Petunjuk Teknis Perhitungan REL Sektor Berbasis Lahan Opt

1Petunjuk Teknis Perhitungan REL untuk Sektor Berbasis Lahan

Petunjuk Teknis Perhitungan Reference Emission Level

untuk Sektor Berbasis Lahan

DIREKTORAT JENDERAL PLANOLOGIKEMENTERIAN KEHUTANAN

2 Petunjuk Teknis Perhitungan REL untuk Sektor Berbasis Lahan

PETUNJUK TEKNIS PERHITUNGAN REFERENCE EMISSION LEVEL

UNTUK SEKTOR BERBASIS LAHAN

@ Kemenhut RI, UN-REDD, FAO, UNDP, UNEP

All right reserved published in 2012

PenulisIndrawan Suryadi

Desain dan VisualisasiTugas Suprianto

Gedung Manggala Wanabakti Ruang 525C, Blok IV, 5th FloorJl. Gatot Subroto, Senayan, Jakarta 1070

Telp. 62-21-57951505, 57902950, 5703246 Ext. 5246 Faks. 62-21-5746748Email: [email protected]

www.un-redd.or.id


Daftar Isi

Bab 1. Pendahuluan 5

Bab 2. Berbagai Metode REL yang Tersedia 7 2.1 Historical Based 8 2.2 Adjusted Historical Based 8 2.3 Forward Looking 8

Bab 3. Inventarisasi Kebutuhan dan Sumberdaya 11 3.1 Perangkat 11 3.2. Data 12

Bab 4. Identifikasi Penutupan Lahan 13 4.1 Teknik Interpretasi Citra Satelit 13 4.2 Pengolahan Awal Citra 14 4.2.1 Pembuatan Data Set Citra 14 4.2.2 Koreksi Geometrik 16 4.2.3 Koreksi Radiometrik 16 4.3. Klasifikasi Citra 17 4.3.1 Segmentasi 17 4.3.2 Identifikasi Training Area 19 4.3.3 Klasifikasi 21 4.3.2 Perhitungan Akurasi 21

Bab 5. Analisis Perubahan Penutupan Lahan, Deforestasi, dan Degradasi 23 5.1 Analisis Perubahan Penutup Lahan 23 5.2 Identifikasi Deforestasi dan Degradasi Hutan 26

Bab 6. Estimasi Sejarah Emisi 31

Bab 7. Proyeksi Emisi Masa Depan 35

Daftar Pustaka 39



Reference Emission Level (REL) merupakan tingkat emisi acuan yang diukur pada

suatu wilayah yang disebabkan dari kegiatan deforestasi dan degradasi hutan. REL merupakan acuan dalam menghitung penu-runan atau kenaikan emisi masa depan pada suatu wilayah. Dalam skema REDD, angka ini akan menentukan, dengan membandingkan emisi aktual yang terjadi dalam suatu kurun waktu tertentu, apakah suatu wilayah berhasil ataukah tidak dalam upaya mitigasi peruba-han iklim yang telah diupayakan.

Berbagai metode telah tersedia dalam perhitungan tingkat emisi acuan ini. Masing-masing memiliki kekuatan, kelemahan, dan pra-kondisi yang berbeda. Melalui modul, akan disampaikan proses per-hitungan ting-kat emisi acuan dengan menggunakan bahasa yang disederhanakan agar dapat mudah dipa-hami oleh berbagai pihak.

Tujuan dari disusunnya modul ini adalah memberikan pemahaman teknis berbagai fihak, terutama pemerintah di daerah ter-kait cara/teknis perhitungan tingkat acuan emisi di daerahnya masing-masing. Modul ini terdiri dari beberapa bab, dimana setiap chapter mewakili setiap proses yang diper-lukan terkait dengan perhitungan REL, yang meliputi:

Bab metode, memaparkan perbandingan setiap metode yang tersedia dalam perhitun-gan REL, keterkaitannya dengan data yang

Bab 1. Pendahuluan

diperlukan, dan tahapan relatif dari proses proses identifikasi secara keseluruhan.

Bab identifikasi kebutuhan dan sum-berdaya, memapaparkan kebutuhan data, dan perangkat yang diperlukan dalam per-hitungan REL. Kebutuhan spesifik jenis data dari setiap metode termasuk software mau-pun hardware yang diperlukan.

Bab identifikasi penutupan lahan me-maparkan teknis identifikasi penutupan lahan menggunakan metode terpilih.

Bab analisis perubahan penutupan lahan, deforestasi dan degradasi hutan, memaparkan teknik analisis perubahan penu-tupan lahan, identifikasi deforestasi dan deg-radasi hutan dengan menggunakan software Arc GIS dan MS Excel. Definisi deforestasi dan degradasi hutan mengacu pada definisi dan kelas penutupan lahan yang digunakan pada kementerian kehutanan.

Bab identifikasi sejarah emisi, mema-parkan teknik estimasi emisi di masa lampau berdasarkan data perubahan penutupan lahan dan data cadangan karbon atau faktor emisi yang telah tersedia.

Bab proyeksi emisi masa depan BAU, memaparkan teknik proyeksi emisi dimasa depan BAU berdasarkan sejarah emisi masa lampau dengan menggunakan beberapa metode yang tersedia.

Proses perhitungan REL secara umum disajikan pada bagan alur berikut ini.


