KAJIAN SPASIAL SEBARAN

81
KAJIAN SPASIAL SEBARAN VEGETASI MENGGUNAKAN CITRA IKONOS DAN SISTEM INFORMASI GEOGRAFIS : Studi Kasus di Sub DAS Ciliwung Hulu RADIAGITA DWI PRASATYA DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR BOGOR 2006

description

spasial

Transcript of KAJIAN SPASIAL SEBARAN

Page 1: KAJIAN SPASIAL SEBARAN

KAJIAN SPASIAL SEBARAN VEGETASI MENGGUNAKAN CITRA IKONOS DAN SISTEM INFORMASI GEOGRAFIS :

Studi Kasus di Sub DAS Ciliwung Hulu

RADIAGITA DWI PRASATYA

DEPARTEMEN MANAJEMEN HUTAN

FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR

BOGOR 2006

Page 2: KAJIAN SPASIAL SEBARAN

RINGKASAN

Radiagita Dwi Prasatya (E01400035). Kajian Spasial Sebaran Vegetasi Menggunakan Citra Ikonos dan Sistem Informasi Geografis : Studi Kasus di Sub DAS Ciliwung Hulu. Dibawah Bimbingan Dr. Ir. I Nengah Surati Jaya, M. Agr.

Isu lingkungan yang sedang berkembang sekarang ini adalah pemanasan

global (global warming) dan perubhan iklim serta menurunnya kualitas air sungai dan banjir dimana-mana. Hal tersebut dipicu oleh kegiatan manusia terutama yang berkaitan dengan penggunaan bahan bakar fosil (BBF) dan kegiatan alih guna lahan sehingga menghasilkan gas-gas karbon dioksida (CO2), metana (CH4) dan nitrous oksida (N2O). Di Bogor, jumlah angkutan penumpang dalam 10 tahun terakhir naik hingga 42%. Akibatnya, 100 tahun yang akan datang suhu bumi akan meningkat hingga 4,5oC (Murdiyarso, 2003). Untuk menaggulangi masalah pemanasan global, salah satu upaya yang dilakukan adalah dengan pedagangan karbon (carbon trade). Maka dari itu perlu adanya monitoring kondisi vegetasi terutama di sekitar Daerah Aliran Sungai (DAS). Untuk mengetahui kondisi tutupan lahan di sekitar daerah puncak (Kecamatan Ciawi, Megamendung dan Cisarua), dapat dengan memanfaatkan teknologi penginderaan jauh (Remote Sensing) citra satelit, apalagi sekarang sudah semakin berkembang dengan munculnya citra resolusi tinggi seperti Ikonos, Quickbird dan SPOT V. Dengan teknologi ini, bisa didapatkan informasi spasial mengenai tutupan lahan khususnya vegetasi hijau di sub DAS Ciliwung Hulu yang lebih akurat, efektif dan efisien baik dari segi tenaga maupun biaya.

Tujuan utama penelitian ini adalah untuk mengetahui sampai sejauh mana kemampuan citra Ikonos dalam memberikan informasi tutupan lahan, sedangkan tujuan tambahannya adalah untuk memberikan informasi spasial mengenai sebaran vegetasi di sekitar sub DAS Ciliwung Hulu.

Penelitian dilaksanakan pada bulan April 2004 sampai dengan Agustus 2005 dengan daerah penelitian sub DAS Ciliwung Hulu. Pengolahan data dilakukan di Laboratorium Remote Sensing Departemen Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor. Bahan-bahan yang digunakan adalah citra satelit Ikonos multispektral 4 x 4m dan pankromatik 1 x 1m tahun perekaman 2003, alat-alat yang digunakan adalah Hardware (perangkat keras) berupa seperangkat komputer pribadi (PC), software (perangkat lumak) ERDAS versi 8.4 dan versi 8.7, Arc.View versi 3.2, kamera digital, GPS (Global Positioning System) Garmin tipe 12-XL, meteran dan Haga. Pengolahan dibagi kedalam 4 langkah; (1) pra pengolahan citra yang terdiri dari pemotong citra (Cropping), fusi citra, koreksi geometrik dengan cara image to map rectification dan registrasi, mosaik dan penegecekan lapangan; (2) klasifikasi citra terbimbing (supervised classification) dimana harus dibuat dahulu training area, evaluasi separabilitas dengan metode transformed divergence, uji akurasi dan penghitungan indeks vegetasi dengan metode NDVI (Normalized Difference Vegetation Index); (3) analisis spasial; (4) penghitungan efisiensi relatif.

Dari hasil analisis data, ada 12 kelas tutupan lahan yang dibuat, yaitu pohon, semak dan kebun, kebun teh, sawah, rumput, kebun teh potong, tanah kosong, pemukiman, jalan, sungai, awan dan bayangan awan. Dari hasil klasifikasi

Page 3: KAJIAN SPASIAL SEBARAN

terbimbing, dilakukan analisis separabilitas dengan mengacu pada kriteria separabilitas. Dari 66 pasang kelas, ada 37 pasang kelas yang termasuk kategori terpisah sangat baik (excellent) (bernilai 2000), 23 pasang kelas yang masuk kedalam kategori terpisah baik (good), 2 pasang kelas yang masuk kedalam kategori terpisah cukup baik (fair), 3 pasang kelas yang masuk kedalam kategori terpisah kurang baik (poor) yaitu antara pohon dengan semak dan kebun, dan 1 pasang kelas yang masuk kedalam kategori tidak terpisahkan (inseparable) atau yang paling sulit dikalsifikasi, yaitu antara jalan dan sungai. Adanya pasangan kelas yang masuk kedalam kategori terpisah kurang baik dan tidak terpisahkan adalah karena secara spektral nilai antara kelas yang bersangkutan (pohon dengan semak dan kebun, jalan dengan sungai) relatif sama sehingga dalam proses klasifikasi bisa terklasifikasi kedalam kelas lain. Selain itu, dilakukan juga evaluasi akurasi dan diperoleh overall accuracy sebesar 94,906% dan Kappa accuracy sebesar 93,699%. Untuk user’s accuracy, yang tertinggi yaitu rumput dengan nilai 98,384% dan terendah adalah sawah dengan nilai 78,8%, sedangkan kelas dengan producer’s accuracy tertinngi adalah dengan nilai 99,98% dan yang terendah sawah dengan nilai 65,23%.

Dari penghitungan indeks vegetasi diperoleh hasil, untuk non vegetasi seperti jalan, sungai, pemukiman, sawah kosong, tanah kosong, kebun kosong, kebun teh potong, awan dan bayangan awan, memiliki indeks vegetasi antara -1~0. Vegetasi dibagi lagi menjadi pohon, sermak dan kebun, kebun teh, sawah dan rumput dengan kisaran nilai NDVI dari 0~0,992188. Untuk kisaran nilai 0 ~0,164063, menunjukkan nilai NDVI sawah dan rumput, kisaran nilai >0,164063~0,328125, adalah nilai NDVI untuk kebun teh, sawah, semak dan rumput. Kisaran nilai >0,328125~0,492188 adalah nilai NDVI untuk semak, kebun dan sawah, sedangkan kisaran nilai >0,492188~0,99218 adalah nilai NDVI untuk pohon dan semak.

Analisis spasial menunjukkan persentase tutupan lahan terbesar adalah pohon dengan 31% atau seluas 3308,523 ha. Desa yang mempunyai tutupan lahan vegetasi terbesar adalah Desa Tugu Selatan dengan luas 1211,704 ha (11,517%) dan didominasi oleh pohon, yang terkecil adalah Desa Cisarua, yaitu hanya 19,813 ha (0,188%). Dilihat dari kelas lerengnya, secara keseluruhan vegetasi banyak terdapat pada kelas lereng 0% - 8%, yaitu seluas 2269,972 ha, dan yang terkecil pada kelas lereng >5% yaitu 541,950 ha. Pada buffer sungai sebesar 50 m kiri kanan sungai, baik pada jarak 10, 20, 30, 40 dan 50 m pohon paling mendominasi dengan luas total 36,298 ha (32,126%), dan vegetasi yang paling sedikit adalah rumput dengan luas total 2,563 ha (2,26%). Pada buffer jalan selebar 5 m dan 10 m, tutupan yang mendominasi adalah pohon dengan luas 3,92 ha (10,407%) dan 3,954 ha (10,497%), sedangkan vegetasi yang paling sedikit yaitu rumput, hanya 1,277 ha (3,39%). Dari efisiensi biaya, pengolahan data dengan citra lebih efisien sebesar 69,46 kali dibandingan cara terestris. Pembangunan hendaknya memperhatikan juga aspek kelestarian lingkungan dan konservatif agar vegetasi lestari, misalnya dengan penghijauan terutama di sekitar DAS dan harus dilakukan secara berkelanjutan.

Page 4: KAJIAN SPASIAL SEBARAN

Dari hasil analisis data dapat disimpulkan bahwa kemampuan citra Ikonos untuk mendeteksi tutupan lahan vegetasi cukup bagus karena bisa mendeteksi sampai tingkat jenis pohon (level IV), namun untuk non vegetasi kurang bagus. Secara umum tutupan lahan di sub DAS Ciliwung Hulu masih bagus karena didominasi oleh pohon (31%). Penggunaan citra dalam pengelolaan lahan lebih efisien baik dari segi biaya maupun waktu dibandingkan tanpa citra.

Page 5: KAJIAN SPASIAL SEBARAN

KAJIAN SPASIAL SEBARAN VEGETASI MENGGUNAKAN CITRA IKONOS DAN SISTEM INFORMASI GEOGRAFIS :

Studi Kasus di Sub DAS Ciliwung Hulu

RADIAGITA DWI PRASATYA

E01400035

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada Fakultas Kehutanan Institut Pertanian Bogor

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR BOGOR

2006

Page 6: KAJIAN SPASIAL SEBARAN

LEMBAR PENGESAHAN

Judul : KAJIAN SPASIAL SEBARAN VEGETASI MENGGUNAKAN CITRA IKONOS DAN SISTEM INFORMASI GEOGRAFIS : Studi Kasus di Sub DAS Ciliwung Hulu

Nama : Radiagita Dwi Prasatya

NRP : E01400035

Menyetujui, Dosen Pembimbing

Dr. Ir. I Nengah Surati Jaya, M.Agr NIP. 131 578 785

Mengetahui, Dekan Fakultas Kehutanan

Insitut Pertanian Bogor

Prof. Dr. Ir. Cecep Kusmana NIP. 131 430 799

Tanggal Lulus:

Page 7: KAJIAN SPASIAL SEBARAN

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 11 Agustus 1982 di Bogor, Jawa Barat

sebagai anak ke dua dari tiga bersaudara, dari pasangan Bapak Saso Soegiarso

Soegito dan Ibu Prapti Nirmalawati.

Penulis menjalankan masa pendidikan di TK. Aisyiah Bustanul Athfal II

Bogor dari tahun 1986 sampai tahun 1988, kemudian melanjutkan ke SDN.

Pengadilan V Bogor dari tahun 1988 sampai tahun 1994. Setelah itu, penulis

melanjutkan ke SMP Negeri 8 Bogor dari tahun 1994 sampai tahun 1997, dan

pada tahun 1997 sampai tahun 2000 meneruskan pendidikan di SMU Negeri 2

Bogor. Kemudian pada tahun 2000 penulis diterima di Jurusan Manajemen Hutan

Fakultas Kehutanan Institut Pertanian Bogor melalui jalur USMI.

Selama masa kuliah penulis pernah menjadi pengurus FMSC (Forest

Management Student Club) untuk masa jabatan 2002/2003. Pada tahun 2003

penulis mengikuti melaksanakan Praktek Umum Kehutanan (PUK) di BKPH

Banyumas Timur dan Praktek Umum Pengelolaan Hutan (PUPH) di KPH Ngawi

Perum Perhutani Unit II Jawa Timur. Selain itu penulis juga telah melaksanakan

Kuliah Kerja Nyata di Desa Megamendung, Kecamatan Megamendung,

Kabupaten Bogor pada tahun 2004. Pada tahun 2004 sampai 2005 penulis pernah

menjadi asisten praktikum mata kuliah Penginderaan Jarak Jauh.

Sebagai syarat memperoleh gelar Sarjana Kehutanan, penulis menyusun

skripsi dengan judul Kajian Spasial Sebaran Vegetasi Menggunakan Citra

Ikonos dan Sistem Informasi Geografis : Studi Kasus di Sub DAS Ciliwung

Hulu dibimbing oleh Dr. Ir. I Nengah Surati Jaya, M.Agr.

Page 8: KAJIAN SPASIAL SEBARAN

KATA PENGANTAR

Puji syukur kehadirat Allah SWT Yang Maha Pengasih lagi Maha

Penyayang, atas segala limpahan Rakhmat dan Hidayah-Nya yang telah

memberikan kemudahan kepada penulis, sehingga penulis dapat menyelesaikan

skripsi yang berjudul Kajian Spasial Sebaran Vegetasi Menggunakan Citra

Ikonos dan Sistem Informasi Geografis : Studi Kasus di sub DAS Ciliwung

Hulu.

Untuk itu, penulis ingin mengucapkan terimakasih yang tulus dan sebesar-

besarnya kepada semua pihak yang telah banyak membantu selama penyusunan

Skripsi ini:

1. Bapa dan Mamah yang telah memberikan kasih sayang, kesabaran serta

dukungan secara moril dan materil, Mbha dan Yaya yang selalu membawa

keceriaan dirumah, juga keluarga besar Soegito dan Doeleh.

2. Dr. Ir. I Nengah Surati Jaya, M.Agr, selaku dosen pembimbing yang telah

memberikan pengarahan, pengetahuan dan selalu memberi semangat juga

kesabarannya selama membimbing penulis.

3. Pa Uus Saeful, atas semua bantuan teknis dan non teknis di laboratorium.

4. Ibu Dra. Puspaningsih, MS dan Bapak Ir. M. Buce Saleh, MS, yang selalu

memberi semangat dan ilmunya pada penulis.

5. Yudi “nenk”, terimakasih buat semua waktu, tenaga, pikiran dan kasih sayang

yang sudah diberikan selama 5 tahun ini.

6. R. Assyfa El Lestari, teman seperjuangan selama 2 tahun, terimakasih untuk

persahabatan, teman berbagi rasa selama ini dan pinjaman komputernya.

7. My Brotha and Zeestah, Syfa, Indah makasih nasihat-nasihatnya, Mpo Tika

yang selalu memberi kata-kata bijak, Agoenk makasih dibantuin groundcheck,

Eendhee, Novie, Poepoet, Burix, Rohmah dan Deddy for always supporting

me.

8. Arief “Chong Lee” dan motornya, T-joe, Chandra “Jawer”, Deden, Lendi,

Yuli, yang sudah mau mengantar groundchek.

9. Remote Sensing and GIS lab’s crew, Ani, Ewink, Jay, Joefri, Hellya dan

Mendoet. I’m proud to be part of this family. Caiyo...!!!

Page 9: KAJIAN SPASIAL SEBARAN

10. Semua anak-anak MNH 37 yang sudah memberi warna dan rasa baru dalam

kehidupanku.

11. Barudak DAMAS (Daya Mahasiswa Sunda) Bogor.

12. Kuburan crews, makasih untuk support, bagi-bagi ilmu, cerita, kegilaan dan

tumpangan tempatnya.

13. Rekan Rekan Fakultas Kehutanan dan staf KPAP.

Penulis menyadari bahwa skripsi ini masih banyak memiliki kekurangan.

Akhirnya Penulis berharap semoga skripsi ini dapat berguna dan bermanfaat bagi

yang membaca.

