberapa kelas yang masuk ke kelas lainnya. Penentuan fungsi keanggotaan juga menentukan kualitas dari hasil klasifikasi ini.
Pada klasifikasi belief, kerapatan hutan yang sangat rendah dan rendah mempunyai tingkat akurasi yang rendah. Pada kerapatan hutan sedang dan
tinggi mempunyai akurasi yang lebih baik. Hal ini dapat dilihat pada user’s
accuracy yang kelas H1, H2 dan H3 yang mempunyai akurasi dibawah 85.