GAMBAR 1. TAHAPAN PROSES PERHITUNGAN REL


2. Berbagai Metode REL yang Tersedia

GAMBAR 2. BAGAN ALUR ANALISIS TEKNIS IDENTIFIKASI REL

Merujuk pada informasi yang disajikan diawal, bahwa perhitungan proyeksi

emisi dapat dilakukan dengan beberapa cara: (a) berdasarkan sejarah emisi dalam suatu ku-run waktu tertentu, (b) berdasarkan sejarah emisi yang disesuaikan dengan suatu faktor penyesuai, (c) berdasarkan prediksi yang

didasarkan pada rencana tata ruang wilayah dan rencana pembangunan/ekonomi, dan (d) berdasarkan model eksplisit spasial yang diinput oleh beberapa data proxy.

Beberapa pilihan metode tersebut disaji-kan dalam bagan berikut ini:

Sumber: UN-REDD Programme Indonesia, 2012


2.1 Historical BasedMetode ini secara sederhana menggunakan

emisi yang telah terjadi untuk memprediksi sejarah emisi di masa lalu. Sejarah emisi dis-intesis dari data perubahan penutupan lahan dan faktor emisi atau carbon density. Sehingga dalam hal ini, proyeksi merupakan fungsi lan-jutan dari sejarah emisi. Karakteristik metode ini adalah:• Dibandingkan dengan metode lain, sejarah

berbasis metode yang paling sederhana.• Hanya membutuhkan data sejarah tutupan

lahan dalam kurun waktu tetentu.• Secara umum, memiliki tingkat kebutuhan

biaya biaya yang lebih rendah dibanding-kan dengan metode lain.

• Hanya memerlukanalat (tool) Sistem In-formasi Geografis yang sederhana dalam melakukan analisis / perhitungannya.

• Karena merupakan metode yang paling sederhana, metode mudah untuk dipa-hami oleh pemerintah daerah.

• Metode ini menguntungkan bagi daerah yang memiliki angka sejarah emisi yang tinggi.

• Metode ini tidak mempertimbangkan ke-bijakan pemerintah terkait dengan alokasi penggunaan lahan di masa depan.

• Metode ini tidak mempertimbangkan hubungan dan dampak dari berbagai faktor yang mempengaruhi atau memicu perubahan tutupan lahan dimasa depan.

• Metode ini tidak menguntungkan bagi daerah yang memiliki sejarah emisi yang rendah.

2.2 Adjusted Historical BasedMetode ini melakukan penyesuaian dari

proyeksi yang didasarkan pada suatu faktor penyesuai. Faktor penyesuai tersebut dapat berupa kepadatan penduduk, laju pertamba-han ekonomi, dll.

Karakteristik metode ini adalah:• Mengakomodasi keadaan saat yang diwak-

ili beberapa faktor penyesuaian (kepada-tan penduduk, pertumbuhan ekonomi, dll) untuk menyesuaikan emisi masa depan yang diproyeksikan.

• Membutuhkan hanya dua set data:, yaitu sejarah tutupan lahan, dan faktor penye-suaian.

• Hanya memerlukan standar Geographics syatem Informasi dan alat Penginderaan Jauh dalam melakukan analisisnya.

• Terdapat beragam elemen faktor penye-suai yang bersifat konteks-tual yang dapat beragam tergantung pada kondisi daerah yang bersangkutan, sehingga elemen/ pa-rameter faktor penyesuai yang digunakan oleh setiap daerah dapat berbeda satu sama lain.

2.3 Forward LookingMetode forward looking merupakan me-

tode yang memproyeksi emisi masa depan berdasarkan beberapa data proksi yang dimiliki. Berdasarkan teknis dan data yang digunakan, metode ini selanjutnya dapat dibe-dakan menjadi forward looking parametrik dan forward looking non parametrik.

Metode forward looking parametrik meng-gunakan pemodelan eksplisit spasial dalam memproyeksikan emisi masa depan. Data yang digunakan meliputi data yang dinilai berpotensi menjadi trigger dari deforestasi dab degradasi hutan, seperti jaringan jalan, jaringan sungai, kelerengan, ketinggian, dll. Contoh model yang tersedia adalah geomod dan land change modeller. Sementara itu, me-tode forward looking non parametrik melaku-kan proyeksi emisi masa depan dengan men-dasarkan berbagai skenario yang merujuk pada rencana pengembangan wilayah atau tataruang serta dokumen rencana pemban-gunan dan ekonomi setempat.


Karakteristik metode ini adalah:• Skenario yang didasarkan pada rencana

tata ruang lokal untuk membuat metode ini minggu relatif mudah untuk mendis-kusikan dengan pemerintah daerah, terutama dalam hal strategi pengurangan emisi.

• Metode ini mudah dipahami pemerintah daerah untuk proyeksi emisi didasarkan pada data spasial dan rencana pemba-ngunan yang relevan daerah.

• Karena mempertimbangkan rencana pengembagan wilayah dan pembangunan daerah setempat, maka metode ini oleh beberapa pihak dianggap dapat mewakili kepentingan ekonomi dan pertumbuhan daerah yang bersangkutan.

• Metode ini dianggap oleh beberapa pihak cukup komprehensif untuk menggunakan

berbagai proxy data dalam memproyek-sikan emisi masa depan.

• Metode ini memerlukan analisis yang lebih kompleks dian-dingkan dengan metode lainnya, sehingga memerlukan kete-rampilan teknis yang relatif tinggi.

• Metode ini membutuhkan tingkat keraga-man data yang lebih tinggi dibandingkan dengan metode lainnya.

• Memerlukan tool SIG dengan ekstensi pemodelan spasial.