Bogor, Januari 2005

Radiagita Dwi Prasatya

Page 10: KAJIAN SPASIAL SEBARAN

DAFTAR ISI

Halaman

KATA PENGANTAR .......................................................................................... i DAFTAR ISI ...................................................................................................... iii DAFTAR TABEL ............................................................................................... v DAFTAR GAMBAR .......................................................................................... vi DAFTAR LAMPIRAN ..................................................................................... vii

PENDAHULUAN

Latar Belakang .............................................................................................. 1

Tujuan Penelitian .......................................................................................... 2

Manfaat Penelitian ........................................................................................ 3

METODE PENELITIAN

Waktu dan Tempat Penelitian ......................................................................... 4

Alat dan Bahan Penelitian .............................................................................. 4

Metode Penelitian

Pra Pengolahan Citra (Image Pre-Processing)

Pemotongan Areal Penelitian Pada Citra (Cropping) ............................. . 6

Fusi Citra (Image Fussion) ..................................................................... . 6

Koreksi Geometrik .................................................................................. . 7

Mosaik (Mosaicking) .............................................................................. . 8

Pengecekan Lapangan (Ground Check) .................................................. . 8

Pengolahan Citra (Image Processing)

Klasifikasi ................................................................................................. 9

Pembuatan Area Contoh (Training Area) ....................................... 10

Klasifikasi Terbimbing (Supervised Classification) ....................... 11

Evaluasi Separabilitas ............................................................................. 11

Uji Akurasi .............................................................................................. 12

Penghitungan Indeks Vegetasi ................................................................ 14

Pengolahan Data Spasial

Analisis Sebaran Tutupan Lahan

Sebaran Per Desa .............................................................................. 15

Sebaran Menurut Kelas Lereng ........................................................ 15

Page 11: KAJIAN SPASIAL SEBARAN

Sebaran Pada Buffer Sungai 50 m ................................................... 15

Sebaran Pada Buffer Jalan 10 m ...................................................... 15

Efisiensi Relatif ............................................................................................ 16

KEADAAN UMUM LOKASI PENELITIAN

Letak dan Posisi Geografis ........................................................................... 19

Keadaan Vegetasi ......................................................................................... 19

Jenis Tanah dan Geologi .............................................................................. 20

Topografi ...................................................................................................... 20

Iklim ............................................................................................................. 21

Hidrologi ...................................................................................................... 21

Kependudukan .............................................................................................. 22

Sarana dan Prasarana .................................................................................... 22

HASIL DAN PEMBAHASAN

Pengolahan Citra (Image Processing)

Klasifikasi Terbimbing (Supervised Classification) ............................... 24

Analisis Separabilitas .............................................................................. 25

Evaluasi Akurasi ..................................................................................... 27

Penghitungan Indeks Vegetasi ................................................................ 30

Kondisi Tutupan Vegetasi Secara Umum ............................................... 34

Analisis Spasial

Analisis Sebaran Tutupan Lahan

Sebaran Per Desa .............................................................................. 35

Sebaran Menurut Kelas Lereng ......................................................... 39

Sebaran Pada Buffer Sungai 50 m .................................................... 40

Sebaran Pada Buffer Jalan 10 m ....................................................... 42

Efisiensi Relatif ........................................................................................... 44

KESIMPULAN DAN SARAN

Kesimpulan ................................................................................................... 49

Saran .............................................................................................................. 50

DAFTAR PUSTAKA

LAMPIRAN

Page 12: KAJIAN SPASIAL SEBARAN

DAFTAR TABEL

No. Halaman

1. Karakteristik Citra Ikonos ......................................................................... 5

2. Karakteristik Band Ikonos ........................................................................ 6

3. GCP Koreksi Geometrik .......................................................................... 8

4. Jumlah Training Area yang Dibuat ......................................................... 11

5. Kriteria Separabilitas ............................................................................... 12

6. Bentuk Error Matrix ................................................................................ 13

7. Luas Wilayah Sub DAS Ciliwung Hulu Berdasarkan Topografi ............ 20

8. Kondisi Iklim di Sub DAS Ciliwung Hulu .............................................. 21

9. Matrik Separabilitas Transformed Divergence ........................................ 26

10. Matrik Kesalahan (Error Matrix) ............................................................ 29

11. Nilai Indeks Vegetasi ............................................................................... 30

12. Luas Tutupan Vegetasi di Setiap Desa .................................................... 39

13. Luas Setiap Kelas Tutupan Lahan Berdasarkan Kelas Lereng ................ 40

14. Luas Setiap Kelas Tutupan Lahan Pada Buffer Sungai ........................... 42

15. Luas Setiap Kelas Tutupan Lahan Pada Buffer Jalan .............................. 44

16. Perbandingan Biaya Menggunakan Citra dan Tanpa Citra ..................... 49

Page 13: KAJIAN SPASIAL SEBARAN

DAFTAR GAMBAR

No. Halaman

1. Lokasi Penelitian ......................................................................................... 4

2. Diagram Alir Pengolahan Citra .................................................................. 18

3. Diagram Alir Analisis Data Spasial ........................................................... 19

4. Citra Hasil Klasifikasi ................................................................................ 25

5. Peta Kisaran NDVI .................................................................................... 31

6. a. Penampakan Pada Citra

b. Keadaan di Lapangan

(1) Hutan .............................................................................................. 31

(2) Semak dan Kebun ........................................................................... 31

(3) Kebun Teh ...................................................................................... 32

(4) Sawah ............................................................................................. 32

(5) Rumput ........................................................................................... 32

(6) Kebun Teh Potong .......................................................................... 32

(7) Sawah Kosong ................................................................................ 33

(8) Kebun Kosong ................................................................................ 33

(9) Tanah Kosong ................................................................................. 33

(10) Pemukiman ..................................................................................... 33

(11) Jalan ................................................................................................ 34

(12) Sungai ............................................................................................. 34

(13) Awan .............................................................................................. 34

(14) Bayangan Awan ............................................................................. 34

7. Persentase Luas Tiap Tutupan Lahan ....................................................... 37

8. Histogram Luas Setiap Tutupan Lahan di Tiap Desa ............................... 38

9. Histogram Luas Setiap Tutupan Lahan Pada Kelas Lereng ..................... 41

10. Histogram Luas Setiap Tutupan Lahan Pada Buffer Sungai ..................... 43

11. Histogram Luas Setiap Tutupan Lahan Pada Buffer Jalan ........................ 45

Page 14: KAJIAN SPASIAL SEBARAN

DAFTAR LAMPIRAN

No. Halaman

1. Tabel Kisaran Nilai Indeks Vegetasi Tutupan Vegetasi dan

Non Vegetasi ............................................................................................ 53

2. Tabel Luas Setiap Tutupan Lahan di Setiap Desa .................................... 60

3. Tabel Isian Cek Lapang ........................................................................... 61

Page 15: KAJIAN SPASIAL SEBARAN

PENDAHULUAN

Latar Belakang Pesatnya perkembangan teknologi baik di bidang industri, transportasi,

remote sensing dan bidang lain sekarang ini diiringi dengan semakin menurunnya

kualitas lingkungan yang semakin hari semakin parah. Hal ini tentunya menjadi

sebuah dilema dengan kurangnya kepedulian sebagian besar masyarakat dan

kurangnya usaha-uasaha pelestarian lingkungan. Salah satu isu lingkungan yang

sedang berkembang adalah pemanasan global (global warming) dan perubhan

iklim. Perubahan iklim dipicu oleh kegiatan manusia terutama yang berkaitan

dengan penggunaan bahan bakar fosil (BBF) dan kegiatan alih guna lahan dimana

kegiatan tersebut dapat menghasilkan gas-gas karbon dioksida (CO2), metana

(CH4) dan nitrous oksida (N2O). Gas-gas tersebut mempunyai sifat seperti rumah

kaca, sehingga dinamakan Gas Rumah Kaca (GRK). Pada tahun 1850, konsentrasi

salah satu GRK penting yaitu CO2 di atmosfer baru 290 ppmv (part per million by

volume), saat ini (150 tahun kemudian) telah mencapai sekitar 350 ppmv.

Diperkirakan 100 tahun yang akan datang konsentrasi CO2 menjadi 580 ppmv

atau dua kali lipat zaman pra-industri. Akibatnya, 100 tahun yang akan datang

suhu bumi akan meningkat hingga 4,5 oC (Murdiyarso, 2003).

Cukup banyak upaya-upaya yang telah dilakukan berbagai lembaga baik

dari pemerintah maupun non pemerintah untuk menanggulangi atau

meminimalisir fenomena tersebut. Untuk menaggulangi masalah pemanasan

global, salah satu upaya yang dilakukan adalah dengan pedagangan karbon

(carbon trade) dimana negara-negara maju yang tidak bisa menurunkan emisinya

sampai batas yang ditentukan atau setidaknya tidak bertambah, harus membayar

sekitar US$ 10/ton CO2 kepada negara berkembang. Instrumen hukum yang

dirancang untuk mengimplementasikan Konvensi Perubahan Iklim yang bertujuan

menstabilkan konsentrasi GRK adalah Protokol Kyoto.

Masalah lingkungan yang juga tidak kalah penting adalah menurunnya

kualitas air sungai dan banjir dimana-mana terutama pada musim hujan. Jika

dilihat dari kualitas airnya, pada DAS Ciliwung tidak ada yang memiliki kualitas

nomor 1 yaitu sebagai bahan baku air minum dan sumber air bersih. Yang paling

Page 16: KAJIAN SPASIAL SEBARAN

parah adalah Jakarta karena air sungai Ciliwung disana sangat buruk kualitasnya

dan tidak bisa digunakan untuk kepentingan makhluk hidup. Banjir yang banyak

terjadi akhir-akhir ini terutama di daerah Jakarta sering mengkambing hitamkan

daerah puncak yang menjadi hulu sungai Ciliwung sebagai penyebabnya. Padahal,

hal ini disebabkan banyaknya penduduk kota Jakarta yang mendirikan bangunan

di lahan-lahan kritis yang seharusnya tidak boleh didirkan bangunan karena dapat

menyebabkan longsor dan banjir. Pohon yang diketahui dapat mengikat air

dengan akarnya otomatis berkurang dan terganti dengan ”pohon-pohon beton”,

sehingga laju limpasan air akan cepat dan dapat mengakibatkan banjir.

Untuk mengetahui kondisi tutupan lahan di sekitar daerah puncak

(Kecamatan Ciawi, Megamendung dan Cisarua), salah satu cara yang bisa

diterapkan adalah dengan memanfaatkan teknologi penginderaan jauh (Remote

Sensing) dengan citra satelit. Penginderaan jauh sudah dikenal sejak awal abad ke

19, untuk penginderaan jauh satelit dimulai sejak diluncurkannya ERTS-1 pada

tahun 1972 (Jaya, 2002). Teknologi ini bisa digunakan pada bidang kehutanan,

pertanian, transportasi, komunikasi, pengamanan dan lain-lain, apalagi sekarang

ini teknologi penginderaan jauh sudah semakin berkembang dengan munculnya

citra dengan resolusi tinggi seperti IKONOS, Quickbird dan SPOT. Satelit

penginderaan jauh dan sensor-sensor yang bisa memberikan informasi vegetasi

diantaranya TM, SPOT, IRS, IKONOS, ASTER dan lain-lain. Informasi vegetasi

yang bisa didapatkan seperti konsentrasi klorofil, biomassa, kandungan air,

phytoplankton. Dengan teknologi ini, bisa didapatkan informasi spasial mengenai

tutupan lahan khususnya vegetasi hijau di sub DAS Ciliwung Hulu lebih akurat,

efektif dan efisien baik dari segi tenaga dan biaya, mengingat kondisi topografi

yang berbukit. Disini, data citra satelit yang digunakan adalah citra Ikonos

resolusi spasial tinggi tahun perekaman 2003.

Tujuan Penelitian Tujuan utama dari penelitian ini adalah untuk mengetahui sampai sejauh

mana kemampuan citra Ikonos dalam memberikan informasi, sedangkan tujuan

tambahannya adalah untuk memberikan informasi spasial mengenai sebaran

vegetasi di sekitar sub DAS Ciliwung Hulu.

Page 17: KAJIAN SPASIAL SEBARAN

Manfaat Penelitian Penelitian ini diharapkan dapat menjadi pertimbangan dalam :

- Perencanaan dan pembangunan pemerintah dan masyarakat agar tutupan

vegetasi tidak habis.

- Pemilihan cara pengolahan data apakah dengan penginderaan jauh atau

dengan survey lapangan.

Page 18: KAJIAN SPASIAL SEBARAN

Gambar 1. Lokasi Penelitian

METODE PENELITIAN

Waktu dan Tempat Penelitian Penelitian dilaksanakan pada bulan April 2004 sampai dengan bulan Juli

2005 dengan daerah penelitian sub DAS Ciliwung Hulu yang secara geografis

terletak pada 106o48’00” BT sampai 107o00’00” BT serta 6o37’50” LS sampai

6o46’00” LS. Pengolahan data dilakukan di Laboratorium Remote Sensing

Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor.

Alat dan Bahan Penelitian Bahan-bahan yang digunakan dalam penelitian berupa data citra satelit

Ikonos multispektral 4 x 4m dan pankromatik 1 x 1m tahun perekaman 2003

wilayah sub DAS Ciliwung Hulu. Alat-alat yang digunakan adalah :

1. Hardware (perangkat keras) berupa seperangkat komputer pribadi (PC)

2. Software (perangkat lumak) ERDAS versi 8.4 dan versi 8.7, Arc.View versi

3.2.

3. Kamera digital

4. GPS (Global Positioning System) Garmin tipe 12-XL

5. Meteran dan Haga

Page 19: KAJIAN SPASIAL SEBARAN

Karakteristik Citra Ikonos

Pada tanggal 24 September 1999, Space Imaging berhasil meluncurkan

satelit Ikonos, dan membuat sejarah sebagai satelit remote sensing komersial

pertama dengan resolusi spasial 1 meter. Nama “Ikonos” diambil dari bahasa

Yunani (Greek) “Eye-Koh-Nos" yang artinya sama dengan “image”. Ikonos

merupakan citra beresolusi tinggi dengan band pankromatik resolusi 1 x 1m dan

multispektral 4 x 4m yang menangkap gelombang elektromagnetik dengan kisaran

0,45 – 0.9 mikron. (Anonim, 1999).

Tabel 1. Karakteristik Citra Satelit Ikonos

Waktu Peluncuran 24 September 1999 (11:21:08 am PDT) Launch Vehicle Athena II Lokasi peluncuran Vandenberg Air Force Base, California Resolusi Spasial 1-meter pankromatik

4-meter multispektral

Resolusi Spektral Pankromatik: 0.45 - 0.90 mikron

Multispektral: Band 1: Blue 0.45 - 0.52 mikron Band 2: Green 0.52 – 0.60 mikron Band 3: Red 0.63 - 0.69 mikron Band 4: Near IR 0.76 - 0.90 mikron (sama dengan Landsat 4&5 TM Bands band1-4)

Lebar Swath dan Ukuran Scene

Lebar Swath : 13 km pada nadir Areas of interest: a nominal single image at 13 km x 13 km

Altitud 423 mil / 681 kilometer Inclination 98.1 derajat Kecepatan 4 mil/detik atau 7 kilometer/detik Frekuensi Perekaman 2.9 hari untuk resolusi 1 m

1.5 hari untuk resolusi 1,5 m

Waktu Orbit 98 menit Tipe Orbit sun-synchronous

Sumber : Pike, 1999

Page 20: KAJIAN SPASIAL SEBARAN

Tabel 2. Karakteristik Band Ikonos

Band / Saluran

Panjang Gelombang Resolusi Spasial

Deskripsi

1

2

3

4

Pankromatik

0.45 µm – 0.52 µm

0.52 µm – 0.61 µm

0.64 µm – 0.70 µm

0.77 µm – 0.88 µm

0.49 µm – 0.90 µm

4m

4m

4m

4m

1m

Biru

Hijau

Merah

Inframerah dekat

Hijau-Inframerah dekat

Sumber: Jaya (2003)

Metode Penelitian

Pra Pengolahan Citra (Image Pre-Processing)

Pemotongan Areal Penelitian Pada Citra (Cropping)

Secara utuh, citra Ikonos rekaman tahun 2003 yang tersedia mencakup

wilayah DAS Ciliwung Hulu dan sebagian Kota Bogor. Memori citra Ikonos

sangat besar, maka untuk memusatkan daerah penelitian, efektifitas dan efisiensi

serta memudahkan dalam pengolahan dan penyimpanan data, perlu pembatasan

areal penelitian yang jelas yaitu dengan pemotongan citra (cropping) sesuai

dengan batasan areal penelitian yaitu sub DAS Ciliwung Hulu dengan

menggunakan software ERDAS versi 8.7

Fusi Citra (Image Fussion)

Fusi citra merupakan salah satu cara yang bisa dipakai untuk perbaikan

spektral (spectral enhancement) agar resolusi spektral yang akan diolah lebih

tinggi dan informasi yang didapatkan menjadi lebih banyak. Salah satu teknik

yang dapat digunakan adalah RGB (Red, Green, Blue) to IHS (Intensity, Hue,

Saturation), yaitu menggabungkan 2 resolusi spektral dan spasial yang berbeda.

