Penyusunan Tabel Volume Lokal Tegakan Hutan

PENYUSUNAN TABEL VOLUME LOKAL TEGAKAN HUTAN
ALAM PADA AREAL IUPHHK PT. TRISETIA INTIGA DI

KABUPATEN LAMANDAU, KALIMANTAN TENGAH

MOHAMAD FATAH NOOR

DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
INSTITUT PERTANIAN BOGOR
2009
PENYUSUNAN TABEL VOLUME LOKAL TEGAKAN HUTAN
ALAM PADA AREAL IUPHHK PT. TRISETIA INTIGA DI
KABUPATEN LAMANDAU, KALIMANTAN TENGAH

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

MOHAMAD FATAH NOOR
E14104058

DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
INSTITUT PERTANIAN BOGOR
2009

RINGKASAN
Mohamad Fatah Noor. Penyusunan Tabel Volume Lokal Tegakan Hutan Alam
pada Areal IUPHHK PT. Trisetia Intiga di Kabupaten Lamandau Kalimantan
Tengah. Dibimbing oleh BUDI KUNCAHYO dan I NENGAH SURATI JAYA.

Berdasarkan peraturan Menteri Kehutanan nomor P34/Menhut-II/2007
tentang pedoman inventarisasi hutan menyeluruh berkala bahwa setiap Izin Usaha
Pemanfaatan Hasil Hutan Kayu dalam Hutan Alam dan Izin Usaha Pemanfaatan
Hasil Hutan Kayu dalam Hutan Tanaman IUPHHK diwajibkan menyusun
Rencana Kerja Usaha Pemanfaatan Hasil Hutan Kayu sepuluh tahunan (Pasal 73
dan 75 Peraturan Pemerintah Nomor 6 Tahun 2007) berdasarkan hasil
Inventarisasi Hutan Menyeluruh Berkala. Dalam kegiatan inventarisasi hutan,
dilakukan pengukuran terhadap dimensi-dimensi pohon maupun tegakan, yang
kadang-kadang sulit dan tidak praktis. Oleh karena itu, ketersediaan alat bantu
dalam inventarisasi hutan adalah sangat diperlukan, untuk mempercepat kegiatan
dan memperkecil kesalahan yang terjadi dalam pengukuran. Alat bantu yang
dimaksud antara lain kurva tinggi pohon, tabel volume pohon dan kurva diameter
tajuk yang berkaitan langsung dengan kegiatan inventarisasi hutan menyeluruh
berkala yang dilakukan.
Tujuan utama dari penelitian ini adalah untuk penyusunan tabel volume
pada areal UPHHK PT. Trisetia Intiga. Tabel volume yang disusun
dikelompokkan menjadi kelompok jenis meranti dan non-meranti (rimba
campuran). Data dianalisis menggunakan seperangkat komputer yang dilengkapi
dengan perangkat lunak Minitab 14. Alat-alat bantu yang digunakan selama
pengambilan data di lapangan mencakup GPS, Phi-band, Sonin, Haglof, kamera
dijital dan meteran. Rangkaian metode penelitian terdiri dari penentuan jumlah
dan pemilihan pohon contoh, pengukuran, penentuan volume pohon contoh, dan
analisis data.
Berdasarkan kriteria pemilihan model yaitu besarnya nilai koefisien
determinasi, simpangan baku, uji F, uji diagnostik baris, maka model yang terpilih
untuk jenis meranti adalah sebagai berikut V = 0.0000562 D
2.87
10
-0.0041 D
,
sedangkan untuk kelompok jenis non-meranti diperoleh persamaan terbaik yaitu V
= 0.0000724 D
2.69
10
-0.00175 D
. Selanjutnya dari persamaan terbaik untuk lokasi
areal PT. Trisetia Intiga, dilakukan perbandingan terhadap persamaan penduga
volume pohon Propinsi Kalimantan Tengah. Kriteria yang diuji adalah nilai
simpangan agregat relative, nilai simpangan rata-rata, RMSE, Bias, dan nilai
X
2
hitung diperoleh persamaan terbaik untuk lokasi areal PT. Trisetia Intiga
adalah: 0.0000562 D
2.87
10
-0.0041 D
untuk kelompok jenis meranti, sedangkan
persamaan regresi untuk kelompok jenis non-meranti adalah V = 0.0000724 D
2.69
10
-0.00175 D

Kata kunci: Sediaan tegakan, Purposive sampling method, kelompok jenis meranti
dan non-meranti.