• Merujuk kepada kebutuhan tools atau model yang disyaratkan, kompleksitas, serta tingkat keragaman data yang tinggi, menjadi kan metode ini memerlukan biaya yang relatif lebih mahal dibandingkan dengan metode lainnya.Secara umum kekuatan dan kelemahan

masing-masing konsi-deran tersebut disaji-kan pada tabel dibawah ini.

Konsideran

Kompleksitas

Tingkat kebutuhan data

Perangkat analisis

Kemudahan dipahami pemerintah daerah

Mempertimbangkan rencana pembangunan dan pengembangan wilayah daerah

Kemudahan dalam menyusun strategi penurunan emisi berba-sis lahan

Metode Historical Based

Sederhana

Sederhana

Moderate

Mudah

Rendah

Moderate

Metode Adjusted Historical Based

Sederhana

Moderate

Moderate

Moderate

Rendah

Moderate

Metode Forward Looking Non-parametric

Moderate

Tinggi

Moderate

Mudah

Tinggi

Relatif mudah

Metode Forward Looking Parametric

Kompleks

Tinggi

Relatif tinggi

Relatif sulit

Moderate

Moderate



Inventarisasi kebutuhan dan sumber-daya meliputi data, perangkat lunak, dan

perangkat keras. Inventarisasi kebutuhan dan sumberdaya ini selanjutnya akan dijadikan sebagai dasar dalam mengidentifikasi gaps terkait data dan perangkat perlu dipersiapkan wilayah yang bersangkutan dalam melakukan perhitungan REL.

3. Inventarisasi Kebutuhan dan Sumberdaya

3.1 PerangkatPerangkat atau alat yang diperlukan dalam

perhitungan REL akan sangat bergantung dengan metode yang digunakan. Berikut tabel kebutuhan alat atau perangkat yang diperlu-kan dalam perhitungan REL pada berbagai metode.

Perangkat /Peralatan

Software

Hardware

Metode Historical Based

Historical BasedSoftware SIG (Arc GIS, Q GIS, dll)

Software Penginder-aan Jauh (ENVI, ER Mapper, dll)

Software Microsoft Offi ce (MS Excel dan MS Word)Personal Computer, spesifkasi minimal yang dianjurkan ada-lah RAM 2 GB dan kartu grafi s 1 GB

Metode Adjusted Historical Based

Software SIG (Arc GIS, Q GIS, dll)

Software Penginderaan Jauh (ENVI, ER Map-per, dll)

Software Microsoft Offi ce (MS Excel dan MS Word)Personal Computer, spesifkasi minimal yang dianjurkan adalah RAM 2 GB dan kartu grafi s 1 GB

Metode Forward Looking Non-parametric


Software Penginderaan Jauh (ENVI, ER Mapper, dll)

Software Microsoft Of-fi ce (MS Excel dan MS Word)Personal Computer, spesifkasi minimal yang dianjurkan adalah RAM 2 GB dan kartu grafi s 1 GB

Metode Forward Looking Parametric


Software Penginderaan Jauh (ENVI, ER Mapper, dll)Explicit spatial model

Software Microsoft Offi ce (MS Excel dan MS Word)Personal Computer, spesifkasi minimal yang dianjurkan adalah RAM 2 GB dan kartu grafi s 1 GB


3.2 DataSeperti hal nya perlengkapan dan perala-

tan, kebutuhan data akan juga sangat bergan-tung pada metode yang digunakan. Berikut

Peta sejarah penutup lahanPeta Tata Ruang WilayahPeta Penunjukan Kawasan dan PerairanPeta PerkebunanPeta PertambanganPeta JalanPeta SungaiPeta Batas Administrasi Peta KetinggianDemografi

Rencana Pembangunan Jangka Menegah Daerah

Historical Based

V

V

Adjusted Historical Based

V

V

V

Forward Looking Non-parametric

V

V

V

V

V

Forward Looking Parametric

V

VVVV

V

Pengumpulan data dilakukan kepada set-iap wali data yang bersangkutan. Berikut daf-tar wali data untuk beberapa data terkait.

Wali/Sumber Data

BPHK

Bakosurtanal

USGS

Dinas Pekerjaan Umum

Bappeda

Biro Pusat Statistik

BPDAS

Dinas Perkebunan

Dinas Pertambangan

Daftar data

Peta Penutup Lahan, Peta KPK, Peta Penunjukan kawasan dan perairan

Peta Administrasi

Peta Ketinggian yang disintesis dari SRTM

Peta Rencana Tata Ruang Wilayah, Peta Jalan

Dokumen Rencana Pembangunan Jangka Menengah, Peta Administrasi

Data Demografi

Peta Jaringan Sungai

Peta Perkebunan

Peta Pertambangan

tabel kebutuhan data dari berbagai metode yang diperlukan.


4.1 Teknik Interpretasi Citra SatelitAnalisis perubahan penutupan lahan

dan identifikasi perubah-annya merupakan bagian dari data aktivitas yang harus disiap-kan dalam perhitungan emisi. Identifikasi pe-nutupan lahan dilakukan dengan melakukan interpretasi citra satelit. Melalui sensor yang dimilikinya, menggunakan gelombang elek-tromagnetik, citra satelit merekam fenomena permukaan bumi secara berkala. Perekaman ini memanfatkan perbedaan selang spektral yang dipantulkan. Beragam citra satelit yang tersedia saat ini; optik maupun radar, dengan berbagai tingkatan resolusi spasial.