Citra satelit Ikonos mempunyai resolusi spasial multispektral 4m dan

pankromatik 1m. Pada proses ini citra multispektral RGB (4 x 4m) dirubah

menjadi format IHS dengan mengganti intensity menjadi pankromatik (1 x 1m)

sehingga menghasilkan citra dengan resolusi 1 x 1m.

Page 21: KAJIAN SPASIAL SEBARAN

Koreksi Geometrik (Rektifikasi)

Sebelum dilakukan pengolahan citra harus sudah terkoreksi secara

geometris dimana koordinat yang digunakan adalah UTM (Universe Transverse

Mercator). Kesalahan geometris bisa disebabkan oleh rotasi bumi pada waktu

perekaman, pengaruh topografi, pengaruh kelengkungan bumi, gravitasi dan efek

panoramik (sudut pandang). Menurut Jaya (2002), kesalahan akibat kesalahan

posisi geometris dapat berakibat fatal karena dapat menyebabkan terjadinya :

- Kesulitan melakukan pengecekan feature/obyek yang tampak pada citra di

lapangan;

- Distorsi ukuran luas;

- Kesulitan pada proses integrasi (fusi) citra dengan sumber data lainnya;

- Tidak memungkinkan dilakukan perbandingan piksel demi piksel

Rektifikasi geometrik ada 2 macam, rektifikasi citra ke citra (image to

image rectification) dan rektifikasi citra ke peta (image to map rectification). Pada

penelitian ini dilakukan rektifikasi citra ke citra dengan metode nearest

neighbourhood interpolation (NNI). NNI adalah metode yang paling efisien da

paling banyak digunakan karena tidak merubah nilai DN (Digital Number) yang

asli (Jaya, 2002).

Dalm hal ini, citra Ikonos yang dipakai belum terkoreksi secara geometrik,

sehingga perlu dilakukan koreksi geometrik terlebih dahulu. Pada awalnya,

dilakukan rektifikasi citra ke peta (image to map rectification) karena tidak

adanya citra referensi yang sudah terkoreksi pada daerah sub DAS Ciliwung Hulu.

Peta yang digunakan sebagai referensi adalah Peta Rupa Bumi Cisarua dengan

skala 1:25.000. Namun, setelah didapatkan hasilnya ternyata RMSE (Root Mean

Square Error) nya sangat besar yaitu 23. Oleh karena itu, dilakukan lagi registrasi

citra hanya pada daerah yang bertampalan (overlap) pada citra dengan

menggunakan salah satu citra sebagai master dan satunya sebagai slave.

Banyaknya GCP yang dibuat ada 19 titik. Hasil koreksi citra ke citra lebih baik

daripada koreksi citra ke peta karena skala peta yang digunakan terlalu kecil jika

dibandingkan dengan resolusi citra 1x1m sehingga akan ada gap jarak yang

lumayan besar.

Page 22: KAJIAN SPASIAL SEBARAN

Walaupun RMSE yang dihasilkan sudah lebih baik, namun tetap tidak bisa

mencapai rata-rata RMSE < 0,5. Dalam hal ini topografi daerah penelitian yang

berbukit-bukit berpengaruh terhadap RMSE yang dihasilkan. Besarnya RMSE

setelah registrasi adalah 8,869. Untuk mendapatkan hasil yang lebih baik, bisa

dicoba menggunakan DEM (Digital Elevation Model).

Tabel 3. GCP Koreksi Geometrik

Penggabungan Citra (Mosaicking)

Setelah dilakukan koreksi geometrik, dilakukan mosaik atau

penggabungan 2 citra yang saling bertampalan. Mosaik ini dilakukan agar citra

dapat dianalisis secara menyeluruh dan tidak terdapat overlap data. Karena

RMSE hasil koreksi masih >0,5 maka posisi koordinat di kedua citra belum

sepenuhnya tepat sehingga dalam proses penggabungan ini, daerah yang overlap

tidak semua tersambung dengan sempurna, hanya sebagian saja. Selisih piksel

maksimal pada daerah overlap ini adalah 8 piksel atau dengan resolusi 1m x 1m

sama dengan 8 m sehingga memudahkan proses analisis dan pengolahan citra.

Pengecekan Lapangan (Ground Check)

Untuk mengetahui keadaan tutupan lahan sebenarnya dilapangan, perlu

dilakukan pengecekan lapangan. Dalam pelaksanaannya, dilakukan juga

pengambilan titik-titik koordinat menggunakan GPS untuk mengetahui letak titik

tersebut pada citra dan dilakukan pengambilan gambar (foto).

Page 23: KAJIAN SPASIAL SEBARAN

Pengolahan Citra (Image Processing)

Klasifikasi

Dalam Jaya (2002), klasifikasi diartikan sebagai mengelompokan piksel-

piksel ke dalam kelas-kelas atau kategori-kategori yang telah ditentukan

berdasarkan nilai kecerahan (brightness value/BV atau digital number/DN) piksel

yang bersangkutan. Metode klasifikasi yang digunakan disini adalah klasifikasi

terbimbing (supervised classsification), dimana analis perlu membuat area contoh

(training area) terlebih dahulu.

Pada citra yang dikaji dilakukan interpretasi visual untuk mengetahui

obyek-obyek tutupan lahan yang tampak pada citra. Istilah penutupan lahan

berkaitan dengan jenis kenampakan yang ada di permukaan bumi (Lillesand dan

Kiefer, 1990).

Secara garis besar tutupan lahan ada yang berupa vegetasi dan non

vegetasi. Dalam pemetaan vegetasi, Küchler (1967) mengartikan vegetasi sebagai

kumpulan komunitas tumbuhan atau tanaman yang ada dipermukaan tanah dan

berupa unit-unit yang bisa dipetakan.

Kelas-kelas yang dibuat berdasarkan hasil pengecekan lapangan dan juga

interpretasi visual pada citra. Berikut ini adalah deskripsi masing-masing kelas :

1. Pohon

Tumbuhan berkayu dengan diameter >20 cm.

2. Semak dan Kebun

Lahan yang ditanami dengan tanaman perkebunan seperti sayuran dan atau

semak belukar.

3. Kebun Teh

Lahan yang ditanami dengan tumbuhan teh.

4. Kebun Teh Potong

Kebun teh potong adalah kebun teh yang sudah dipanen dan dipotong

pucuknya sehingga pada citra tidak akan berwarna hijau lagi, melainkan

coklat dari warna. batang tanaman teh tersebut

5. Sawah

Sawah yang masuk kedalam klasifikasi ini adalah sawah dengan padi yang

masih muda sampai yang sudah siap panen

Page 24: KAJIAN SPASIAL SEBARAN

6. Rumput

Lahan yang ditumbuhi oleh rerumputan dalam hal ini rumput di halaman-

halaman rumah/vila dan sebagian rumput pada lapangan bola.

7. Tanah Kosong

Tanah kosong adalah lahan yang tidak digunakan atau sedikit ditumbuhi

rumput, termasuk didalamnya sawah kosong atau sawah yang belum ditanami

padi dan juga kebun kosong atau kebun yang belum ditanami.

8. Pemukiman

Semua bangunan yang ada pada citra diklasifikasikan kedalam pemukiman,

sehingga sesungguhnya dalam kelas pemukiman ini terdapat bangunan rumah,

pabrik, rumah kaca, rumah makan dan lain-lain.

9. Jalan

Jalan yang dimaksud yaitu jalan raya, jalan desa dan jalan-jalan di pemukiman

dengan fungsi transportasi dan konstruksinya sebagian besar terbuat dari

aspal.

10. Badan Air

Yang termasuk badan air adalah daerah yang dialiri air, pada citra berwarna

biru kehitaman.

11. Awan

Awan adalah kumpulan butir-butir air di langit yang berwarna putih sampai

putih keabuan.

12. Bayangan Awan

Bagian dari permukaan bumi yang menjadi lebih gelap karena sinar matahari

yang menuju ke bumi terhalang oleh awan.

Pembuatan Area Contoh (Training Area)

Training area dibuat untuk masing-masing kelas penutupan lahan yang

sudah diketahui. Dalam Richards (1993), untuk N saluran multispektral

disarankan sebaiknya dibuat N+1 sampel untuk menghindari matriks kovarian

singular. Swain dan Davis (1978) dalam Richards (1993) merekomendasikan pada

prakteknya minimum 10N sampel per kelas spektral dibuat untuk training area

hingga 100N untuk hasil yang lebih baik.

Page 25: KAJIAN SPASIAL SEBARAN

Dalam melakukan klasifikasi ini digunakan metode klasifikasi terbimbing

(Supervised Classification) dimana harus dibuat dulu training area untuk masing-

masing kelas tutupan lahan. Tahap paling penting adalah penamaan pixel

(labelling) yang diperoleh dari data training area. Dalam penelitian ini dibagi

kedalam 12 kelas yang terdiri atas : pohon, semak dan kebun, kebun teh, sawah,

rumput, kebun teh potong, tanah kosong, pemukiman, jalan, sungai, awan dan

bayangan awan. Berdasarkan ketentuan dimana jumlah training area minimal

adalah N+1, berarti sudah masuk persyaratan jumlah training area minimum.

Tabel 4. Jumlah Training Area yang Dibuat

No. Nama Kelas Jumlah Kelas 1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Pohon

Semak dan Kebun Campuran

Kebun Teh

Sawah

Rumput

Kebun Teh Potong

Tanah Kosong

Pemukiman

Jalan

Sungai

Awan

Bayangan Awan

4506

2267

4528

1217

2290

2154

4229

2165

1460

1124

13258

21326

Total Training Area 60423

Klasifikasi Terbimbing (Supervised Classification)

Dalam Jaya (2002), klasifikasi terbimbing adalah klasifikasi dimana analis

mempunyai sejumlah piksel yang mewakili masing-masing kelas atau kategori

yang diinginkan. Metode yang digunakan dalam klasifikasi ini adalah

kemungkinan maksimum (maximum likelihood).

Evaluasi Separabilitas

Setelah membuat training area untuk klasifikasi, kita bisa melihat apakah

training area suatu kelas dapat teridentifikasi secara statistik atau tidak, caranya

Page 26: KAJIAN SPASIAL SEBARAN

( )8/12000 dijTij eTD −−=

( )( ){ } ( )( )( ) }{ tjijijiijjiij mmmmCCTrCCCCTrD −−−+−−= −−−− 1111

21

21

dengan uji separabilitas atau daya keterpisahan yang dapat dihitung bagi semua

pasangan kelas dan disajikan dalam suatu matrik. Ada bermacam-macam metode

yang dapat digunakan untuk melakukan uji separabilitas ini. Namun, yang banyak

digunakan adalah metode transformed divergence. Menurut Jaya (1997),

Transformed Divergence ini mempunyai keunggulan dalam evaluasi separabilitas

antar kelas/kategori dan dapat menentukan kombinasi band terbaik karena

memperhitungkan nilai piksel-piksel yang ada didekatnya sehingga nilainya tidak

telalu berbeda jauh. Menurut hasil riset, transformed divergenced memberikan

hasil yang baik dan konsisten dalam menentukan kombinasi band.

Rumus TD adalah sebagai berikut :

Keterangan :

TDij = nilai Transformed Divergence antar kelas i dan j Dij = divergence antar kelas i dengan kelas j Ci dan Cj = matrik ragam-peragam dari kelas i dan kelas j Ci

-1 dan Cj-1 = matrik kebalikan ragam-peragam dari kelas i dan kelas j

mi dan mj = vektor rata-rata dari kelas i dan kelas j t = transpose Tr = teras dari matrik Tabel 5. Kriteria Separabilitas

Nilai Transformed Divergence Deskripsi

2000 Sangat Baik (Excellent)

1900 - < 2000 Baik (Good)

1800 - < 1900 Cukup (Fair)

1600 - < 1800 Kurang (Poor)

<1600 Tidak Terpisahkan (Inseparable)

Uji Akurasi

Akurasi pemetaan dapat diuji dengan suatu matrik yang disebut matriks kesalahan

(Error Matrix atau Confusion Matrix). Matrik ini merupakan hasil dari proses

Page 27: KAJIAN SPASIAL SEBARAN

%1002

×ΧΧ−Ν

ΧΧ−ΧΝ

∑ ∑

++

++

r

kkk

r

k

r

kkkkk

%100×Χ

Χ +k

kk

%100×ΧΧ

+K

kk

%100×Ν

Χ∑r

kkk

klasifikasi dengan pembuatan training area dimana dari matrik dapat dilihat

penyimpangan klasifikasi yaitu berupa kelebihan jumlah piksel dari kelas lain atau

kekurangan jumlah piksel pada masing-masing kelas. Idealnya, seluruh elemen

yang bukan diagonal didalam matriks tersebut harus bernilai nol yang berarti tidak

ada penyimpangan dalam klasifikasi. (Lillesand dan Kiefer, 1990).

Tabel 6. Bentuk Error Matrix

Sumber : Jaya, 2000

Ukuran yang banyak digunakan adalah Kappa Accuracy karena

memperhitungkan semua elemen (kolom) dari matrik (Jaya, 2000).

Kappa (K) =

Keterangan :

N = Jumlah semua piksel yang dipakai ΣXkk = Jumlah semua kolom pada baris ke-k, kolom ke-k

Rumus-rumus perhitungan akurasi yang lain adalah sebagai berikut :

Producer’s accuracy =

User’s Accuracy =

Overall Accuracy =

Data Acuan Training

Area

Diklasifikasi Sebagai Kelas Total Baris Xk+

Producer’s Accuracy Xkk/Xk+

A B …. D

A Xkk B

…. D Xkk

Total Kolom

X+k N

User’s Accuracy

Xkk/X+k

Page 28: KAJIAN SPASIAL SEBARAN

redNIRredNIR

+−

Producer’s accuracy mengindikasikan sebarapa baik training area yang

dibuat terklasifikasi. User’s accuracy adalah ukuran commision error dan

mengindikasikan kemungkinan suatu piksel terklasifikasi kedalam kategori yang

mencerminkan keadaan dilapangan (Lillesand dan Kiefer, 1994)

Penghitungan Indeks Vegetasi

Sejak tahun 1960 an, para ilmuwan telah mengekstraksi dan membuat

model berbagai variabel biofisik vegetasi menggunakan data penginderaan jauh.