SUMMARY
MOHAMAD FATAH NOOR. Establishing Local Volume Table For Natural
Forest in Area of PT. Trisetia Intiga in Kalimantan Tengah. Under
Supervision of Budi Kuncahyo and I Nengah Surati Jaya

Based on the Minister of Forestrys decree no P34/ Menhut-II/ 2007 on
implementation of forest inventory for whole area (IHMB) of each concession
area (IUPHHK) either for natural forest or plantation forest, the concession holder
is obligated to establish work plan for forest product utilization (section 73 and 75
Government Regulation No. 6 Year 2007) on the basis of the result of IHMB.
During implementation of tree measurement in the field, all tree dimensions
should be measured. This field measurement might be impractical and somehow
difficult to be implemented. Thus, to facilitated this measurement, as well as to
reduce human error, it is needed to establish supporting tools that include tree
height curve, tree volume table and crown diametre curve.
The main objective of this research is to establish volume table for
concession area of PT. Trisetia Intiga. The developed volume tables are classified
into meranti classes and non-meranti classes. The data were analyzed using
computer with minitab-14s software. The supporting equipments that used during
data measurement in the field are GPS, Phi-band, Sonin distance measurement
tool, Haglof height measurement tool, digital camera and other measuring tools.
The procedure of this research includes data collection and selection of tree
sample, measurement of tree dimension, data analysis and reporting.
The criteria of model determination used are cofficient of determination,
standard deviation, F-test and line diagnostic test. The selected models are V =
0.0000562 D
2.87
10
-0.0041 D
for meranti class and V = 0.0000724 D
2.69
10
-0.00175 D

for non-meranti class. Then based on comparison analysis with the estimation
model for Kalimantan Tengah Province using agregat deviation value, RMSE,
bias, X
2
(Khi-kuadrat), the best models are V = 0.0000562 D
2.87
10
-0.0041 D
for
meranti and V = 0.0000724 D
2.69
10
-0.00175 D
for non-meranti classes.

Key words: Standing stock, Purposive sampling method, meranti and non-meranti
classes

Hak cipta milik IPB, tahun 2009
Hak cipta dilindungi
Dilarang mengutip dan memperbanyak tanpa izin tertulis dari
Institut Pertanian Bogor, sebagian atau seluruhnya dalam
bentuk apapun, baik cetak, fotokopi, mikrofilm, dan sebagainya

PERNYATAAN

Dengan ini saya menyatakan bahwa skripsi berjudul Penyusunan Tabel
Volume Lokal Tegakan Hutan Alam pada Areal IUPHHK PT. Trisetia Intiga di
Kabupaten Lamandau, Kalimantan Tengah adalah benar-benar hasil karya saya
sendiri dengan bimbingan dosen pembimbing dan belum pernah digunakan
sebagai karya ilmiah pada Perguruan Tinggi atau lembaga manapun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.

Bogor, April 2009

Mohamad Fatah Noor
NRP. E14104058

Judul : Penyusunan Tabel Volume Lokal Tegakan Hutan Alam
pada Areal IUPHHK PT. Trisetia Intiga di Kabupaten
Lamandau, Kalimantan Tengah
Nama Mahasiswa : Mohamad Fatah Noor
Nomor Pokok : E14104058
Departemen : Manajemen Hutan

Menyetujui:
Komisi Pembimbing

Ketua, Anggota,

Dr.Ir Budi Kuncahyo,MS Prof. Dr. Ir. I Nengah Surati Jaya, M.Agr
NIP. 131 578 798 NIP. 131 578 785