Citra satelit dapat diinterpretasi melalui beberapa cara: (a) interpretasi manual (man-ual interpretation), dan (b) interpretasi digital (digital interpretation). Interpretasi manual dilakukan secara visual menggunakan meja digitasi (digitation tablet) ataupun digitasi on screen (on screen digitation), sementara interpretasi digital dilakukan menggunakan sistem yang terkomputerisasi berdasarkan dengan atau tanpa menggunakan sample atau alghorithma yang telah pengguna tetapkan.

Terkait dengan interpretasi digital, ada dua kelompok ektraksi data: (a) berbasis piksel, dan (b) berbasis objek (object oriented classification). Interpretasi berbasis piksel meliputi klasifikasi terbimbing (supervised classification) dan klasifikasi tidak terbimb-ing (un-supervised classification). Klasifikasi terbimbing adalah metode klasifikasi ber-

4. Identifi kasi Penutupan Lahan

dasarkan sample yang telah ditentukan olah pengguna, sementara klasifikasi tidak terbimbing akan memberikan keleluasaan kepada komputer untuk mengklasifi-kasikan kelas yang junlahnya telah pengguna tentu-kan untuk kemudian hasilnya didefinisikan selanjutnya berdasarkan atribut kelas yang telah ditentukan.

Dalam klasifikasi terbimbing terdapat be-berapa metode yang dapat digunakan:- Maximum likelihood — mengasumsikan

bahwa statistik kelas pada setiap band terdistribusi secara normal. Kelas piksel ditentukan berdasarkan tingkat probabili-tas tertinggi.

- Minimum distance — menggunakan nilai tengah untuk setiap kelas dan menghitung jarak Euclidean dari piksel yang tidak diketahui ke nilai tengah tengah masing-masing kelas. Piksel diklasifi-kasikan berdasarkan kelas yang terdekat.

- Mahalanobis distance — memiliki kemiri-pan dengan maximum likelihood, namun mengasumsikan bahwa semua kovarian kelas adalah setara. Semua piksel diklas-ifikasikan kepada data training yang ter-dekat.

- Spectral Angle Mapper (SAM); adalah klasifikasi fisik berbasis spektral yang menggunakan sudut nD untuk mencocok-kan piksel data sample. Teknik ini relatif tidak sensitif terhadap efek pencahayaan


dan Albedo. SAM membandingkan sudut antara setiap piksel dengan rerata sample-nya dalam ruang nD. Sudut yang lebih kecil merupakan pertanda jarak yang lebih dekat dengan spektrum sample. Piksel dalam hal ini diklasifikasikan ke dalam kelas yang memiliki sudut terkecil.Klasifikasi berbasis piksel merupakan me-

tode klasifikasi klasik yang mengolah spektral menjadi informasi pada setiap piksel. Secara normal perbedaan fisik pada permukaan bumi akan memiliki informasi spektral yang khusus. Namun, pendekatan ini memiliki keterbatasan ketika objek memiliki informasi spektral yang sama (Gao Yan, 2003).

Klasifikasi berbasis objek (object oriented classifictaion) adalah interpretasi citra yang menggabungkan informasi spektral dan informasi spasial. Pendekatan ini membuat segmentasi piksel menjadi objek sesuai den-gan rona dan mengklasifikasikannya seba-gai gambar secara keseluruhan. Klasifikasi berbasis pixel menggunakan nilai spektral, sementara klaisfikasi berbasis objekjuga menggunakan informasi tekstur dan konteks dalam menentukan segmen kelas objeknya. Atas pertimbangan hal tersebut diatas, pada panduan teknis ini, akan coba disampaikan teknik metode klasifikasi citra dengan me-tode digital berbasis objek. Perangkat yang digunakan

GAMBAR 3. KLASIFIKASI CITRA BERBASIS OBJEK

4.2 Pengolahan Awal Citra4.2.1 Pembuatan Data Set Citra

Dalam format aslinya, sebagian data mentah citra disiapkan terpisah dalam ma-sing-masing band. Sehingga diperlukan satu langkah untuk mengkonversi sekaligus men-ggabungkan band yang diperlukan kedalam satu dataset citra. Dibawah ini adalah urutan langkah yang dilakukan dalam membuat dataset dengan mengguna-kan contoh citra satelit landsat.

- Aktifkan software Arc Map (start> pro-gram> Arc GIS>Arc Map).

- Aktifkan “Arc Toolbox” melalui menu tool: Windows.


- Tool “Composite Bands” dapat diakses dengan membuka Arc Toolbox> Data Management Tools> Raster> Raster Processing>Composite Bands.

- Dalam jendela komposit band, pilihlah input raster yang memiliki angka band yang sesuai dengan kebutuhan untuk di-masukan dalam kanal RGB lalu klik OK. Setiap tipe band memiliki karakter mer-

ekam tipe objek tertentu. Di bawah ini adalah contoh fungsi setiap band dari citra Landsat.

Band

1

2

3

4

5

6

7

Contoh aplikasi

Pemetaan wilayah pantai dan perairan, pembuatan batimetri, pemetaan sedimentasi

Pemetaan vegetasi, identifi kasi refl ektansi klorofi l

Identifi kasi absorbsi klorofi l, pembedaan spesies tumbuhan, dan biomasa

Spesiaes vegetasi, biomasa, kelembaban tanah

Pembatasan fenomena tanah dan tumbuhan, pemetaan wilayah pemukiman

Pemetaan evapotranspirasi, pemetaan suhu permukaan, kelembaban tanah

Geologi, pemetaan tipe batuan dan mineral, pembatasan badan air, pemetaan tingkat kelembaban tumbuhan

- Pada panduan teknis ini, band 543 akan digunakan sebagai contoh. Selain band yang berkesesuaian dengan kebutuhan identifikasi penutupan lahan, kombinasi ini memberikan informasi dan kombinasi warna yang kontras, vegetasi hijau dan tanah berwarna merah. Kombinasi band ini umum digunakan untuk kebutuhan kegiatan monitoring hutan.