Usaha ini telah beralih dan berkembang menjadi index vegetasi, yang

didefinisikan sebagai pengukuran radiometrik yang berfungsi sebagai indikator

aktifitas vegetasi hijau, dan terkadang termasuk Leaf Area Index (LAI), persentase

tutupan lahan hijau, kandungan klorofil, biomasa dan absorbed photosynthetically

active radiation (APAR) (Jensen, 2000).

Ada lebih dari 20 vegetasi index yang digunakan saat ini, salah satunya

adalah Normalized Difference Vegetation Index (NDVI) yang diperkenalkan oleh

Rouse et al. (1974) :

Keterangan :

NDVI = NDVI = Normalized Divergence Vegetation Indices NIR = Near Infra Red

Secara umum vegetasi hijau yang sehat merefleksikan 40 sampai 50% dari

energi near infra red (0,7 – 1,1 μm) dengan klorofil pada tumbuhan mengabsorbsi

mendekati 80 sampai 90% bagian dari spektrum pada energi cahaya tampak

(visible) (0,4 – 0,7 μm) (Jensen, 1983).

Indeks vegetasi bernilai antar -1 sampai +1, dimana semakin mendekati

angka +1 berarti vegetasi semakin rapat.

Pengolahan Data Spasial

Pengolahan data spasial dilakukan dengan sistem informasi geografis

menggunakan software Arc.View 3.2. Sistem informasi geografis (SIG) adalah

sistem berbasis komputer yang terdiri atas perangkat keras komputer (hardware),

perangkat lunak (software), data geografis dan sumberdaya manusia (brainware)

Page 29: KAJIAN SPASIAL SEBARAN

yang mampu merekam, menyimpan, memperbaharui, menampilkan dan

menganalisis serta menampilkan informasi yang bereferensi geografis.

Sistem informasi geografis bukanlah suatu sistem yang semata-semata

berfungsi untuk membuat peta, tetapi merupakan suatu alat analitik (analitical

tools) yang mampu memecahkan masalah spasial secara otomatis, cepat dan teliti.

Pada bidang kehutanan, SIG sangat diperlukan guna mendukung pengambilan

keputusan untuk memecahkan masalah keruangan, mulai dari tahap perencanaan,

pengelolaan sampai masalah yang menyangkut luasan (polygon), batas (line atau

arc) dan lokasi (point) (Jaya, 2002).

Analisis Sebaran Tutupan Lahan

Sebaran Per Desa

Dilakukan dengan mengoverlay hasil klasifikasi dengan batas desa, untuk

mengetahui sebaran vegetasi pada masing-masing desa dan persentase penutupan

tiap tutupan lahan.

Sebaran Menurut Kelas Lereng

Dilakukan dengan mengoverlay hasil klasifikasi dengan kelas lereng,

untuk mengetahui berapa banyak penggunaan lahan yang tidak sesuai dengan

peraturan terutama pada kelerengan curam.

Sebaran Pada Buffer Sungai 50 m

Sesuai dengan Undang-undang No. 41 tahun 1999, pada jarak 50 meter

kiri kanan tepi anak sungai tidak boleh dilakukan penebangan pohon. Pada tahap

ini dilakukan dengan mengoverlay hasil klasifikasi dengan batas buffer sungai

yang dibuat sebelumnya selebar 50 m kanan kiri sungai, untuk mengetahui

sebaran vegetasi pada jarak buffer tersebut.

Sebaran Pada Buffer Jalan 10 m

Dilakukan dengan mengoverlay hasil klasifikasi dengan batas buffer jalan

yang dibuat sebelumnya selebar 10 m kanan kiri jalan besar, untuk mengetahui

sebaran vegetasi pada jarak buffer tersebut.

Page 30: KAJIAN SPASIAL SEBARAN

Efisiensi Relatif (ER)

Pemetaan bisa dilakukan baik dengan menggunakan citra satelit maupun

tanpa citra satelit. Namun, tentunya terdapat perbedaan-perbedaan baik dari cara

pengambilan sampel maupun dalam pengolahan datanya. Dari situ dapat dibuat

kajian mengenai efisiensi pengolahan data menggunakan citra Ikonos dan tanpa

citra dengan memperhatikan komponen-komponen pengambilan data lapangan,

pengadaan data dan pengolahan data.

Rumus yang digunakan dalam penghitungan efiseinsi relatif ini telah

digunakan dalam Jaya (2005) dimana efisiensi relatif merupakan perbandingan

antara biaya tanpa citra (survey lapangan) dengan biaya menggunakan citra.

ER = e

f

CC

Keterangan : Cf = total biaya tanpa citra

Ce = total biaya dengan citra

Page 31: KAJIAN SPASIAL SEBARAN

Gambar 2. Diagram Alir Pengolahan Citra

Gambar 2. Diagram Alir Pengolahan Citra

Tidak

Penghitungan NDVI

Data Citra Satelit IKONOS

Pra Pengolahan Citra : 1. Pembatasan Wilayah Penelitian (Cropping) 2. Fusi Citra (Image Fussion) 3. Koreksi Geometrik 4. Mosaik (Mosaicking)

Pengolahan Citra

Mulai

Ya

Tidak

Analisis Separabilitas

Uji Akurasi

Citra Terklasifikasi

Ground Check

Klasifikasi : 1. Pembuatan Training Area 2. Klasifikasi Terbimbing

Interpretasi Visual

Terima?

Ya

Selesai

Terima?

Page 32: KAJIAN SPASIAL SEBARAN

Gambar 3. Diagram Alir Analisis Data Spasial

Data Spasial : Peta batas DAS Ciliwung Hulu

Peta batas Desa Peta batas anak sungai Peta batas jalan Hasil klasifikasi

Layer Tutupan Vegetasi • Pohon • Semak dan kebun • Sawah • Rumput • Teh

Luas Tiap Kelas Tutupan Lahan

Analisis Spasial Sebaran Vegetasi

Sebaran Vegetasi : - Per Desa - Menurut Kelas Lereng - Pada Buffer Sungai 50m - Pada Buffer Jalan 10 m

Mulai

Selesai

Page 33: KAJIAN SPASIAL SEBARAN

KEADAAN UMUM LOKASI PENELITIAN

Letak dan Posisi Geografis Sub DAS Ciliwung Hulu terletak pada koordinat geografis 106o48’45“

sampai 107o00’30” BT serta 6o36’30”sampai 6o46’30” LS di wilayah administrasi

Pemerintahan Daerah Tingkat II Bogor, Propinsi Jawa Barat. Wilayah sub DAS

Ciliwung Hulu meliputi Kodya dan Kabupaten Bogor dan mencakup beberapa

kecamatan, yaitu: Kabupaten Bogor mencakup Kecamatan Cisarua,

Megamendung, Ciawi dan Sukaraja, sedangkan Kodya Bogor hanya mencakup

Kacamatan Kota Bogor Timur.

Luas wilayah sub DAS Ciliwung Hulu adalah 14.876 ha terbagi kedalam 4

sub DAS yaitu :

1. Sub sub DAS Ciesek seluas 2452,78 Ha

2. Sub sub DAS Hulu Ciliwung seluas 4593,03 Ha

3. Sub sub DAS Cibogo Cisarua seluas 4110,34 Ha

4. Sub sub DAS Ciseuseupan Cisukabirus seluas 3719,85 Ha

Keadaan Vegetasi Penutupan lahan terbesar pada areal sub DAS Ciliwung Hulu adalah

berupa hutan seluas 5075,49 ha atau sekitar 34,11 % dari keseluruhan luas

wilayah DAS, sedangkan jenis penutupan lahan vegetasi lainnya yaitu berupa

kebun campuran seluas 1529,78 ha (10,35 %), tegalan seluas 700,57 ha (4,7 %),

sawah seluas 2524,58 ha (16,9 %), semak belukar seluas 426,53 ha (2,88 %),

kebun teh seluas 2669,59 ha (18,05 %) serta hutan kebun teh seluas 111,43 ha

(0,75 %).

Kawasan hutan di daerah sub DAS Ciliwung Hulu sebagian besar

merupakan hutan lindung yang berstatus Hutan Negara. Kawasan hutan ini

didominasi oleh vegetasi hasil suksesi alami dan menurut data tahun 1986,

kerapatan vegetasi pada hutan lindung tersebut makin lama makin berkurang

(rata-rata 190 pohon/Ha). Pada wilayah hutan lindung, penyebaran vegetasinya

tidak merata, sehinga terdapat daerah gundul yang perlu segera direhabilitasi.

Sekitar 30 % kawasan hutan di sub DAS Ciliwung Hulu merupakan hutan

Page 34: KAJIAN SPASIAL SEBARAN

produksi yang didominasi oleh jenis Pinus sp.yang banyak dimanfaatkan oleh

masyarakat setempat.

Jenis Tanah dan Geologi Jenis-jenis tanah yang ada di wilayah sub DAS Ciliwung Hulu meliputi

jenis komplek aluvial kelabu, andosol coklat dan regosol coklat, andosol coklat,

latosol coklat, latosol coklat kemerahan dan latosol coklat. Hal ini didasarkan Peta

Tanah Tinjau untuk Kabupaten Bogor dan Kodya Bogor skala 1:250.000 dari

Pusat Penelitian Tanah Bogor.

Dari jenis-jenis tanah diatas, jenis tanah yang tersebar secara luas di sub

DAS Ciliwung Hulu adalah latosol coklat kemerahan dan latosol coklat sebesar

32,89 % dari total luas sub DAS .

Sub DAS Ciliwung Hulu dibangun oleh formasi geologi volkanik yaitu

komplek utama Gunung Salak dan Komplek Gunung Pangrango. Bahan induk

tanah yang terdapat di sub DAS Ciliwung Hulu adalah berupa tufa volkanik dan

derivatifnya merupakan bahan dasar pembentuk tanah.

Topografi Berdasarkan bentuk topografinya, wilayah sub DAS Ciliwung Hulu

bervariasi antara bentuk datar, landai, agak curam, curam sampai sangat curam.

Pembagian wilayah sub DAS Ciliwung Hulu berdasarkan topografi dan bentuk

wilayah diklasifikasikan kedalam bentuk kelas lereng seperti dapat dilihat pada

tabel berikut :

Tabel 7. Luas Wilayah Sub DAS Ciliwung Hulu Berdasarkan Bentuk Topografi.

No. Kelas Kelerengan (%) Luas (Ha) % 1. 2. 3. 4. 5. 6.

0 – 3 3 – 8

8 – 15 15 – 25 25 – 40

> 40

1260,29 2068,4

1745,45 1455,66 2378,64 5967,56

8,47 13,91 11,73 9,78

15,99 40,12

Jumlah 14.876 100 Sumber : Balai Penelitian DAS Ciliwung

Page 35: KAJIAN SPASIAL SEBARAN

Dengan melihat bahwa wilayah dengan kelerengan diatas 15 % dan 40 %

(40,12 %) sangat menyebar luas dan mendominasi wilayah sub DAS ciliwung

Hulu maka kondisi tersebut mempunyai potensial erosi yang sangat besar.

Iklim Curah hujan merupakan salah satu unsur iklim yang digunakan sebagai

data dalam pengkajian pengruh iklim di dalam suatu DAS. Data iklim untuk

daerah sub DAS Ciliwung Hulu diperoleh dari Stasiun Pengamat Hujan

Katulampa. Kondisi iklim di sub DAS Ciliwung Hulu menurut Rencana Teknik

Lapangan Rehabilitasi Lahan dan Konservasi Sub DAS Ciliwung Hulu, DAS

Ciliwung berdasar data curah hujan PU Pengairan Kabupaten Bogor 1997 adalah :

Tabel 8. Kondisi Iklim di Sub DAS Ciliwung Hulu

No. Stasiun CH Rata-rata Tahunan (mm)

Bulan Basah

Bulan Kering

Tipe Iklim

1.

2.

3.

Katulampa

Gunung Mas

Selawangi

3336

3319

2785

10,9

11,5

9,3

0,6

0,9

0,6

A

A

A

Sumber : Balai Penelitian DAS Ciliwung

Berdasarkan data tersebut, diketahui bahwa sub DAS Ciliwung Hulu

mempunyai curah hujan rata-rata 2929 – 4956 mm/tahun. Tipe iklim sub DAS

Ciliwung Hulu menurut sistem klasifikasi Smidth dan Ferguson (1951) yang

didasarkan pada besarnya curah hujan, yaitu bulan basah (>200 mm) dan bulan

kering (<100 mm) adalah termasuk kedalam tipe A.

Hidrologi Kondisi tata air di wilayah sub DAS Ciliwung Hulu dientuk dari beberapa

aliran air dari berbagai hulu sungai yang mengalir melalui anak-anak sungai dan

selanjutnya bergabung ke dalam suatu tangkapan sungai utama yaitu sungai

Ciliwung. Sungai-sungai yang terdapat di sub DAS Ciliwung Hulu pada

umumnya bukan merupakan sarana transportasi, namun lebih banyak

dimanfaatkan untuk sarana pengairan seperti waduk dan bendungan.

Page 36: KAJIAN SPASIAL SEBARAN

Kependudukan Berdasarkan data Badan Pusat Statistik (BPS) tahun 2003 Secara

keseluruhan jumlah penduduk di sub DAS Ciliwung Hulu adalah sebanyak

231.918 jiwa terdiri dari 118.934 jiwa laki-laki dan 117.098 jiwa perempuan

dengan jumlah keluarga sebanyak 53.741 kepala keluarga. Dengan kondisi

tersebut, maka sex rasio yang terjadi adalah 1,94.

Dari data Balai Rehabilitasi dan Konservasi Tanah Citarum – Ciliwung

tahun 2000, mata pencaharian penduduk sangat beragam, namun yang paling

besar adalah sebagai petani sejumlah 15.321 jiwa, buruh tani sejumlah 12.107

jiwa dan pedagang sejumlah 11.766 jiwa, sedangkan yang lainnya bermata

pencaharian sebagai Pegawai Negeri Sipil (PNS) dan ABRI, buruh industri kecil,

supir, peternak dan lain-lain. Dari situ terlihat bahwa ketergantungan penduduk

akan sumberdaya alam berupa tanah/lahan demikian besar karena mereka

memanfaatkan tanah/lahan tersebut untuk mencari nafkah.

Tingkat pendidikan masyarakat di wilayah sub DAS Ciliwung Hulu

mempuyai tingkat pendidikan formal sebesar 129.116 atau sekitar 58,85 % dari

jumlah keseluruhan penduduk dan untuk non formal sebesar 17.609 jiwa atu 8%

dari jumlah penduduk.

Sarana dan Prasarana Sarana dan prasarana perhubungan yang meliputi Kabupaten Bogor dan

Kodya Bogor merupakan jalan darat dengan kondisi terdiri atas jalan aspal 247,8

km, jalan batu 116,6 km dan jalan tanah 54,8 km. Sarana angkutan darat yang

tersedia adalah mobil sebanyak 3.441 buah, sepeda motor 6.236 buah dan sepeda

sebanyak 18.672 buah.

Sarana komunikasi yang dipergunakan oleh masyrakat adalah telepon

(9.597 buah), televisi (18.672 buah) dan radio (23.052 buah) . Apabila

dibandingkan dengan jumlah penduduk, rasio penggunaan radio sebagai alat

komunikasi adalah yang terbesar, yaitu 10:1 atau setiap 1 pesawat radio bisa

dinikmati 10 jiwa.

Page 37: KAJIAN SPASIAL SEBARAN

Sarana perekonomian yang tersedia adalah berupa Bank, koperasi, pasar,

toko, warung dan kios. Sarana Bank hanya ada sebanyak 12 buah, koperasi 14

buah, pasar 6 buah dan toko/warung sebanyak 406 buah.