Mengetahui :
Dekan Fakultas Kehutanan
Institut Pertanian Bogor

Dr. Ir. Hendrayanto , M. Agr
NIP. 131 578 788

Tanggal :

p
H
P
J
K
k
M
2
S
(
B
F
j
S
P
p
H
L
K
program Stra
Dala
Hutan pada
Pengelolaan
Jawa Tenga
Korintiga Hu
Selam
kemahasisw
Mahasiswa
2005-2006,
Students Clu
(UKM) Pers
Bina Corps
Forest Man
juga aktif s
Sukabumi pa
Seba
Program Stu
penulis men
Hutan Ala
Lamandau,
Kuncahyo, M
anak k
Puar (
Sekola
pada t
(Selek
ata 1 Depart
am masa stu
a tahun 20
n Hutan di D
ah. Tahun
utani Kabup
ma menuntu
waan yaitu s
Profesi For
Ketua Presi
ub (Himpro
satuan Teni
Rimbawan
nagement Stu
ebagai asist
ada tahun 20
agai salah sat
udi Manajem
nyusun skrip
am pada A
, Kalimanta
MS dan Prof
RIWA
Penulis dil
kedua dari e
(alm) dan I
ah Menenga
tahun 2001-
ksi Penerim
temen Manaj
udinya penu
007 di Batu
Desa Getas,
2008 penul
paten Laman
ut ilmu di
sebagai Kep
rest Manage
idium Himp
FMSC) tah
s Meja IPB
(BCR) dan
udents Club
ten praktek
008.
tu syarat unt
men Hutan,
si berjudul
Areal IUPH
an Tengah
f. Dr. Ir. I Ne
AYAT HID
lahirkan di
empat bersa
Ibu Mimmy
ah Umum Is
-2004, pada
maan Mahas
ajemen Hutan
ulis mengik
uraden-Cilac
Kecamatan
lis mengiku
ndau, Kalima
IPB, penu
pala bidang
ement Stude
punan Mahas
hun 2006, a
B tahun 200
Ketua Umu
b (Himpro F
pengelolaan
tuk mempero
Fakultas Ke
Penyusuna
HHK PT.
h di bawah
engah Surati

DUP

Jakarta 28 J
audara dari
y Sudarni. P
slam Terpad
tahun 2004
iswa Baru)
n.
kuti kegiatan
cap, Jawa
n Randublatu
uti praktek
antan Tengah
ulis aktif di
Medikom d
ents Club (H
siswa Profes
anggota Unit
6-2007, Stee
um Himpun
FMSC) tahu
n hutan (P2
oleh gelar Sa
ehutanan, Ins
an Tabel Vo
Trisetia In
h bimbingan
i Jaya, M. A
Juni 1986, m
pasangan B
Penulis men
du Nurul Fi
4 melalui ja
) penulis d
n Praktek P
Tengah da
ung, Kabupa
kerja lapan
h.
i sejumlah
dan Hublu
Himpro FM
si Forest M
t Kegiatan M
ering Comm
nan Mahasis
un 2006-200
2H) di Gunu
arjana Kehu
stitut Pertan
olume Loka
ntiga di K
n Bapak D
gr
merupakan
Bapak Anis
nyelesaikan
ikri Depok
alur SPMB
diterima di
Pengenalan
an Praktek
aten Blora,
ng di PT.
organisasi
Himpunan
MSC) tahun
Management
Mahasiswa
mittee (SC)
wa Profesi
07. Penulis
ung Walat,
utanan Pada
nian Bogor,
al Tegakan
Kabupaten
Dr. Ir Budi