- Apabila dataset telah terbentuk maka, maka band dapat dilihat keberadaannya dengan meng klik kanan diatas image, lalu pilih properties. Pada jendela simbology, pilihlah RGB composite.

- Langkah selanjutnya adalah melaku-kan penggabungan citra, atau mosaick-ing. Mosaic tool dapat di akses mela-lui Arc Toolbox>Data Management Tool>Raster>Raster Dataset>Mosaic To New Raster.


- Pada jendela “Mosaic to New Raster”, in-put rasteryang akan di mosaic. Tentukan lokasi, nama field, sistem koordinat, lalu klik OK.

4.2.2. Koreksi GeometrikData Landsat sebagian kini sebagian besar

didistribusikan dalam format citra yang telah di orto-rectifikasi. Namun, jika dalam situasi citra belum ter-rektifikasi, maka rektifikasi citra dalam hal ini dapat dilakukan dalam Arc-GIS dalam tool geo-referncing, melalui menu Tools>Customize>toolbar>Georeferencing.

4.2.3 Koreksi RadiometrikKoreksi radiometrik merupakan proses

yang dilakukan untuk meningkatkan tingkat visibilitas citra sebelum diinterpretasi. Dalam ENVI EX, koreksi radiomatrik dapat dilakukan dengan cara:- Melalui software ENVI EX buka jendela

“Data Manager” melalui menu “File”

- Buka file citra lalu pilihlah komposisi band yang akan digunakan sebagai visualisasi.

- Koreksi Radiometrik selanjutnya dapat dilakukan melalui tool histogram scrath dan filter yang ada pada tool, atau dapat juga menggunakan teknik yang sangat sederhana dengan menyesuaikan tool bright, contrast, atau sharpen.


4.3 Klasifi kasi CitraTahapan teknik klasifikasi citra dilakukan

dengan cara:- Buka menu File >Open untuk membuka

citra.

- Bukalah “Data Manager” dari menu File, kemudian pilihlah band komposit RGB, lalu buka “Load Data”

4.3.1 SegmentasiTahapan selanjutnya dari proses klas-

ifikasi citra berbasis objek adalah segmen-tasi. Segmentasi merupakan tahapan yang mengkelompokkan piksel berdasarkan tingkt homogenitas dan heterogenitas warna dan bentuknya.

Segmentasi dilakukan dengan cara:

- Pada menu Toolbox ENVI, buka Work-flows> Feature Extraction.

- Segmentasi dapat berjalan dalam berbagai skala paramaeter. Pada tahapan ini pen-gujian pada berbagai tingkat diperlukan untuk melihat hasil yang terbaik. Berikut adalah contoh segmentasi yang

dilakukan pada empat skala segmentasi yang berbeda (25, 40, 50, dan 75):


Semakin kecil skala paramater semakin tinggi dimensi dan pembagian objek yang dilakukan. Dengan menguji parameter seg-mentasi yang berbeda, mengacu pada pem-bandingan visual, atau pengecekan lapangan, atau pengetahuan lapangan, maka salah satu parameter segmentasi selanjutnya dapat di-tentukan (Matinfar, 2007). - Mengacu pada hasil diatas skala paramater

40 misalnya memberikan hasil yang ter-baik, maka skala ini selanjutnya dipilih un-tuk dan dibawa pada proses selanjutnya.

- Tentukan band yang akan dipilih, misalnya 543, kemudian pilik OK

- Contoh hasil segmentasi adalah seperti gambar dibawah ini.


- Langkah selanjutnya dari segmentasi adalah majorisasi. Proses ini merupakan tahapan yang optional yang akan meng-gabungkan segment-segment kecil yang homogen menjadi segment yang lebih besar. Majorisasi dalam hal ini diwakili oleh proses merge. Dalam contoh ini con-toh proses merge tidak akan dilakukan, sehingga merge level diset pada angka 0, lalu klik next.

- Pada tahap “compute attributes”, pilihlah parameter yang akan digunakan dalam mendefinisikan atribut dari objek yang akan dilakukan. Pada klasifikasi berbasis piksel yang digunakan hanya paramater spektral, sementara pada klasifikasi ber-basis objek paramater tekstur, spasial, spektral digunakan secara komprehensif. Kemudian pilihlah next untuk melanjutkan pada proses segmentasi final.

- Pada tahap “refine”, threshold parameter dapat digunakan berdasarkan interval nomer digital yang kita tentukan.

4.3.2 Identifi kasi Training Area- Langkah selanjutnya adalah ekstraksi

feature. Pada tahapan ini penentuan be-berapa segment sebagai sample kelas jenis penutupan lahan dilakukan.


- Pada tahapan ini tentukan jumlah dan nama kelas yang digunakan.

- Penambahan kelas dan perubahan nama dilakukan melalui tool berikut (contoh: hutan mangrove, hutan rawa sekunder, perkebunan, lahan terbuka, dll.)

- Pada tahap ini penentuan sample tipe penutupan lahan pada beberapa segment dilakukan.