Sarana peribadatan yang ada di wilayah ini berupa Masjid sebanyak 284

buah dan Mushola 859 buah. Sedangkan untuk Gereja dan Vihara masing-masing

sebanyak 2 buah.

Sarana kesehatan sangat penting untuk memberikan pelayanan terhadap

perkembangan dan pertumbuhan balita. Sarana yang ada berupa Puskesmas sudah

cukup memadai yaitu 36 buah yang terdapat disetiap Kabupaten, poliklinik 16

buah dan Pos Yandu sebanyak 442 buah.

Page 38: KAJIAN SPASIAL SEBARAN

HASIL DAN PEMBAHASAN

Pengolahan Citra (Image Processing) Klasifikasi Terbimbing (Supervised Classification)

Pada klasifikasi terbimbing, secara otomatis citra dikelaskan berdasarkan

nilai spektral atau nilai statistik masing-masing kelas dari training area yang

dibuat. Pada klasifikasi ini dibuat sebanyak 12 kelas tutupan lahan, yaitu pohon,

semak dan kebun, kebun teh, sawah, rumput, kebun teh potong, tanah kosong,

permukiman, jalan, sungai, awan, bayangan awan (Gambar. 4). Citra Ikonos

mampu mendeteksi tutupan lahan sampai tingkat jenis, dimana untuk tutupan

Pinus sp. dapat terlihat perbedaannya dengan hutan campuran dengan warna yang

lebih gelap dan dari bentuk tajuknya.

Gambar 4. Citra Hasil Klasifikasi

Page 39: KAJIAN SPASIAL SEBARAN

Analisis Separabilitas

Dari hasil klasifikasi dengan pembuatan training area, dilakukan analisis

separabilitas dengan mengacu pada kriteria separabilitas. Pada matrik terlihat dari

66 pasang kelas, ada 37 pasang kelas yang termasuk kategori terpisah sangat baik

(excellent) (bernilai 2000), 23 pasang kelas yang masuk kedalam kategori terpisah

baik (good), 2 pasang kelas yang masuk kedalam kategori terpisah cukup baik

(fair), 3 pasang kelas yang masuk kedalam kategori terpisah kurang baik (poor)

yaitu antara pohon dengan semak dan kebun, dan 1 pasang kelas yang masuk

kedalam kategori tidak terpisahkan (inseparable) atau yang paling sulit

dikalsifikasi, yaitu antara jalan dan sungai.

Adanya pasangan kelas yang masuk kedalam kategori terpisah kurang baik

dan tidak terpisahkan adalah karena secara spektral nilai antara kelas yang

bersangkutan (pohon dengan semak dan kebun, jalan dengan sungai) relatif sama

sehingga dalam proses klasifikasi bisa masuk kedalam kelas lain. Selain itu,

dengan resolusi spasial citra Ikonos yang tinggi, yaitu 1 x 1m, sebaran nilai

pikselnya lebih lebar dibandingkan citra yang resolusi spasialnya lebih rendah

sehingga kemungkinan suatu kelas masuk ke kelas lain juga lebih besar.

Page 40: KAJIAN SPASIAL SEBARAN

Kelas C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12C1 0 1999.97 1221.34 2000 2000 2000 1999.91 1999.91 2000 2000 2000 2000C2 0 1998.73 2000 2000 2000 1999.64 2000 2000 2000 2000 1969.38C3 0 2000 2000 2000 1994.42 1999.37 2000 1999.89 2000 1996.92C4 0 2000 2000 2000 2000 2000 2000 2000 2000C5 0 2000 2000 2000 2000 2000 2000 2000C6 0 2000 1999.99 1996.26 1982.87 1998.32 1999.43C7 0 1985.64 1999.71 1996.65 1999.96 1982.54C8 0 1659.66 1819.78 1968.29 2000C9 0 1773.16 1827.47 1999.98C10 0 1704.58 1998.2C11 0 2000C12 0

Tabel 9. Matriks Separabilitas Transformed Divergence

Keterangan :

C1 : Sungai C7 : Kebun Teh Potong C2 : Permukiman C8 : Pohon C3 : Jalan C9 : Semak dan Kebun C4 : Awan C10 : Sawah C5 : Bayangan Awan C11 : Kebun Teh C6 : Rumput C12 : Tanah Kosong

Page 41: KAJIAN SPASIAL SEBARAN

Evaluasi Akurasi

Metode evaluasi akurasi yang digunakan disini adalah dengan user’s

accuracy, producer’s accuracy, overall accuracy dan Kappa accuracy. Jumlah

keseluruhan piksel yang dibuat ada 60423 piksel dengan komposisi terbanyak

adalah bayangan awan dan yang paling sedikit adalah sungai. Untuk user’s

accuracy yang merupakan hasil pembagian matrik diagonal dengan total kolom,

didapatkan kelas dengan tingkat akurasi tertinggi yaitu rumput dengan nilai

98,384%. Dari 2290 piksel yang terklasifikasi sebagai kelas rumput, ada sebanyak

2253 piksel, 4 piksel kedalam kelas tanah kosong dan 33 piksel kedalam kelas

sawah, sedangkan kelas dengan user’s accuracy terendah adalah sawah dengan

nilai 78,8% dimana dari 1217 piksel yang terklasifikasi sebagai sawah, 959 piksel

masuk kedalam kelas sawah, 9 piksel kedalam kelas pemukiman, 1 piksel

kedalam kelas sungai, 20 piksel kedalam kelas rumput, 16 piksel kedalam kelas

kebun teh potong, 5 piksel kedalam kelas pohon, 33 piksel kedalam kelas semak

dan kebun, dan 174 piksel kedalam kelas kebun teh. Dengan rata-rata user’s

accuracy sebesar 91,422%, berarti masih bisa digunakan dengan mengacu bahwa

akurasi minimal adalah 85%.

Pada producer’s accuracy kelas dengan tingkat akurasi tertinggi adalah

awan dengan nilai 99,98% dimana dari 13022 piksel yang terklasifikasi sebagai

awan, 13020 masuk kelas awan dan 2 piksel masuk kedalam kelas pemukiman,

sedangkan kelas dengan tingkat akurasi terendah adalah sawah dengan nilai

65,23% dimana dari 1470 piksel yang terklasifikasi sebagai sawah, 959 yang

masuk kedalam kelas sawah, 1 piksel kedalam kelas sungai, 3 piksel kedala kelas

jalan, 74 piksel kedalam kelas tanah kosong, 33 piksel kedalam kelas rumput, 134

piksel kedalam kelas pohon, 106 piksel kedalam kelas semak dan kebun, dan 160

piksel kedalam kelas kebun teh. Sama halnya dengan user’s accuracy, dengan

rata-rata 89,131% producer’s accuracy ini masih bisa diterima.

Untuk mengetahui tingkat akurasi keseluruhan, bisa dilihat dari overall

accuracy dan Kappa accuracy. Disini digunakan Kappa Accuracy karena

memperhitungkan semua elemen dalam kolom sehingga hasilnya akan lebih

akurat. Overall accuracy yang diperoleh adalah 94,906% dan Kappa accuracy

sebesar 93,699%.

Page 42: KAJIAN SPASIAL SEBARAN

Jika dilihat pada tabel, ada kelas yang mempunyai akurasi tinggi dan ada

yang rendah, hal ini disebabkan oleh beberapa faktor baik internal maupun

eksternal. Secara internal, citra Ikonos dengan resolusi tinggi 1 x 1m pasti

mempunyai jumlah piksel yang semakin banyak seiring semakin besarnya

cakupan wilayah penelitian. Dengan semakin banyaknya jumlah piksel, variasi

nilai spektral akan semakin banyak dan pada akhirnya akan semakin sulit

mengklasifikasikan secara digital karena kemungkinan satu piksel dalam sauatu

kelas masuk ke kelas lain besar. Menurut Atkinson dan Tate (1999), sehubungan

dengan semakin tingginya resolusi spasial, biasanya akan semakin tinggi pula

noise pada citra. Dengan tingginya resolusi spasial, banyak pula informasi pada

citra yang bisa didapatkan, namun akurasi klasifikasi kemungkinan menurun.

Page 43: KAJIAN SPASIAL SEBARAN

Data Acuan Training Area C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12

C1 1004 14 164 0 5 0 0 0 0 0 0 0 1187 84.583C2 20 1877 29 152 0 0 15 0 0 9 0 135 2237 83.907C3 93 14 1252 0 57 0 22 0 0 1 0 0 1439 87.004C4 0 2 0 13020 0 0 0 0 0 0 0 0 13022 99.984C5 0 0 0 0 20713 0 0 7 0 0 0 0 20720 99.966C6 0 0 0 0 0 2253 0 0 1 20 2 5 2281 98.772C7 1 24 10 0 0 0 2071 22 7 16 0 56 2207 93.837C8 5 0 0 0 551 0 0 4095 81 5 18 0 4755 86.119C9 0 0 1 0 0 0 0 193 2017 33 122 0 2366 85.249

C10 1 0 3 0 0 33 0 134 106 959 160 74 1470 65.23C11 0 0 0 0 0 0 0 55 55 174 4226 0 4510 93.702C12 0 234 1 86 0 4 46 0 0 0 0 3858 4229 91.227

Total Kolom 1124 2165 1460 13258 21326 2290 2154 4506 2267 1217 4528 4128 60423User's Acc (%) 89.323 86.697 85.753 98.204 97.125 98.384 96.146 90.878 88.972 78.8 93.33 93.459Overall Acc (%) 94.906Kappa Acc (%) 93.699

Diklasifikasi Sebagai Kelas Total Baris

Producer's Acc (%)

Tabel 10. Matrik Kesalahan (Error Matrix)

Keterangan : C1 : Sungai C5 : Bayangan Awan C9 : Semak dan Kebun C2 : Permukiman C6 : Rumput C10 : Sawah C3 : Jalan C7 : Kebun Teh Potong C11 : Kebun Teh C4 : Awan C8 : Pohon C12 : Tanah Kosong

Page 44: KAJIAN SPASIAL SEBARAN

30

Penghitungan Indeks Vegetasi

Indeks vegetasi yang dibuat yaitu dibagi menjadi 2 kelas besar, yaitu

vegetasi dan non vegetasi. Untuk non vegetasi seperti jalan, sungai, pemukiman,

sawah kosong, tanah kosong, kebun kosong, kebun teh potong, awan dan

bayangan awan, memiliki indeks vegetasi antara -1 ~ 0. Vegetasi dibagi lagi

menjadi pohon, sermak dan kebun, kebun teh, sawah dan rumput dengan kisaran

nilai NDVI dari 0 ~ 0,992188. Untuk kisaran nilai 0 ~ 0,164063, menunjukkan

nilai NDVI sawah dan rumput, kisaran nilai > 0,164063 ~ 0,328125, adalah nilai

NDVI untuk kebun teh, sawah, semak dan rumput. Kisaran nilai > 0,328125 ~

0,492188 adalah nilai NDVI untuk semak, kebun dan sawah, sedangkan kisaran

nilai > 0,492188 ~ 0,99218 adalah nilai NDVI untuk pohon dan semak. Untuk

lebih jelasnya dapat dilihat pada Tabel 11.

Tabel 11. Nilai Indeks Vegetasi

Pada kenyataannya, nilai NDVI vegetasi memang lebih besar dari

permukaan bumi yang lain. Hal ini membantu untuk membedakan vegetasi dan

dapat berguna untuk monitoring vegetasi. Vegetasi hijau yang sehat merefleksikan

sebagian besar near-infrared dan nilai sinar merah (red) cenderung menurun

seiring dengan bertambahnya vegetasi (Parkinson, 1997). Dengan semakin

tingginya nilai NDVI berarti vegetasipun semakin banyak atau rapat. Hal ini

dibuktikan dari hasil penghitungan, bahwa rumput dan sebagian sawah

mempunyai nilai NDVI yang lebih kecil dari tutupan vegetasi yang lainnya.

Jenis Tutupan Lahan Nilai Indeks Vegetasi

Non Vegetasi -1 ~ 0 Sawah dan rumput 0 ~ 0,164063

Kebun teh, sawah, semak dan rumput > 0,164063 ~ 0,328125

Semak, kebun dan sawah > 0,328125 ~ 0,492188

Pohon dan semak > 0,492188 ~ 0,99218

Page 45: KAJIAN SPASIAL SEBARAN

31

Gambar 5. Peta Kisaran Nilai NDVI

Pada gambar ditampilkan penampakan tutupan lahan yang dibuat pada citra

dan keadaan di lapangan :

Gambar 6. (1a) Hutan pada citra, (1b) Hutan di lapangan, (2a) Semak pada citra, (2b) Semak di lapangan.

1a

2b2a

1b

Page 46: KAJIAN SPASIAL SEBARAN

32

Gambar 6. (lanjutan) (3a) Kebun pada citra, (3b) Kebun di lapangan, (4a) Sawah

pada citra, (4b) Sawah di lapangan, (5a) Rumput pada citra, (5b) Rumput di lapangan, (6a) Kebun teh potong pada citra, (6b) Kebun teh potong di lapangan

4b4a

6a 6b

5a 5b

2a 2b

Page 47: KAJIAN SPASIAL SEBARAN

33

Gambar 6. (lanjutan) (7a) Sawah kosong pada citra, (7b) Sawah kosong di lapangan, (8a) Kebun kosong pada citra, (8b) Kebun kosong di lapangan, (9a) Tanah kosong pada citra, (9b) Tanah kosong di lapangan, (10a) Permukiman pada citra, (10b) Permukiman di lapangan.

7b7a

8b8a

9a

10a

9b

10b

Page 48: KAJIAN SPASIAL SEBARAN

34

Gambar 6. (lanjutan) (11a) Jalan pada citra, (11b) Jalan di lapangan, (12a) Sungai pada citra, (12b) Sungai di lapangan, (13a) Awan pada citra, (14a) Bayangan Awan pada citra.

Kondisi Tutupan Vegetasi Secara Umum

Secara umum, tutupan vegetasi di sub DAS Ciliwung Hulu masih baik,

dengan komposisi antara lahan yang diperuntukan bagi vegetasi dan non vegetasi

yang masih seimbang bahkan lebih banyak vegetasi (8773, 853 ha). Untuk pohon,

di daerah sub DAS Ciliwung ini terdapat berbagai jenis pohon-pohonan

diantaranya kayu manis, pinus (Pinus merkusii), ki endog, pasang kapas, riung

anak, pohon buah-buahan dan lain-lain (Lampiran 2). Untuk penyebarannya, tiap

jenis tidak merata. Pinus lebih banyak ditemui ditepi hutan, kayu manis banyak

terdapat di Perkebunan Teh Gunung Mas, sedangkan yang lain tersebar.

11a 11b

12a 12b

14a13a

Page 49: KAJIAN SPASIAL SEBARAN

35

Semak dan kebun tersebar di seluruh daerah penelitian. Untuk semak

biasanya ditemui didekat hutan atau didalam hutan, disisi sungai dan dekat kebun-

kebun, sedangkan kebun tersebar juga mangingat daerah puncak juga merupakan

penghasil sayur-sayuran. Jenis-jenis tanaman yang ditanami diantaranya wortel,

terung, cabai, sawi, ubi, daun bawang, kacang-kacangan dan lain-lain.

Kebun teh baik yang masih hijau (1129,640 ha) ataupun yang sudah

dipanen /dipotong (442,180 ha) membentang cukup luas di daerah ini. Disana

terdapat 2 perkebunan teh, yaitu perkebunan teh Gunung Mas dan perkebunan teh

Ciliwung yang letaknya bersebrangan dan dalam manajemen pengelolaan yang

berbeda.

