Setiap peta hasil klasifikasi adalah hipotesis tentang kondisi di lapangan. Tanpa penilaian akurasi, hipotesis itu belum teruji, dan pernyataan "kami memakai dataset global yang tervalidasi" bukan penilaian atas peta Anda di wilayah Anda. Aturan yang membuat validasi bermakna jumlahnya sedikit, sudah mapan, dan sering dilanggar dengan cara yang sama.
Aturan yang Sering Dilanggar
Data referensi harus independen dari data pelatihan.
Pengklasifikasi yang dievaluasi dengan sampel yang ia pelajari hanya menunjukkan seberapa baik ia menghafal, bukan seberapa baik ia menggeneralisasi. Akurasinya akan tinggi, tetapi tidak berarti apa-apa.
Hal ini tampak jelas, tetapi terus terjadi. Biasanya bukan karena ceroboh, melainkan karena keterbatasan: mengumpulkan sampel lapangan di kondisi Indonesia mahal, jumlahnya tidak pernah cukup, dan godaan memakai titik yang sama untuk kedua tujuan sangat besar.
Disiplinnya adalah membagi sampel sebelum pelatihan, dan tidak pernah melihat set validasi sampai klasifikasi final.
Hasil dari Sebuah Penilaian
| Keluaran | Yang diungkapkannya |
|---|---|
| Akurasi keseluruhan | Persentase titik referensi yang diklasifikasikan dengan benar |
| Akurasi produsen | Dari kelas X yang sebenarnya, berapa banyak yang dipetakan sebagai X |
| Akurasi pengguna | Dari yang dipetakan sebagai X, berapa banyak yang benar-benar X |
| Matriks konfusi | Kelas mana yang tertukar dengan kelas mana |
| Estimasi luas dengan interval kepercayaan | Besaran yang benar-benar penting |
Baris terakhir adalah yang mengubah praktik. Melaporkan luas hasil pemetaan sebagai angka tunggal mengabaikan fakta bahwa peta memiliki tingkat kesalahan yang diketahui. Tingkat itu dapat dipakai untuk menghasilkan estimasi luas yang disesuaikan bias beserta interval kepercayaan, yaitu produk yang lebih jujur dan lebih berguna daripada jumlah piksel mentah.
Matriks konfusi adalah keluaran yang paling diagnostik. Akurasi keseluruhan 85% tidak memberi banyak informasi. Sebaliknya, mengetahui bahwa kesalahan terkonsentrasi pada satu area kebingungan tertentu, seperti hutan terdegradasi dengan hutan yang tumbuh kembali, menunjukkan dengan tepat di mana peta lemah dan apakah kelemahan itu memengaruhi kesimpulan Anda.
Pengambilan Contoh Titik Referensi
Titik harus dipilih dengan desain probabilitas, bukan berdasarkan kemudahan. Titik yang dipilih karena ada jalan ke sana hanya mewakili tepi jalan, dan tepi jalan secara sistematis berbeda dari bentang lahan secara keseluruhan.
Pengambilan contoh acak berstrata menurut kelas peta adalah metode andalan: metode ini menjamin jumlah titik yang cukup di kelas langka, yang akan terlewat sama sekali oleh pengambilan contoh acak sederhana. Stratifikasi itu kemudian harus diperhitungkan dalam perhitungan akurasi, langkah yang ternyata cukup sering dilewati.
Apa yang Dihitung sebagai Kebenaran Lapangan
Jarang berupa kunjungan lapangan nyata untuk setiap titik, karena biayanya tidak terjangkau pada skala nasional.
Hierarki yang realistis: kunjungan lapangan untuk sebagian titik, interpretasi citra resolusi sangat tinggi untuk titik yang lebih banyak, dan interpretasi ahli atas citra terbaik yang tersedia untuk sisanya. Setiap tingkat kurang andal dibanding tingkat sebelumnya, dan penilaian harus menyatakan metode mana yang dipakai untuk titik mana.
Penilaian yang sepenuhnya bertumpu pada interpretasi citra yang sama dengan citra klasifikasi lebih lemah dari kelihatannya, karena penafsir dan pengklasifikasi bisa berbagi kesalahan baca yang sistematis.
Mengapa Ini Tidak Lagi Opsional
Penilaian akurasi telah bergeser dari praktik yang baik menjadi persyaratan, baik pada standar karbon maupun pelaporan statistik, dengan alasan yang sama: angka luas tanpa estimasi kesalahan tidak dapat dibandingkan antarperiode atau diagregasi dengan percaya diri.
Bagi siapa pun yang membuat peta untuk akun atau klaim karbon, penilaian ini bukan tambahan kontrol kualitas di akhir. Penilaian adalah bagian dari produk. Menganggarkannya sebagai tambahan opsional membuat proyek tidak mampu menyatakan seberapa baik angka utamanya.
Melampaui Sekadar Estimasi
Verifikator menguji desain pengambilan contoh, ketidakpastian, dan apakah sebuah angka dapat ditelusuri ke lapangan. TREEO dMRV merekam bukti itu secara real-time, dalam satu rantai yang dapat diaudit.