4.3.3 Klasifi kasi Selanjutnya klasifikasi citra akan mem-

proses dan menentukan segment yang ada untuk masuk kedalam kelas berdasarkan sample yang telah ditentukan.

- Dibawah ini adalah contoh sample kelas yang dijadikan dasar dalam klasifikasi.

- Hasil kemudian diekspor ke vektor.

4.3.2 Perhitungan AkurasiPerhitungan akurasi adalah tahap yang

menentukan apakah hasil klasifikasi yang dilakukan dapat sesuai dengan kondisi dila-pangan dan dapat diterima kebenarannya ber-dasarkan treshold tertentu ataukah tidak.

Secara teknis perhitungan akurasi dilaku-kan dengan memprbandingkan data hasil klasifikasi dengan kondisi lapangan. Peng-guna dalam hal ini melakukan pengecekan dan pengambilan beberapa sampel dila-pangan sebagai pembanding. Perhitungan akurasi dapat dilakukan dengan berbagai metode, salah satu metodenya adalah con-fusion matrix. Pada prinsipnya, confusion matrix menyusun data hasil klasifikasi dan hasil pengamatan di lapangan dalam tabel perbandingan persentase. Contoh berikut adalah ilustrasi penghitungan akurasi yang dilakukan berdasarkan 100 titik sampel di lapangan.

Perkebunan

4

5

31

40

Landcover

Total Baris

Hutan Primer Lahan Kering

Lahan Terbuka

Perkebunan

Hutan Primer Lahan Kering

28

1

1

30

Lahan Terbuka

3

21

1

30

35

32

33

100

Maka perhitungan akurasinya adalah sebagai berikut:Akurasi keseluruhan (Overall Accuracy):= jumlah diagonal utama (warna kuning)/jumlah titik= 80/100 = 80%

Ground Check Total Kolom



5.1 Analisis Perubahan Penutup LahanTerdapat beberapa metoda dalam men-

ganalisis perubahan penutup lahan, metode tersebut antara lain: perbandingan peta hasil klasifikasi, identifikasi perubahan spektral, dan klasifikasi multiwaktu. Karena data yang digunakan pada studi kasus ini menggunakan data hasil klasifikasi yang telah dilakukan Ditjen Baplan, maka modul ini akan menggu-nakan metode yang pertama dalam melaku-kan analisis perubahan penutup lahannya.

Metode klasifikasi ini membandingkan dua peta hasil klasifikasi dari dua waktu yang berbeda. Metode ini setidaknya memiliki be-berapa persyaratan berupa:a. Peta hasil klasifikasi yang diperbanding-

kan berasal dari citra dengan resolusi spasial yang sama.

b. Peta hasil klasifikasi yang diperbanding-kan harus memiliki sistem pengkelasan yang sama.Langkah-langkah yang dilakukan dalam

identifikasi perubahan lahan dengan meng-gunakan metode ini adalah:• Aktifkan software SIG (modul ini meng-

gunakan ArcGIS sebagai tool nya)

Bab 5. Analisis Perubahan Penutupan Lahan, Deforestasi, dan Degradasi

• Aktifkan menu Arc Toolbox pada menu Window

• Munculkan kedua peta hasil klasifikasi dari dua waktu yang berbeda. Dalam studi kasus ini yang diperbandingkan adalah peta penutup lahan Sulawesi Tengah tahun 2000 dan 2009.

• Pada Arc Toolbox > Analysis Tools > inter-sect


• Lakukan proses overlay intersect terhadap kedua peta penutup lahan ini

• Setelah proses ini, maka kedua peta yang berbeda telah tergabung ke dalam satu file. Untuk melakukan pengecekan, bukalah atribut dari data hasil overlay di atas.

• Jika proses overlay berhasil maka atribut dari data yang bersangkutan dapat dilihat pada tabel ini.

• Pada tabel atribut data hasil overlay kedua penutup lahan diatas, buatlah field baru untuk mengidentifikasikan deforestasi dan degradasi lahan yang terjadi. De-forestasi ditandai dengan perubahan dari tutupan hutan menjadi tutupan non hutan, sementara degradasi hutan ditandai den-gan penurunan kualitas kerapatan tutupan hutan (dari primer menjadi sekunder).

• Tabel yang dihasilkan dapat berupa ma-triks perubahan lahan maupun grafik pe-rubahan dari tahun ke tahun seperti pada tabel berikut ini.



5.2 Identifi kasi Deforestasi dan Degradasi Hutan

Proses identifikasi deforestasi dan degra-dasi hutan dilakukan dengan menggunakan fasilitas SQL query yang ada pada ArcGIS. Dalam tahapan ini, perubahan penutup lahan antara dua selang tahun yang dikaji dikelom-pokkan dan diidentifikasi kelompok mana yang masuk sebagai deforestasi maupun degradasi hutan.• Pada tabel atribut > Option, buka “Select

By Attributes”

• Tentukan perubahan lahan yang masuk ke dalam kelompok deforestasi dan degradasi hutan.


• Hasil pengelompokan area yang terdeforestasi dan terdegradasi selanjutnya dapat dita-mpilkan secara spasial seperti di bawah ini.

• Perhitungan luas area yang terdeforestasi dan terdegradasi merupakan tahap selanjutnya. Perhitungan luas dilakukan dengan membuat field luas terlebih dahulu, melalui “Add Fied” yang dapat dibuka melalui menu Option yang berada pada tabel atribut.


• Dalam menu add field, pilih type double.

• Pada field “luas_ha” yang telah dibuat aktifkan Calculate Geometry, dengan cara meng-klik kanan di atas nama field luas_ha.