Tutupan sawah masih cukup banyak dan sebagian besar adalah sawah

irigasi. Untuk rumput, sebagian besar tutupan rumput adalah rumput yang berada

di halaman-halaman vila atau penginapan, dan sebagian adalah lapangan rumput.

Berdasarkan data dari Badan Pusat Statistik (BPS) tahun 2003, dari segi

ekonomi produksi sayuran yang paling banyak adalah sawi dan daun bawang baik

di Kecamatan Ciawi, Megamendung maupun Cisarua. Produksi sawi dan daun

bawang tahun 2003 di Kecamatan Cisarua adalah 15.960 kg dan 13.345 kg, di

Kecamatan Megamendung 13.240 kg dan 11.284 kg.

Analisis Spasial

Analisis Sebaran Tutupan Lahan

Sebaran Tutupan Lahan Per Desa

Banyaknya desa yang berada di wilayah penelitian (Sub DAS Ciliwung

Hulu di ) ini ada 21 desa yang terbagi kedalam 3 Kecamatan. Dari hasil analisis,

didapatkan bahwa tutupan vegetasi (pohon, semak dan kebun, kebun teh, sawah,

rumput) paling banyak adalah di Desa Tugu Selatan dengan 1211,704 ha yang

didominasi oleh pohon. Untuk tutupan pohon paling banyak terdapat di Desa

Tugu Utara yaitu sebanyak 603,063 ha, dan paling sedikit di Desa Cisarua yaitu

hanya 6,041 ha, tutupan semak dan kebun banyak ditemukan di Desa Sukamaju

yaitu 239,966 ha, dan yang paling sedikit Desa Cipayung yaitu 2,091 ha. Untuk

tutupan kebun teh (termasuk teh yang dipotong), banyak terdapat di Desa

Page 50: KAJIAN SPASIAL SEBARAN

36

Sukamaju yaitu sebanyak 382,72 ha dan yang paling sedikit adalah Desa

Cilember, sebanyak 3,674 ha. Tutupan lahan sawah banyak terdapat di Desa Tugu

Selatan, yaitu 142.754 ha dan yang paling sedikit adalah Desa Cisarua, yaitu

3,930 ha, tutupan rumput banyak ditemukan di Desa Tugu Selatan dengan 46,578

ha dan yang paling sedikit di Desa Cisarua dengan 0,338 ha. Untuk tutupan tanah

kosong, Desa Cibeureum mempunyai tutupan terluas yaitu 110,040 ha dan yang

paling sedikit di Desa Cilember, yaitu hanya 2,766 ha. Tutupan pemukiman

terbanyak di Desa Tugu Selatan sebanyak 165,166 ha dan paling sedikit di Desa

Tugu Utara sebanyak 0,527 ha. Tutupan jalan terbanyak di Desa Tugu Selatan

80,953 ha dan yang paling sedikit di Desa Tugu Utara sebanyak 0,522 ha.

Secara garis besar, tutupan lahan vegetasi di sub DAS Ciliwung Hulu

didominasi oleh pohon dengan 31% atau seluas 3308,523 ha. Pada citra, bagian

yang tertutup awan dan bayangan awan termasuk kedalam kelas pohon

berdasarkan peta yang dikeluarkan Bakosurtanal (Badan Koordinasi Survey dan

Pemetaan Nasional. Sehingga, luas tutupan berupa pohon termasuk yang tertututp

awan dan bayangan awan adalah sebesar 4103,79 ha. Rumput memiliki luas

terkecil pada tutupan vegetasi dengan 3% atau 279,176 ha. Pada tutupan lahan

non vegetasi, tutupan lahan yang mendominasi adalah tanah kosong dengan 9%

atau sama dengan 895,260 ha, dan yang paling sedikit adalah sungai, yaitu hanya

sebesar 1% atau seluas 105,551 ha (Lampiran 2). Untuk jenis tutupan lahan

vegetasi yang bisa dipanen seperti kebun teh, sawah dan kebun, sewaktu-waktu

luasnya bisa berubah tergantung waktu panen. Persentase luasan tiap kelas

tutupan lahan dapat dilihat pada Gambar 7. :::

Page 51: KAJIAN SPASIAL SEBARAN

37

Persentase Luas Tiap Tutupan Lahan

31%

14%15%

12%

3%

9%

4% 3%

5%

1%3%

PohonSmk & KbnKebun TehSawahRumputTnh KosongPermukimanJalanSungaiAwanByngn Awan

Gambar 7. Persentase Luas Tiap Tutupan Lahan

Page 52: KAJIAN SPASIAL SEBARAN

38

0

500

1000

1500

2000

2500

3000

3500L

uas (

Ha)

Pohon

Smk & KbnKbn Teh

SawahRumput

Tnh Kosong

Permukiman Jalan

SungaiAwan

Byngn Awan

Jenis Tutupan Lahan

Histogram Luas Setiap Tutupan Lahan di Tiap Desa

Batulayang Bojong Murni Cibeureum CilemberCipayung Cipayung Girang Cisarua CitekoGadog Jogjogan Kopo KutaLeuwimalang Megamendung Sukagalih SukakaryaSukamanah Sukaresmi Sukamaju Tugu SelatanTugu Utara

Gambar 8. Luas Setiap Tutupan Lahan di Tiap Desa

Page 53: KAJIAN SPASIAL SEBARAN

39

Tabel 12. Luas Tutupan Vegetasi di Setiap Desa

Pohon Smk & Kbn Kbn Teh Sawah RumputBatulayang 35.051 15.454 10.719 27.858 2.480

0.441 0.195 0.135 0.351 0.031Bojong Murni 55.997 16.596 20.534 40.895 7.510

0.705 0.209 0.259 0.515 0.095Cibeureum 129.680 89.680 103.360 135.680 23.680

1.633 1.129 1.302 1.709 0.298Cilember 9.611 2.091 3.674 6.058 1.897

0.121 0.026 0.046 0.076 0.024Cipayung 497.511 149.040 93.023 40.795 8.498

6.266 1.877 1.172 0.514 0.107Cipayung Girang 38.857 12.003 30.066 63.291 22.276

0.489 0.151 0.379 0.797 0.281Cisarua 6.041 5.469 4.036 3.930 0.338

0.076 0.069 0.051 0.049 0.004Citeko 28.595 34.430 19.733 22.009 1.950

0.360 0.434 0.249 0.277 0.025Gadog 12.431 8.229 6.518 7.752 1.136

0.157 0.104 0.082 0.098 0.014Jogjogan 82.398 66.395 48.990 89.199 7.063

1.038 0.836 0.617 1.123 0.089Kopo 115.708 78.143 60.541 77.938 7.693

1.457 0.984 0.762 0.982 0.097Kuta 22.508 8.044 14.267 25.742 9.953

0.283 0.101 0.180 0.324 0.125Leuwimalang 96.191 112.753 146.981 91.617 12.111

1.211 1.420 1.851 1.154 0.153Megamendung 10.870 4.236 5.027 9.096 2.307

0.137 0.053 0.063 0.115 0.029Sukagalih 24.629 10.554 25.079 7.380

0.310 0.133 0.316 0.093Sukakarya 93.601 81.218 111.605 86.003 25.027

1.179 1.023 1.406 1.083 0.315Sukamanah 68.605 36.855 56.768 91.731 21.758

0.864 0.464 0.715 1.155 0.274Sukaresmi 471.284 140.783 110.107 137.567 35.982

5.936 1.773 1.387 1.733 0.453Sukamaju 376.314 239.966 382.720 140.110 31.403

4.739 3.022 4.820 1.765 0.396Tugu Selatan 529.579 203.534 289.259 142.754 46.578

6.670 2.563 3.643 1.798 0.587Tugu Utara 603.063 195.536 43.337 14.983 2.157

7.595 2.463 0.546 0.189 0.027Total (Ha) 3308.523 1500.454 1571.820 1280.086 279.176 7940.056

482.080

141.531

91.564

Luas (Ha) dan Persentase (%) Tutupan Vegetasi

31.537

459.652

80.513

Nama Desa Total (Ha)

106.718

19.813

166.492

788.866

23.331

340.022

294.043

36.066

859.076

1211.704

1170.513

895.722

275.718

397.453

67.642

Page 54: KAJIAN SPASIAL SEBARAN

41

Persentase0% - 8% 8% - 15% 15% - 25% 25% - 45% > 45% (%)

664.658 472.444 702.141 1124.448 365.4416.293 4.473 6.648 10.646 3.460

356.937 269.220 371.944 410.203 109.3213.380 2.549 3.522 3.884 1.035

508.238 397.713 373.289 263.314 42.1994.812 3.766 3.534 2.493 0.400

584.397 311.873 239.934 140.157 21.2945.533 2.953 2.272 1.327 0.202

155.743 64.080 39.622 20.136 3.6951.475 0.607 0.375 0.191 0.035

437.820 222.953 152.553 68.110 6.2984.145 2.111 1.444 0.645 0.060

261.440 112.548 66.152 56.331 23.0832.475 1.066 0.626 0.533 0.219

134.135 54.812 29.167 29.308 12.1891.270 0.519 0.276 0.277 0.115

28.972 12.955 16.807 27.352 13.1810.274 0.123 0.159 0.259 0.125

26.183 36.393 113.101 176.305 71.7200.248 0.345 1.071 1.669 0.679

15.886 8.992 49.752 184.205 100.5850.150 0.085 0.471 1.744 0.952

Total (Ha) 563.553 246.606 154.945 130.570 50.343 10561.725 100

14.369

31.521

2.682

12.286

15.005

4.919

8.405

3.403

4.012

0.940

2.458

1584.752

1517.626

3329.131

359.420

283.275

1297.654

259.611

519.553

887.734

Awan

Bayangan Awan

423.702

99.267

Kelas Tutupan Lahan

Tanah Kosong

Sungai

Jalan

Permukiman

Total (Ha)

Pohon

Semak dan Kebun

Kebun Teh

Sawah

Rumput

Luas (Ha) dan Persentase (%) Pada Kelas Lereng

Sebaran Tutupan Lahan Menurut Kelas Lereng

Berdasarkan kelas lereng 0% sampai ≥ 45%, dapat dilihat bahwa tutupan

lahan yang dominan pada tiap kelas lereng adalah pohon dengan persentase

keseluruhan 31,5%. Pada kelas lereng 0% - 8% tutupan pohon sebesar 6,293%

atau seluas 664.658 ha, pada kelas lereng 8% - 15% sebesar 4,473% atau seluas

472,444 ha, pada kelas lereng 15% - 25% sebesar 6,648% atau seluas 702, 141 ha,

untuk kelas lereng 25% - 45% sebesar 10,646% atau seluas 1124,448 ha dan pada

kelas lereng ≥ 45% sebanyak 3,640% atau seluas 365,441 ha. Dapat dilihat

bahwa kelas lereng 25% - 45% adalah yang paling banyak ditutupi pohon. Salah

satu penyebabnya adalah karena daerah tersebut termasuk kedalam hutan lindung,

sehingga otomatis penebangan pohon akan lebih sedikit dibandingkan tempat lain,

dimana salah satu kriteria hutan lindung adalah bila kemiringannya > 40%. Lebih

lengkapnya dapat dilihat pada Tabel 13.

Tabel 13. Luas Setiap Tutupan Lahan Pada Kelas Lereng 0%~>45%

Page 55: KAJIAN SPASIAL SEBARAN

42

Histogram Sebaran Tutupan Lahan Pada Kelas Lereng

365.441

702.141664.658 472.444

1124.448

0200400600800

10001200

0% - 8% 8% - 15% 15% - 25% 25% - 45% > 45%Kelas Lereng

Lua

s (H

a)

Pohon Semak dan Kebun Kebun TehSawah Rumput Tanah KosongPermukiman Jalan SungaiAwan Bayangan Awan

Gambar 9. Histogram Luas Setiap Tutupan Lahan Pada Kelas Lereng

Sebaran Tutupan Lahan Pada Buffer Sungai Jarak 50 m

Jarak buffer pada sungai yang digunakan adalah 50 m dengan interval 10

m. Pada Gambar 10 dapat terlihat bahwa jenis tutupan lahan yang mendominasi

pada buffer 10, 20, 30, 40 dan 50 m adalah pohon dengan 32,126% atau seluas

36.298 ha dimana pada buffer 10 m mempunyai tutupan pohon terbanyak dengan

10,158% atau 11,47 ha. Tutupan lahan terbesar kedua adalah sawah dengan

19,338% atau 21,849 ha karena sawah yang digunakan oleh penduduk adalah

sawah irigasi sehingga banyak terdapat ditepi sungai.Tutupan lahan yang paling

sedikit selain awan dan bayangan awan adalah rumput dengan 2,268% atau seluas

2,563 ha.

Mengacu kepada Undang-undang No. 41 tahun 1999, pada jarak 50 meter

kiri kanan tepi anak sungai tidak boleh dilakukan penebangan pohon. Maka,

kondisi tutupan pohon pada buffer sungai 50 m masih bisa ditoleransi dan masih

sesuai dengan ketentuan. Agar vegetasi disekitar sungai ini tidak cepat habis,

perlu dilakukan usaha-usaha rehabilitasi seperti penghijauan dengan pengelolaan

yang baik.

Page 56: KAJIAN SPASIAL SEBARAN

43

10 20 30 40 5011.477 6.584 6.068 6.167 6.00210.158 5.827 5.371 5.458 5.3124.456 2.461 1.93 1.822 1.6553.944 2.178 1.708 1.613 1.4654.506 2.488 2.192 2.055 2.0833.988 2.202 1.940 1.819 1.8447.522 4.039 3.385 3.303 3.66.657 3.575 2.996 2.923 3.1860.749 0.428 0.404 0.474 0.5080.663 0.379 0.358 0.420 0.4504.101 2.436 2.238 2.146 1.8973.630 2.156 1.981 1.899 1.6792.179 1.329 1.204 1.108 1.0471.929 1.176 1.066 0.981 0.9271.021 0.674 0.617 0.669 0.710.904 0.597 0.546 0.592 0.6280.424 0.267 0.611 0.722 0.7190.375 0.236 0.541 0.639 0.6360.006 0 0 0 00.005 0 0 0 00.139 0.107 0.07 0.066 0.1220.123 0.095 0.062 0.058 0.108

Total (Ha) 36.58 20.813 18.719 18.532 18.343 112.987 100

Kelas Tutupan

Lahan

Luas (Ha) dan Persentase (%) Tiap Tutupan Lahan Pada Jarak Buffer (m)

Total

(Ha)

2.563

21.849

13.324

2.743

Persentase

(%)

10.907

32.126

2.268

19.338

11.793

0.446

0.005

2.428

3.267

6.078

Rumput

11.34512.818

Permukiman

Tanah Kosong

Sungai

Jalan

12.324

36.298

Sawah

Kebun Teh

Smk dan Kbn

Pohon

3.691

6.867

0.504

0.006

Bayangan Awan

Awan

Tabel 14. Luas Setiap Tutupan Lahan Pada Buffer Sungai

Page 57: KAJIAN SPASIAL SEBARAN

44

11.477

6.584 6.068 6.167 6.002

0

2

4

6

8

10

12

Lua

s (H

a)

10 m 20 m 30 m 40 m 50 mJarak Buffer (m)

Histogram Luas Setiap Tutupan Lahan Pada Buffer Sungai

Pohon Semak dan Kebun Kebun TehSawah Rumput Tanah KosongPermukiman Jalan SungaiAwan Bayangan Awan

Gambar 10. Histogram Luas Setiap Tutupan Lahan Pada Buffer Sungai

Sebaran Tutupan Lahan Pada Buffer Jalan Jarak 10 m

Buffer yang dibuat pada jalan besar adalah selebar 10 m kiri kanan jalan

dengan interval 5 meter. Pada buffer 5 m, tutupan yang mendominasi adalah

pohon dengan persentase 10,407% atau seluas 3,92 ha dan yang paling sedikit

selain awan dan bayangan awan adalah sungai, yaitu sebesar 0,834% atau 0,314

ha. Sama halnya dengan buffer 5m, pada buffer 10 m pohon kembali

mendominasi tutupan lahan dengan persentase 10,497% atau sebesar 3,954 ha dan

sungai pun sebarannya paling sedikit diluar awan dan bayangan awan, yaitu

0,807% atau 0,304 ha. Jika dilihat dari dominasi tutupan lahan yang sebagian

besar berupa pohon, berarti sebaran vegetasi disekitar jalan besar ini masih bagus,

pohon-pohon disepanjang jalan sebagai salah satu contoh hutan kota kondisinya

masih cukup bagus.

