Bagian 2 dari seri blog ini tersedia di sini

Pada tahun 2013, Dr. Matt Hansen dan rekan-rekannya dari kelompok Global Land Analysis and Discovery (GLAD) University of Maryland, Google, U.S. Geological Survey (USGS) dan National Aeronautics and Space Administration (NASA) mengeluarkan metode berskala global pertama untuk mengawasi perubahan tutupan hutan tahunan menggunakan citra Landsat dengan resolusi 30-meter, yang merevolusi cara kita mengukur dan mengawasi hutan. Data perubahan tutupan pohon GLAD (yang sebelumnya dikenal sebagai data perubahan tutupan pohon Hansen) meliputi dua peta: kehilangan tutupan pohon tahunan dari 2001-2014, dan perolehan tutupan pohon komulatif selama periode 2000-2012.

Berkat Global Forest Watch (GFW), data tersebut kini tersedia gratis secara online bagi siapapun untuk melihat dan menganalisis melalui peta interakti yang mudah digunakan. Selain itu, Blog GFW bertujuan untuk membantu masyarakat awam untuk memahami data dengan menjelaskan metode dasar dan hasil analisis secara sederhana. Blog ini merupakan bagian pertama dari dua bagian seri teknis yang fokus kepada akurasi data perubahan tutupan pohon global GLAD. Dalam tulisan ini, kami menjelaskan bagaimana penulis mengukur akurasi data, dan di bagian kedua kami membahas apa pengaruhnya terhadap pengguna data.

Bagaimana kami mengukur akurasi dari data yang diambil dari penginderaan jarak jauh?

Dalam penginderaan jarak jauh, akurasi data diukur dengan membandingkan perubahan yang terdeteksi untuk wilayah sampel di peta, dengan perubahan tutupan lahan yang sebenarnya, yang juga dikenal dengan “truth data,” yang secara umum ditentukan dengan menggunakan citra satelit lainnya atau kunjungan lapangan. Merupakan sebuah good practice untuk mengevaluasi “truth data” secara independen, atau tanpa melihat peta yang dievaluasi karena hal tersebut dapat memastikan bahwa para peneliti tidak bias dalam evaluasi mereka. Akurasi keseluruhan adalah persentase sampel pixel di mana terdapat kecocokkan di antara peta dengan “truth data”.

Namun demikian, akurasi keseluruhan dapat ditaksir terlalu tinggi ketika tutupan lahan stabil (dalam hal ini lahan berhutan yang tidak mengalami perubahan) lebih sering ditemukan dibandingkan terjadinya perubahan (kehilangan dan perolehan) – kesalahan apapun dalam identifikasi perubahan dapat ditutupi oleh seberapa akurat komputer mengidentifikasi tutupan lahan stabil. Mengkaji false positives (yang juga dikenal sebagai commission errors) dan false negatives (yang juga dikenal sebagai omission errors) dari perubahan yang terjadi dapat memberikan sebuah perspektif yang lebih bermanfaat mengenai akurasi data. Sebuah false positive merupakan sebuah pixel 30 meter berlabel “kehilangan” atau “perolehan” pada peta, namun sesungguhnya tidak mengalami perubahan apapun di lapangan. Sebuah false negative adalah kebalikannya – sebuah pixel yang berlabel “tidak ada perubahan” oleh data yang sebenarnya mengalami kehilangan atau perolehan tutupan pohon.

Seberapa akuratkah data perubahan tutupan pohon GLAD?

Hingga saat ini pemilik data telah mempublikasikan dua penilaian akurasi, pertama di Sciencearticle oleh Hansen et al. (2013) dan kedua di dalam sebuah studi terbaru oleh Tyukavina et al. (2015) mengenai kehilangan karbon di hutan. Di studi yang pertama, para penulis secara independen mengevaluasi perubahan yang sebenarnya dari 1,500 blok sampel (120 meter di setiap sisinya) menggunakan citra Landsat, MODIS dan Google Earth. Truth data kemudian dibandingkan dengan “kehilangan” dan “perolehan” pada peta-peta global dan di dalam empat bioma utama – tropis, subtropis, sedang, dan kutub.

Pada skala global, peta “kehilangan” memiliki 13 persen tingkat false positive dan 12 persen tingkat false negative. Peta “perolehan” memiliki tingkat error yang secara signifikan lebih tinggi, dengan 24 persen tingkat false positives dan 26 persen tingkat false negative. Tingkat error “kehilangan” dan “perolehan” di antara keempat bioma utama secara substansial beragam, yang menunjukkan bahwa akurasi mungkin dapat lebih tinggi atau rendah tergantung kepada lokasinya.

Para penulis melakukan tes lain untuk menentukan akurasi sementara dari data “kehilangan” – hingga melihat apakah peta mendeteksi kehilangan pohon di tahun yang benar. Dengan menggunakan 1,500 blok yang sama, para penulis membandingkan tahun “kehilangan” pada peta terhadap perubahan terbesar pada blok falidasi. Mereka menemukan bahwa tahun yang digunakan untuk melihat kehilangan tutupan pohon memiliki tingkat keakuratan sebesar 75.2 persen, dan memiliki tingkat keakuratan sebesar 96.7 persen setahun setelah dan sebelumnya.

Sementara studi yang pertama menjelaskan tentang akurasi pada skala regional dan global, studi kedua fokus menjelaskan tentang akurasi data di daerah tropis, dan pada resolusi yang lebih tinggi. Studi kedua mengamati akurasi dari 3,000 pixel satuan (30 x 30 meter) yang tersebar di sepanjang daerah tropis Afrika sub-Sahara, Asia Selatan dan Tenggara dan Amerika Latin dibandingkan dengan truth data dari citra Landsat dan Google Earth. Mereka menemukan tingkat false negative dan false positive dibawah 20 persen di semua wilayah kecuali Afrika sub-Sahara, yang memiliki 48 persen false negative. Para penulis menduga bahwa akurasi yang rendah di Afrika berhubungan dengan banyaknya gangguan skala kecil, yang lebih susah dipetakan pada resolusi 30 meter. Mereka juga menemukan bahwa lebih dari 85 persen false negative terjadi di dalam satu pixel “kehilangan” yang dipetakan, yang menunjukkan bahwa sebagian besar error “kehilangan” terjadi di tepian wilayah “kehilangan” lainnya.

Apa artinya?

Penting untuk memahami bagaimana akurasi diukur dan mewaspadai error yang terjadi di dalam data. Namun meskipun data tersebut tidak 100 persen akurat, dapatkah data perubahan tutupan pohon GLAD tetap memberikan kita masukan yang bermanfaat? Lihat Bagian 2 dari seri blog ini, di mana kami menganalisis apa manfaat angka-angka ini bagi pengguna data GLAD.