• Pada property –nya, pilih Area. Pada Coordinate System, pilih sistem coordinat UTM. Dan pada unitnya, pilih satuan luas Hectares (ha). Setelahnya, ArcGIS akan menghitung luas tersebut dan menyimpannya dalam field luas_ha yang telah kita siapkan sebelumnya.


• Bukalah hasil file yang di export dengan menggunakan Microsoft Excel. Dengan menggunakan fasiltas pivot table, lakukan pembuatan tabel luas deforestasi dan degradasi hutan.

• Contoh matrik deforestasi dan degradasi hutan disajikan dalam tabel berikut

Tanda merah diatas menandai perubahan penutup lahan yang masuk kedalam kelompok deforestasi, sementara warna kuning menandakan proses degradasi hutan yang masuk keda-lam kelompok degradasi hutan. Langkah ini dilakukan untuk mengidentifikasi perubahan (dan luas) yang menjadi penyebab deforestasi dan degradasi hutan di wilayah ini.

Contoh hasil analisis dapat berupa peta maupun grafik seperti gambar di bawah ini.


• Salah satu keluaran dalam tahap ini adalah grafik transisi penutupan hutan (forest transition) dari waktu ke waktu dalam selang yang telah ditentukan. Forest transition ini sangat bermanfaat sebagai konsideran dalam menentukan proyeksi

emisi dimasa depan yang disebabkan oleh kegiatan deforestasi. Gambar dibawah ini merupakan contoh dari forest transition graph dari data studi kasus yang diguna-kan.


Sejarah emisi diperlukan sebagai dasar da-lam memprediksikakn emisi masa depan.

Perhitungan emisi masa lalu dihitung ber-dasarkan perubahan penutup lahan dan data faktor emisi untuk setiap tipe penutup lahan. Dalam kasus dimana tersedia, data kerapatan karbon (carbon density) dapat digunakan. Sebagai contoh kasus, dalam modul ini digu-nakan data kerapatan karbon (tonC/ha) untuk setiap tipe penutup lahan yang bersumber dari Ditjen Planologi Kementerian Kehutanan, seperti pada tabel berikut ini.

Bab 6. Estimasi Sejarah Emisi

Langkah-langkah yang dilakukan dalam menghitung sejarah emisi adalah:• Buat empat field baru dalam tabel atribut

data shapefile perubahan penutupan lah-an yang telah dibuat sebelumnya. Caranya sama dengan cara yang sebelumnya. Field selanjutnya diberi nama misalnya sebagai C_ha_2000, C_ha_2011, Cstok_2000 dan Cstok_2011.

• C_ha_2000 dan C_ha_2011 diisikan dengan angka kerapatan karbon untuk setiap tipe penutupan lahan.

• Aktifkan Field Calculator pada menu Op-tion yang berada tabel atribut.Penutupan

Lahan

Hutan Lahan Kering Primer

Hutan Lahan Kering Sekunder

Hutan Mangrove Primer

Hutan Rawa Primer

Hutan Mangrove Sekunder

Hutan Rawa Sekunder

Hutan Tanaman

Belukar

Belukar Rawa

Perkebunan

Pemukiman

Rumput

Pertanian Lahan Kering

Pertanian Lahan Kering Campur

Sawah

Transmigrasi

Kerapatan Karbon

(tonC/ha)

195.4

169.7

170

196

120

155

100

15

15

63

1

4.5

8

10

5

10

Sumber

NFI

NFI

NFI

NFI

NFI

NFI

NFI

Wasrin, 2000


• Dengan menggunakan Field Calculator luas dapat dihitung dengan mengalikan nilai yang berada pada kolom C_ha_2000 dengan nilai pada kolom luas_ha untuk mengisi kolom Cstok_2000.

• Setelah selesai dengan pengisian kedua field, tabel selanjutnya di export.

• Tabel hasil export tersebut kemudian dibuka dengan menggunakan Microsoft Excel.

• Aktifkan menu Pivot Tabel pada MS Ex-cel.

• Pemilihan field kemudian dilakukan den-gan memilih luas_ha pada menu field, dan totC_ha_2000 pada kolom pertama, seh-ingga akan muncul tabel seperti dibawah ini.


• Grafik emisi masa lalu dalam setiap selang monitoring penutupan lahan disajikan pada gambar berikut.

• Matrik emisi yang terjadi sejak tahun 2000 hingga 2011 (sebagai contoh kasus) disajikan tabel berikut ini.



Berikut langkah-langkah dalam mem-proyeksi emisi dimasa depan:

• Tentukan selang waktu / tahun sejarah emisi yang akan digunakan sebagai dasar. Tentunya semakin panjang selang data sejarah penutupan lahan yang tersedia, maka semakin baik data dapat menggam-barkan pola perubahan lahan yang terjadi. Namun atas pertimbangan ketersediaan data, dalam contoh kasus kali ini data menggunakan selang waktu tahun 2000 hingga 2011.

Bab 7. Proyeksi Emisi Masa Depan

• Tentukan tahun proyeksi emisi yang akan dituju. Tahun proyeksi dapat ditentukan berdasarkan pada komitmen pemerintah dalam menurunkan emisi nasionalnya (tahun 2020).

• Dengan menggunakan fungsi linear, loga-ritmik, ataupun rata-rata pertambahan emisi per tahun, proyeksi emisi selanjut-nya dapat diprediksi untuk tahun 2020.

• Berdasarkan sejarah emisi, emisi pada tahun 2020 selanjutnya diprediksikan dan dideskripsikan seperti pada tabel dibawah ini.