Page 58: KAJIAN SPASIAL SEBARAN

45

5 m 10 m3.920 3.954

10.407 10.4971.414 1.3773.754 3.6563.124 3.1188.294 8.2782.264 2.4206.010 6.4250.591 0.6861.569 1.8211.386 1.3573.680 3.6032.467 2.3726.549 6.2973.249 3.1098.625 8.2540.314 0.3040.834 0.8070.031 0.0210.082 0.0560.109 0.0810.289 0.215

Total (Ha) 18.869 18.799 37.668 100

3.3901.277

12.435

16.571

0.190

0.052

0.618

6.358

0.504

0.138

1.641

16.879

12.8464.839

2.743 7.282

7.409

20.904

4.684

6.242

2.791

7.874

Sawah

Kebun Teh

Smk dan Kbn

Pohon

Permukiman

Tanah Kosong

Rumput

Bayangan Awan

Awan

Sungai

Jalan

Total (Ha)Kelas Tutupan LahanLuas (Ha) dan Persentase (%)Tiap Tutupan Lahan Pada Buffer Jalan Persentase

(%)

Tabel 15. Luas Setiap Tutupan Lahan Pada Buffer Jalan

Page 59: KAJIAN SPASIAL SEBARAN

46

0

1

2

3

4

Lua

s (ha

)

5 m 10 mJarak Buffer

Histogram Luas Setiap Tutupan Lahan Pada Buffer Jalan

Pohon Smk dan Kbn Kebun TehSawah Rumput Tanah KosongPermukiman Jalan SungaiAwan Bayangan Awan

Gambar 11. Histogram Luas Setiap Tutupan Lahan Pada Buffer Jalan

Efisiensi Relatif Efisiensi relatif pengolahan data menggunakan citra Ikonos dan tanpa citra

dapat dihitung dengan memperhatikan komponen-komponen pengambilan data

lapangan, pengadaan citra dan pengolahan citra. dalam melakukan survey ini,

dibentuk satu regu yang terdiri dari 1 orang supervisor dan 2 orang anggota. Upah

untuk supervisor sebesar Rp 100.000/hari dan anggota Rp 35.000/hari. Prestasi

kerja regu adalah 8 plot/hari. Berikut ini adalah penghitungan biaya pengolahan

data yang menggunakan citra dan yang tidak menggunakan citra :

a. Kawasan Hutan

Menggunakan Citra

Luas keseluruhan hutan pada citra (termasuk yang tertutup awan dan

bayangan awan) 4103,79 ha, jumlah surveyor 3 orang, dilakukan survey

sebanyak 3 kali dan luas tiap plot 0,1 ha. Total jumlah plot yang dibuat adalah

sebanyak 11 plot. Biaya survey lapangan adalah :

- Upah supervisor @ Rp 150.000 x 3 hari = Rp 450.000

- Upah anggota @ Rp 100.000 x 3 hari x 2 = Rp 600.000 +

Total biaya = Rp 1.050.000

= Rp 255,86/ha

Page 60: KAJIAN SPASIAL SEBARAN

47

TanpaCitra

Survey tanpa menggunakan citra membutuhkan 1 regu yang terdiri dari 6

orang dengan pembagian kerja dan upah sebagai berikut :

1 orang supervisi = Rp 150.000

1 orang pembuka jalan = Rp 100.000

2 orang pencatat @ Rp 100.000 = Rp 200.000

2 orang pemegang tali dan pemegang kompas = Rp 200.000 +

Total upah = Rp 650.000

Dengan asumsi bahwa 1 regu kerja yang terdiri dari 6 orang bisa

menyelesaikan survey seluas 2 ha dalam 1 hari, maka dengan luas hutan pada

citra 4103,789 ha, biaya yang diperlukan adalah sebanyak :

1. Lamanya pekerjaan : 4103,79 ha/2 ha/hari = 2051,895 ≈ 2052 hari

2. Biaya total Rp 650.000 x 2052 hari = Rp 13.333.800.000

3. Biaya per hektar = Rp 325.017/ha

b. Kawasan Non Hutan

1 Menggunakan Citra

Luas kawasan non hutan keseluruhan pada citra tanpa awan dan bayangan

awan adalah 6417,464 ha. Satu regu kerja terdiri dari 2 orang, prestasi kerja

regu dalam 1 hari bisa mencakup ± 60 ha. Banyaknya pengamatan adalah 2

kali.

Biaya yang dikeluarkan :

- Upah supervisor @ Rp 150.000 x 2 hari = Rp 300.000

- Upah anggota @ Rp 100.000 x 2 hari = Rp 100.000 +

Total biaya = Rp 400.000

= Rp 77,91/ha

TanpaCitra

- Lama pengamatan 6417,464 ha/60 ha/4 regu = 26 hari

- Biaya survey Rp 250.000 x 26 hari x 4 = Rp 26.000.000

- Biaya per hektar, Rp 26.000.000/6417,464 ha = Rp 4051,44/ha

Page 61: KAJIAN SPASIAL SEBARAN

48

c. Pengadaan Data Citra

Luas sub DAS Ciliwung hulu 10521,433 ha = 105,21433 km2

- Harga Ikonos US $ 20/km2 : US$ 20 x 105,21433 km2 = US$ 2104,2866

Dengan kurs US $ 1 = Rp 10.000, harga citra = Rp 21.042.866

= Rp 200.000/km2

= Rp 2000/ha

d. Biaya Pengolahan

Teknisi pengolahan data diberi upah Rp 100.000/hari, biaya pembelian

software dan sewa hardware per hari adalah Rp 200.000.

1 Menggunakan Citra

Pengolahan Citra 85 hari x Rp 100.000 = Rp 8.500.000

Sewa Software dan Hardware = Rp 17.000.000 +

Total = Rp 25.500.000

= Rp 2423,62/ha

2 Tanpa Citra

Pemetaan 60 hari x Rp 100.000 = Rp 6.000.000

Sewa Software dan Hardware = Rp 9.000.000 +

Total = Rp 15.000.000

= Rp 1425,66/ha

e. Total Biaya Menggunakan Citra

1. Survey kawasan hutan = Rp 255,86/ha

2. Survey Kawasan non hutan = Rp 77,91/ha

3. Pengadaan citra = Rp 2.000/ha

4. Pengolahan citra = Rp 2.423, 62/ha +

Total = Rp 4.757,39/ha

f. Total Biaya Tanpa Menggunakan Citra

1. Survey kawasan hutan = Rp 325.017/ha

2. Survey Kawasan non hutan = Rp 4.051,44/ha

3. Pengolahan data = Rp 1.425,66/ha +

Total = Rp 330.494,1/ha

Page 62: KAJIAN SPASIAL SEBARAN

49

ER = haha

/39,4757/1,330494 = 69,46

Jika dilihat dari efisiensi biaya, pengolahan data menggunakan citra lebih

efisien daripada tanpa menggunakan citra sebesar 69,46 kali. Komponen biaya

yang besar yaitu survey kawasan hutan dimana survey dilakukan dengan sensus.

Hal ini membuktikan bahwa pengolahan data menggunakan citra lebih efisien dari

segi biaya, waktu dan tenaga. Untuk tanpa citra, jumlah hari kerja dapat dikurangi

dengan menambah regu kerja menjadi 10 regu, sehingga hari kerja menjadi 205

hari.

Page 63: KAJIAN SPASIAL SEBARAN

30

Tabel 16. Perbandingan Biaya Menggunakan Citra dan Tanpa Citra

No. Jenis Data Jenis Kawasan

Luas Area (Ha)

JumlahOrang /Regu

Luas Areal Survey

(Ha)

Lama Hari

Kerja

Biaya Pengolahan/

Ha (Rp)

Biaya Total

(Rp x1000)

Biaya Per Hektar

(Rp)

Total Biaya/Ha

(Rp) 1. Citra Hutan 4103,79 3 1,1 3

4423,62 1.050 255,86 4757,39

Non Hutan 6417,464 2 60 2 400 77,91

2. Tanpa Citra Hutan 4103,79 6 4103,79 2052 1.425,66

13.333.800 325.017 330.494,1

Non Hutan 6417,464 2 6417,464 26 26.000 4051,44

Page 64: KAJIAN SPASIAL SEBARAN

KESIMPULAN DAN SARAN

Kesimpulan 1. Citra Ikonos mampu mendeteksi tutupan lahan vagetasi cukup tinggi karena dapat

mendeteksi tutupan lahan sampai level IV (jenis pohon). Namun, untuk non

vegetasi banyak terjadi misklasifikasi karena nilai spektral yang hampir sama.

Jika dilihat dari akurasi termasuk baik, dengan overall accuracy 94,906%. Perlu

diingat bahwa resolusi spasial yang tinggi belum tentu dapat memberikan

informasi secara spektral dengan bagus.

2. Persentase tutupan lahan terbesar adalah pohon (tidak termasuk yang tertutup

awan dan bayangan awan) dengan luas 3308,523 ha 31%. Desa yang mempunyai

tutupan lahan vegetasi terbesar adalah Desa Tugu Selatan dengan luas 1211,704

ha (11,517%) dan didominasi oleh pohon, yang terkecil adalah Desa Cisarua,

yaitu hanya 19,813 ha (0,188%) karena dari luasan desanya pun Desa Cisarua

memang kecil.

3. Dilihat dari kelas lerengnya, secara keseluruhan vegetasi banyak terdapat pada

kelas lereng 0% - 8%, yaitu seluas 2269,972 ha (21,49%), dan yang terkecil pada

kelas lereng ≥ 45% yaitu 541,950 ha (6,25%).

4. Pada buffer sungai sebesar 50 m kiri kanan sungai, baik pada jarak 10, 20, 30, 40

dan 50 m pohon paling mendominasi dengan 36,298 ha (32,126%), dan yang

paling sedikit selain awan adalah rumput dengan luas total 2,563 ha (2,26%).

5. Pada buffer jalan selebar 5 m dan 10 m, tutupan yang mendominasi adalah pohon

dengan luas 3,92 ha (10,407%) dan 3,954 ha (10,497%). Untuk vegetasi yang

paling sedikit yaitu rumput, hanya 1,277 ha (3,390%).

6. Dilihat dari efisiensi biaya, pengolahan data menggunakan citra lebih efisien

sebesar 69,46 kali dibandingan tanpa menggunakan citra.

Page 65: KAJIAN SPASIAL SEBARAN

50

Saran 1. Perlu dicari teknik yang lebih baik dalam melakukan pengklasifikasian pada citra

Ikonos secara digital.

2. Keberadaan vegetasi di sub DAS Ciliwung Hulu yang masih dominan

seyogyanya dipertahankan bahkan ditambah dengan pengadaan program

penghijauan dan reboisasi yang berkelanjutan.

Page 66: KAJIAN SPASIAL SEBARAN

51

DAFTAR PUSTAKA

Anonim. 1999. http://www.spaceimaging.com. 15 Nopember 2005, 10:16 a.m Anonim. 2000. Rencana Teknik Lapangan Rehabilitasi Lahan dan Konservasi Tanah:

Sub DAS Ciliwung Hulu DAS Ciliwung, Buku I. Balai Rehabilitasi Lahan dan Konservasi Tanah Citarum-Ciliwung.

Atkinson and N. J. Tate. 1999. Advances in Remote Sensing and GIS Analysis.

Chichester, New York, Weinheim, Brisbane, Singapore, Toronto : John Wiley and Sons.

Jaya, I N. S. 1996. Kesatuan Pengusahaan Hutan Produksi (KPHP) : Modul Bahan

Kuliah Perencanaan Hutan, Laboratorium Inventarisasi Sumberdaya Hutan. Bogor : Fakultas Kehutanan, IPB.

. 2002. Penginderaan Jauh Satelit Untuk Kehutanan, Laboratorium

Inventarisasi Hutan. Bogor : Fakultas Kehutanan IPB. . 2002. Aplikasi Sistem Informasi Geografis Untuk Kehutanan :

Penuntun Praktis Menggunakan Arc/Info dan Arc View. Bogor : Fakultas Kehutanan IPB.

. 2003. Prospek Pemanfaatan Citra Resolusi Tinggi dalam rangka

Identifikasi Jenis Pohon: Studi kasus menggunakan Citra CASI (Compact Airborne Spectographic Imager) dan IKONOS di Kebun Raya Bogor. Prosiding Pertemuan Ilmiah Tahunan (PIT) XII dan Kongres III Mapin. Bandung.

. 2005. Teknik Mendeteksi Lahan Longsor Menggunakan Citra SPOT

Multiwaktu : Studi Kasus di Teradomori, Tochio dan Shidata Mura, Niigata, Jepang. Jurnal Manajemen Hutan Tropika, vol. XI, No. 1. Bogor : Departemen Manajemen Hutan, Fakultas Kehutanan IPB.

Jensen, J. R. 1986. Introductory Digital Image Processing: A Remote Sensing Perspective. Department of Geography. University of South Carolina, Prentice Hall, Engelwood Cliffs, New Jersey.

. 2000. Remote Sensing of the Environment : An Earth Resource Perspective. USA : Prentice Hall.Inc.

Küchler, A. W. 1967. Vegetation Mapping. New York : The Ronald Press Company.

Page 67: KAJIAN SPASIAL SEBARAN

52

Lillesand, T. M and R. W. Kiefer. 1990. Remote Sensing and Image Interpretation.

Terjemahan. Yogyakarta : Gajah Mada University Press. Murdiyarso, D. 2003. Protokol Kyoto : Implikasinya Bagi Negara Berkembang.

Jakarta : Penerbit Buku Kompas. Parkinson, C. L. 1997. Earth From Above : Using Color-Coded Satellite Images to

Examine The Global Environment. University Science Books, Sausalito, California.

Pike, J. and T. Brown. 1999. http://www.fas.org/irp/spaceimaging.15 Desember 2004 Richards, J. A. 1986. Remote Sensing Digital Image Analysis : An Introduction.

Springer-Verlag Berlin, Heldelberg.

Page 68: KAJIAN SPASIAL SEBARAN

53

LAMPIRAN

Page 69: KAJIAN SPASIAL SEBARAN

54

Lampiran 1 Tabel Kisaran Nilai Indeks Vegetasi Tutupan Vegetasi dan Non Vegetasi

Page 70: KAJIAN SPASIAL SEBARAN

55

Lampiran 1 (Lanjutan)

Page 71: KAJIAN SPASIAL SEBARAN

56

Lampiran 1 (Lanjutan)

Page 72: KAJIAN SPASIAL SEBARAN

57

Lampiran 1 (Lanjutan)

Page 73: KAJIAN SPASIAL SEBARAN

58

Lampiran 1 (Lanjutan)

Page 74: KAJIAN SPASIAL SEBARAN

59

Lampiran 1 (Lanjutan)

Page 75: KAJIAN SPASIAL SEBARAN

60

Lampiran 1 (Lanjutan)

Page 76: KAJIAN SPASIAL SEBARAN

Lampiran 2Tabel Luas Setiap Kelas Tutupan Lahan di Setiap Desa

Pohon Smk&Kbn Kbn Teh Sawah Rumput Tnh Kosong Permukiman Jalan Sungai Awan Bygn Awan35.051 15.454 10.719 27.858 2.480 15.645 8.632 3.259 0.768 0.141 0.2880.333 0.147 0.102 0.265 0.024 0.149 0.082 0.031 0.007 0.001 0.003

55.997 16.596 20.534 40.895 7.510 23.365 21.219 12.199 7.437 0.219 0.7850.532 0.158 0.195 0.389 0.071 0.222 0.202 0.116 0.071 0.002 0.007

129.680 89.680 103.360 135.680 23.680 110.040 40.680 20.680 3.680 0.680 1.6801.233 0.852 0.982 1.290 0.225 1.046 0.387 0.197 0.035 0.006 0.0169.611 2.091 3.674 6.058 1.897 2.766 2.974 2.618 2.106 0.037 0.3190.091 0.020 0.035 0.058 0.018 0.026 0.028 0.025 0.020 0.000 0.003

497.511 149.040 93.023 40.795 8.498 7.595 1.628 0.744 0.574 0.506 8.9274.729 1.417 0.884 0.388 0.081 0.072 0.015 0.007 0.005 0.005 0.085

38.857 12.003 30.066 63.291 22.276 30.896 38.935 21.331 3.605 0.377 0.6180.369 0.114 0.286 0.602 0.212 0.294 0.370 0.203 0.034 0.004 0.0066.041 5.469 4.036 3.930 0.338 2.861 2.929 0.884 0.101 0.032 0.0610.057 0.052 0.038 0.037 0.003 0.027 0.028 0.008 0.001 0.000 0.001

28.595 34.430 19.733 22.009 1.950 12.119 2.633 0.998 0.196 0.112 0.3620.272 0.327 0.188 0.209 0.019 0.115 0.025 0.009 0.002 0.001 0.003

12.431 8.229 6.518 7.752 1.136 6.107 4.990 1.960 0.354 0.064 0.1790.118 0.078 0.062 0.074 0.011 0.058 0.047 0.019 0.003 0.001 0.002

82.398 66.395 48.990 89.199 7.063 85.229 17.886 5.455 1.009 0.494 1.7170.783 0.631 0.466 0.848 0.067 0.810 0.170 0.052 0.010 0.005 0.016

115.708 78.143 60.541 77.938 7.693 63.806 15.360 5.327 1.175 0.421 1.1201.100 0.743 0.575 0.741 0.073 0.606 0.146 0.051 0.011 0.004 0.011

22.508 8.044 14.267 25.742 9.953 13.091 16.884 13.349 1.516 0.167 0.4820.214 0.076 0.136 0.245 0.095 0.124 0.160 0.127 0.014 0.002 0.005

96.191 112.753 146.981 91.617 12.111 76.276 11.582 3.217 0.488 0.014 0.5520.914 1.072 1.397 0.871 0.115 0.725 0.110 0.031 0.005 0.000 0.005

10.870 4.236 5.027 9.096 2.307 3.785 1.583 1.958 2.214 0.044 0.2670.103 0.040 0.048 0.086 0.022 0.036 0.015 0.019 0.021 0.000 0.003

24.629 10.554 25.079 7.380 10.717 11.092 5.792 1.675 0.187 0.4210.234 0.100 0.238 0.070 0.102 0.105 0.055 0.016 0.002 0.004

93.601 81.218 111.605 86.003 25.027 99.441 35.986 14.165 1.818 0.162 0.9060.890 0.772 1.061 0.817 0.238 0.945 0.342 0.135 0.017 0.002 0.009

68.605 36.855 56.768 91.731 21.758 62.293 24.620 9.517 4.811 0.462 0.7380.652 0.350 0.540 0.872 0.207 0.592 0.234 0.090 0.046 0.004 0.007

471.284 140.783 110.107 137.567 35.982 75.856 55.773 37.700 7.435 1.768 68.7254.479 1.338 1.046 1.307 0.342 0.721 0.530 0.358 0.071 0.017 0.653

376.314 239.966 382.720 140.110 31.403 99.143 40.369 21.046 4.483 3.276 9.6883.577 2.281 3.638 1.332 0.298 0.942 0.384 0.200 0.043 0.031 0.092

529.579 203.534 289.259 142.754 46.578 90.852 165.166 80.953 59.636 420.854 200.2345.033 1.934 2.749 1.357 0.443 0.863 1.570 0.769 0.567 4.000 1.903

603.063 195.536 43.337 14.983 2.157 3.377 0.527 0.522 0.471 67.3645.732 1.858 0.412 0.142 0.021 0.032 0.005 0.005 0.004 0.640

Total (Ha) 3308.523 1500.454 1571.820 1280.086 279.176 895.260 521.447 263.673 105.551 430.016 365.431 10521.433

Tugu Selatan 2229.400

Tugu Utara 931.337

Sukaresmi 1142.978

Sukamaju 1348.519

Sukakarya 549.930

Sukamanah 378.160

Megamendung 41.389

Sukagalih 97.524

Kuta 126.000

Leuw imalang 551.780

Jogjogan 405.830

Kopo 427.230

Citeko 123.140

Gadog 49.720

Cipayung Girang 262.253

Cisarua 26.680

Cilember 34.150

Cipayung 808.839

Bojong Murni 206.754

Cibeureum 659.520

Nama DesaLuas (Ha) dan Persentase (%) Setiap Jenis Tutupan Lahan

Total (Ha)

Batulayang 120.300

Page 77: KAJIAN SPASIAL SEBARAN

Lampiran 3

Nama Surveyor : Radiagita Dwi Prasatya Tanggal : 02 September 2004Lokasi : Hutan Pinus merkusii

Putra Agung

No. Plot

No. Pohon

Jenis Pohon Keliling (cm)

Diameter (m)

Tinggi (m)

Volume (m3)

Koordinat

I 1 Pinus merkusii 94 0.299 15 1.055 7180912 Pinus merkusii 100 0.318 16 1.274 92599863 Pinus merkusii 95 0.303 14 1.0064 Pinus merkusii 94 0.299 15 1.0555 Pinus merkusii 95 0.303 15 1.0786 Pinus merkusii 91 0.290 14 0.9237 Pinus merkusii 109 0.347 16 1.5148 Pinus merkusii 182 0.580 18 4.7479 Pinus merkusii 146 0.465 15 2.54610 Pinus merkusii 195 0.621 18 5.44911 Pinus merkusii 78 0.248 16 0.77512 Pinus merkusii 85 0.271 8 0.46013 Pinus merkusii 73 0.232 8 0.33914 Pinus merkusii 78 0.248 12 0.58115 Pinus merkusii 76 0.242 14 0.64416 Pinus merkusii 83 0.264 14 0.76817 Pinus merkusii 124 0.395 16 1.95918 Pinus merkusii 71 0.226 14 0.56219 Pinus merkusii 163 0.519 18 3.80820 Pinus merkusii 93 0.296 17 1.17121 Pinus merkusii 80 0.255 15 0.76422 Pinus merkusii 101 0.322 19 1.54323 Pinus merkusii 78 0.248 16 0.77524 Pinus merkusii 92 0.293 15 1.01125 Pinus merkusii 85 0.271 14 0.80526 Pinus merkusii 93 0.296 14 0.96427 Pinus merkusii 71 0.226 12 0.48228 Pinus merkusii 90 0.287 14 0.90329 Pinus merkusii 95 0.303 15 1.07830 Pinus merkusii 93 0.296 15 1.03331 Pinus merkusii 97 0.309 15 1.12432 Pinus merkusii 68 0.217 12 0.442

Muhammad Sofiyuddin

TABEL ISIAN CEK LAPANG

Page 78: KAJIAN SPASIAL SEBARAN

50

Nama Surveyor : Radiagita Dwi Prasatya Tanggal : 02 September 2004Lokasi : Hutan Pinus merkusii

Putra Agung

No. Plot

No. Pohon

Jenis Pohon Keliling (cm)

Diameter (m)

Tinggi (m)

Volume (m3)

Koordinat

II 1 Pinus merkusii 99 0.315 14 1.092 7181602 Pinus merkusii 80 0.255 13 0.662 92599953 Pinus merkusii 147 0.468 14 2.4094 Pinus merkusii 95 0.303 14 1.0065 Pinus merkusii 85 0.271 11 0.6336 Pinus merkusii 89 0.283 12 0.7577 Pinus merkusii 92 0.293 16 1.0788 Pinus merkusii 135 0.430 16 2.3229 Pinus merkusii 115 0.366 16 1.68510 Pinus merkusii 96 0.306 16 1.17411 Pinus merkusii 89 0.283 14 0.88312 Pinus merkusii 124 0.395 17 2.08113 Pinus merkusii 108 0.344 17 1.57914 Pinus merkusii 95 0.303 14 1.34115 Pinus merkusii 83 0.264 14 1.02416 Pinus merkusii 106 0.338 15 1.78917 Pinus merkusii 111 0.354 15 1.96218 Pinus merkusii 86 0.274 16 1.25619 Pinus merkusii 138 0.439 16 3.23520 Pinus merkusii 96 0.306 15 1.468

Muhammad Sofiyuddin

Lampiran 3 (lanjutan)

Page 79: KAJIAN SPASIAL SEBARAN

51

Lampiran 3 (lanjutan)

Nama Surveyor : Radiagita Dwi Prasatya Tanggal : 12 Oktober 2004 Putra Agung Lokasi : Hutan Campuran

No. Plot

No. Pohon

Jenis Pohon Keliling (cm)

Diameter (m)

Tinggi (m)

Volume (m3)

Koordinat

III 1 Puspa 62 0.197 9.25 0.283 7186912 Riyung anak 194 0.618 16.75 5.019 92600183 Riyung anak 150 0.478 14.5 2.5984 Riyung anak 69 0.220 8 0.3035 Riyung anak 43 0.137 6.5 0.0966 Riyung anak 68 0.217 6 0.221

IV 1 Riyung anak 67 0.213 2.6 0.093 7187292 Riyung anak 193 0.615 13 3.855 92600013 Riyung anak 53 0.169 15 0.3354 Riyung anak 61 0.194 14.5 0.4305 Riyung anak 59 0.188 11.5 0.3196 Riyung anak 54 0.172 13.5 0.3137 Riyung anak 142 0.452 11 1.7668 Riyung anak 62 0.197 6.5 0.199

V 1 Riyung anak 120 0.382 11.25 1.290 7187572 Riyung anak 162 0.516 12.5 2.612 92599903 Riyung anak 132 0.420 12 1.6654 Riyung anak 52 0.166 7 0.1515 Riyung anak 98 0.312 12 0.9186 Riyung anak 101 0.322 8 0.6507 Riyung anak 105 0.334 16.5 1.448

Keterangan : Riyung anak : Castanea acuminatissima (Fagaceae) Puspa : Schima sp. (Theaceae)

Page 80: KAJIAN SPASIAL SEBARAN

52

Lampiran 3 (lanjutan)

Nama Surveyor : Radiagita Dwi Prasatya Tanggal : 31 Oktober 2004 Gunawan Agustejo Lokasi : Hutan Campuran Deden

No. Plot

No. Pohon

Jenis Pohon Keliling (cm)

Diameter (m)

Tinggi (m)

Volume (m3)

Koordinat

VI 1 Huru kapas 65 0.207 5.2 0.175 7189462 Ki Peer 75 0.239 0.000 92599263 Riyung anak 40 0.127 3 0.0384 Riyung anak 45 0.143 0.0005 Riyung anak 40 0.127 4 0.0516 Ki Peer 170 0.541 11 2.531

VII 1 Ki Peer 45 0.143 6 0.097 7190872 Ki Peer 52 0.166 8 0.172 92598963 Ki Peer 56 0.178 7.5 0.1874 Ki bangkong 90 0.287 10 0.6455 Kawoyang 50 0.159 8 0.1596 Huru sereh 105 0.334 10 0.8787 Huru sereh 82 0.261 8 0.428

VIII 1 Riyung anak 155 0.494 17.5 3.347 7191522 Riyung anak 70 0.223 12 0.468 92598923 Riyung anak 57 0.182 16 0.4144 Riyung anak 120 0.382 10 1.1465 Riyung anak 95 0.303 7 0.5036 Riyung anak 48 0.153 5 0.0927 Riyung anak 40 0.127 6 0.0768 Riyung anak 65 0.207 7 0.2359 Huru beras 42 0.134 7 0.098

10 Huru beras 52 0.166 7.5 0.16111 Huru beras 40 0.127 6.5 0.083

IX 1 Ki endog 170 0.541 12 2.761 7206612 Ki leho 55 0.175 14 0.337 92587143 Ki leho 32 0.102 12 0.0984 Ki leho 55 0.175 7 0.1695 Ki leho 58 0.185 4 0.1076 Ki leho 28 0.089 4.5 0.0287 Ki leho 62 0.197 13 0.3988 Ki leho 38 0.121 7 0.0809 Ki leho 45 0.143 13 0.210

10 Ki leho 45 0.143 8 0.12911 Ramo giling 75 0.239 10 0.44812 Ki leho 155 0.494 15 2.869

Keterangan : Huru kapas : Acer niveum (Aceraceae) Ki Peer : Ficus rostrata (Moraceae) Huru beras : Lindera polyantha (Lauraceae) Ki Bangkong : Endiandra rubescens Kawoyang : Pygeum parviflorum (Rosaceae) Huru sereh : Litsea diversifolia (Lauraceae)

Page 81: KAJIAN SPASIAL SEBARAN

53

Lampiran 3 (lanjutan)

No. Plot

No. Pohon

Jenis Pohon Keliling (cm)

Diameter (m)

Tinggi (m)

Volume (m3)

Koordinat

IX 13 Ki endog 60 0.191 7 0.201 72066114 Ki leho 50 0.159 10 0.199 925871415 Ki leho 73 0.232 6 0.25516 Ki leho 200 0.637 15 4.77717 Ki leho 91 0.290 13 0.85718 Ki leho 171 0.545 12 2.79419 Ki leho 400 1.274 20 25.47820 Ki leho 282 0.898 19 12.030

X 1 Huru batu 44 0.140 8 0.123 7206612 Huru batu 35 0.111 5 0.049 92587143 Ki endog 70 0.223 6 0.2344 Ki endog 33 0.105 5 0.0435 Ki endog 200 0.637 20 6.3696 Ki leho 45 0.143 7 0.1137 Ki leho 120 0.382 7 0.8038 Panggang puyuh 260 0.828 15 8.0739 Ki leho 80 0.255 6 0.306

10 Ki leho 63 0.201 6.5 0.20511 Ki leho 255 0.812 20 10.35412 Pasang kapas 70 0.223 7 0.27313 Pasang kapas 105 0.334 23 2.01914 Pasang kapas 60 0.191 6 0.172

XI 1 Ki endog 42 0.134 6 0.0842 Ki endog 80 0.255 10 0.5103 Ki leho 38 0.121 5 0.0574 Ki leho 265 0.844 18 10.0645 Ki endog 70 0.223 9 0.3516 Ki leho 62 0.197 7 0.2147 Ki endog 63 0.201 5 0.1588 Ki endog 40 0.127 7 0.0899 Ki endog 48 0.153 7 0.128

10 Ki endog 55 0.175 6 0.14511 Ki leho 275 0.876 18 10.83812 Ki leho 78 0.248 15 0.72713 Kayu manis 48 0.153 10 0.183

Keterangan : Ki Endog : Xantophyllum excelsum (Polygalaceae) Pasang kapas : Quercus sundaica (Fagaceae) Ramo giling : Schefflera aromatica (Aralaceae) Kayu manis : Cinamomum sp. Huru batu : Litsea javanica ( Lauraceae)