• Angka prediksi emisi masa depan tersebut selanjutya disajikan dengan menggunakan grafik garis untuk menghasilkan grafik tingkat acuan emisi seperti contoh dibawah ini.

Berbeda dengan metode sebelumnya, metode adjusted historical melakukan penye-suaian terhadap proyeksi emisi masa depan dengan menggunakan berbagai faktor pe-nyesuai. Faktor penyesuai merupakan faktor yang secara nyata memiliki korelasi terhadapt deforestasi dan degradasi hutan yang terjadi di suatu wilayah.

Kondisi disetiap daerah memliki kekhasan tersendiri dilihat dari sejarah emisi, tingkat kepadatan penduduk, proporsi hutan, dll. Beberapa faktor tersebut sedikit banyak

memiliki korelasi terkait dengan pelepasan emisi yang terjadi akibat kegiatan deforestasi dan degradasi hutan. Mengingat hal tersebut diatas, faktor penyesuai yang digunakan akan sangat tergantung pada national / sub-nation-al circumstances dari wilayah bersangkutan. Sehingga sebagi contoh misalnya, dalam hal ini penyesuaian deforestasi/degradasi lahan dapat dilakukan dengan membandingkan proporsi hutan dengan luasan lahan secara keseluruhan serta tingkat kepadatan pen-duduk.


Grafik diatas merupakan contoh dari hubungan antara proporsi penutupan hutan dan kepadatan penduduk. Dari hasil diatas, dengan berbekal prediksi kepadatan pen-duduk dari suatu wilayah, maka proporsi

penutupan hutan akan teridentifikasi. Dengan membandingkan proyeksi proporsi penutu-pan lahan pada suatu tahun proyeksi dengan tahun sebelumnya selanjutnya dapat dikon-versi menjadi jumlah emisi yang terjadi.



Akiko Harayama & Jean Michel Jaquet. Multi Source Object-oriented Classification of Landover Us-ing Very High Resolution Imagery and Digital elevation Model.

Boer, Rizaldi. “Appropriate REL for Indonesia?”, Presentation. Centre for Climate Risk and Opportunity Management in South East Asia and Pacific (CCROM SEAP), Bogor Agriculture University.

Dewi, S., Griscom, B., Hovani, L., and Boer, R. 2011. Presentation material; “REL at Subnational Level: Lessens Learned from Berau” World Agroforestry Centre.

Dewi, Sonya & Ekadinata, Andree. 2011. “Meth-odological Approaches on Developing REL”, presentation FGD REL, UN-REDD Programme Indonesia, 30 September 2011, Jakarta.

__________, 2011. “Proposed Method for Setting REL at Subnational Level”, presentation FGD REL, UN-REDD, 30 September 2011, Jakarta.

Ekadinata A, Widayati A, Dewi S, Rahman S, van Noordwijk M. 2011. Indonesia’s land-use and land-cover changes and their trajectories (1990, 2000 and 2005). ALLREDDI Brief 01. Bogor, Indonesia: World Agroforestry Centre (ICRAF) South East Asia Regional Program.

Herold, Martin, et al, 2011. “Options for Monitor-ing and Estimating Historical Carbon Emis-sions from Forest Degradation in the Context of REDD+”, Carbon Balance and Management Journal. Available at: www.cbmjournal.com/content/6/1/13

Matinfar, H.R. et al. 2007. Comparisons of Object-Oriented and Pixel-Based Classification of Land Use/Land Cover Types Basd on Landsat 7, ETM Spectral Bands (Case Study: Arid Re-gion of Iran). American-Eurasian J. Agric. & Environ. Sci. Journal.

Daftar Pustaka

Meridian Institute.2011. “Modalities for REDD+ Reference Levels: Technical and Procedural Issues.” Prepared for the Government of Nor-way, by Arild Angelsen, Dough Boucher, Sandra Brown, Valerie Merckx, Charlotte Streck, and Daniel Zarin. Available at: http://www.REDD-OAR.org.

Meridian Institute.2011. “Guidelines for REDD+ Reference Levels: Principles and Recommen-dations.” Preparesd for the Govern-ment of Norway, by Arild Angelsen, Dough Boucher, Sandra Brown, Valerie Merckx, Charlotte St-reck, and Daniel Zarin. Available at: http://www.REDD-OAR.org.

Oruc, M. et al. 2000. Comparison of Pixel-Based and Object-Oriented Classification Approaches using Landsat 7 ETM Spectral Bands. Engineer-ing Faculty, ZKU. Turkey.

Seemann, Torsten. 2002. Digital Image Processing using Local Segmentation. Monash University. Australia.

Strassburg, Bernardo, et al, 2009. “Estimating Tropical Forest Carbon at Risk of Emission from Deforestation Globally: Applying Terres-trial Carbon Group Reference Emission Level Approach.” Policy Briefs 3. The Terrestrial Carbon Group Project. Available at: hhtp:// http://www.terrestrialcarbon.org/Ter-restrial_Carbon_ Group__soil_%26_vegeta-tion_in_climate_solution/Policy_Briefs_files/TCG%20Policy%20Brief%203%20TCG%20 REL%20Tool%20090608.pdf

Yan, Gao. 2003. Tesis Report: Pixel Based and Object Oriented Image Analysis for Coal Fire Research. International Institute for Geo-Information Science and Earth Observation. Enschede


Documents

Petunjuk Teknis Perhitungan REL Sektor Berbasis Lahan Opt