UCAPAN TERIMA KASIH

Segala puji hanyalah milik Allah SWT. karena hanya dengan kasih
sayang-Nya akhirnya skripsi dengan judul Penyusunan Tabel Volume Lokal
Tegakan Hutan Alam pada Areal IUPHHK PT. Trisetia Intiga di Kabupaten
Lamandau, Kalimantan Tengah dapat diselesaikan.
Keberhasilan penulis dalam menyelesaikan karya ini tentunya tidak
terlepas dari dukungan berbagai pihak. Pada kesempatan ini penulis ingin
mengucapkan terimakasih kepada:
1. Kedua orang tua, mama Mimmy Sudarni atas kasih sayang, nasihat hidup,
kesabaran dan lantunan doa yang tak pernah putus hingga tak terhitung
tetesan air mata dan keringat yang telah dikeluarkan. Almarhum Bapak Anis
Puar atas segala ajaran nilai, etika, dan moral kehidupan.
2. Abang dan kedua adik, bang Lutfi, Umar dan Falah atas senyuman yang selalu
menghiasi kehidupan sehari-hari penulis.
3. Bapak Dr. Ir. Budi Kuncahyo, MS sebagai pembimbing I yang telah
memberikan nasihat, bimbingan dan arahan dalam penyelesaian skripsi ini.
4. Bapak Prof. Dr. Ir. I Nengah Surati Jaya, M.Agr sebagai pembimbing II yang
telah memberikan nasihat, bimbingan dan arahan serta kesabaran dalam
penyelesaian skripsi ini.
5. Bapak Dr. Ir. I Wayan Darmawan, MS selaku dosen penguji dari Departemen
Hasil Hutan dan Bapak Dr. Ir. Agus Hikmat, MS selaku dosen penguji dari
Departemen Konservasi Sumberdaya Hutan dan Ekowisata atas saran
perbaikan dan nasehat yang disampaikan kepada penulis.
6. Pak Uus dan Mas Edwine atas semua ilmu, bantuan dan motivasi yang telah
diberikan.
7. Bapak DR. Kim Young Cheol, Direktur PT. Trisetia Intiga, Kalimantan
Tengah atas ijin dan kesempatannya untuk melakukan penelitian di areal kerja
PT. Trisetia Intiga.
8. Bapak Margono, staf Divisi Kehutanan PT. Trisetia Intiga, Kalimantan
Tengah atas bantuan komunikasi sehingga penelitian ini dapat terlaksana
dengan lancar.

9. Bapak Rifky Arifiyanto, S.Hut selaku manajer perencanaan PT. Trisetia Intiga
atas semua bantuannya selama pengambilan data.
10. Bapak Soni dan keluarga besar Camp Palikodan yang telah mengisi kehidupan
sehari-hari penulis selama pengambilan data.
11. Keluarga besar Lab. Remote Sensing: Bejo, Baki, Pipit besar, Pipit kecil,
Nyoti yang telah mengisi kehidupan sehari-hari penulis dalam penyelesaian
skripsi.
12. Rekan-rekan Manajemen Hutan 41: Nurlita, Christina, Khalifah, Topan,
Babeh, Fitri, Ayu, , Clod, Nayu, Linda, Edo, Nur, Ilyas, Venti, Topan, Sudiah,
Priyo, Amri, Iis, Pampam, Sandi, Dodo, Juli, Satrio, Budi, Eko, Rejos, Puji,
Wati, Feri dan semua yang tidak disebutkan, terima kasih atas dukungan dan
empati yang diberikan selama studi.
13. Rizki Nugraha, Priyo dan Ahmad Zamhari yang telah ikhlas laptop, kamera
dijital dan printernya dipinjamkan untuk mengerjakan penelitian ini serta
bantuan lainnya. Serta Fitroh, Ariyanto, Dewi R, Fenoy, Islamy, Bayu dan
Cindera, atas lantunan do,a dan dukungan moral selama mengerjakan
penelitian ini.
14. Keluarga besar Pondok Ar-Razak, Padepokan Bukit Tengkorak (PBT), Wisma
Madinah dan Dar E Syabaab atas kekeluargaan dan pengertiannya selama
hidup dalam satu atap.
15. Seluruh rekan-rekan yang pernah berjuang bersama di HIMPRO Forest
Management Students Club 2006/2007 atas dedikasi dan persahabatan yang
terjalin selama berorganisasi.
16. Kepada semua pihak yang tidak dapat disebutkan satu persatu yang turut
memberikan sumbangsihnya yang tidak ternilai.
i

KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah SWT atas segala Rahmat dan
Hidayah-Nya, sehingga penyusunan Tugas Akhir ini dapat diselesaikan. Tugas
akhir ini disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana
Kehutanan pada Departemen Manajemen Hutan Fakultas Kehutanan Institut
Pertanian Bogor. Tema yang dipilih dalam penelitian ini adalah Penyusunan Tabel
Volume Lokal Tegakan Hutan Alam pada Areal IUPHHK PT. Trisetia Intiga di
Kabupaten Lamandau, Kalimantan Tengah dibawah bimbingan Dr. Ir. Budi
Kuncahyo, MS dan Prof. Dr. Ir. I Nengah Surati Jaya, M. Agr. Penyusunan Tugas
Akhir ini adalah sebagai wahana bagi penulis untuk melatih keterampilan dan
wawasan penulis dalam menyusun sebuah Karya Ilmiah. Kritik dan saran yang
bersifat membangun bagi penyusun tulisan ini sangat diharapkan. Semoga Tugas
Akhir ini dapat bermanfaat bagi pembangunan hutan di Indonesia.

Bogor, April 2009

Penulis

ii

DAFTAR ISI

Halaman
KATA PENGANTAR ...................................................................................... i
DAFTAR ISI ..................................................................................................... ii
DAFTAR TABEL ............................................................................................ iii
DAFTAR GAMBAR ......................................................................................... v
DAFTAR LAMPIRAN ..................................................................................... vi
BAB I PENDAHULUAN
1.1 Latar Belakang ............................................................................ 1
1.2 Tujuan .......................................................................................... 2
1.3 Manfaat ........................................................................................ 2
BAB II METODE PENELITIAN
2.1 Waktu dan Tempat ...................................................................... 3
2.2 Data dan Alat ............................................................................... 3
2.3 Metode Penelitian ......................................................................... 5
BAB III KEADAAN UMUM LOKASI PENELITIAN
3.1 Letak dan Luas IPHHK ................................................................ 19
3.2 Geologi dan tanah ........................................................................ 19
3.3 Keadaan Hutan ........................................................................... 20
3.4 Topografi Lahan .......................................................................... 21
BAB IV HASIL DAN PEMBAHASAN
4.1 Penentuan Pohon Contoh ............................................................. 23
4.2 Penyusunan Model Persamaan Regresi ....................................... 23
4.3 Validasi Model ........................................................................... 36
4.4 Validasi Model Propinsi Kalimantan Tengah ............................. 39
BAB V KESIMPULAN
5.1 Kesimpulan .................................................................................. 43
5.2 Saran ............................................................................................ 43
DAFTAR PUSTAKA ....................................................................................... 44
LAMPIRAN ...................................................................................................... 46
iii

DAFTAR TABEL

No. Halaman
1 Analisa keragaman pengujian regresi ....................................................... 13
2. Formasi geologi areal IUPHHK PT. Trisetia Intiga ................................. 20
3. Jenis tanah yang terdapat di areal IUPHHK PT. Trisetia Intiga ............... 20
4. Wilayah IUPHHK PT. Trisetia Intiga yang overlap penggunaannya
dengan perkebunan ................................................................................. 21
5. Kondisi topografi lahan ............................................................................ 21
6. Sebaran data pohon contoh ....................................................................... 23
7. Nilai R
2
, r persamaan regresi dan hasil uji transformasi Z-fisher ............ 24
8. Persamaan regresi yang diperoleh untuk kelompok jenis meranti ........... 25
9. Persamaan regresi yang diperoleh untuk jenis non- meranti .................... 25
10. Nilai F hitung dan F tabel jenis meranti ................................................... 26
11. Nilai F hitung dan F tabel jenis non-meranti ............................................ 26
12. Nilai simpangan baku dan Press untuk jenis meranti ............................... 27
13. Nilai simpangan baku dan Press untuk jenis non-meranti ........................ 27
14. Uji pengamatan pencilan T
resid
jenis meranti ............................................ 32
15. Uji pengamatan pencilan T
resid
jenis non-meranti .................................... 32
16. Uji pengamatan leverage (Hi) terhadap nilai Hi tabel jenis meranti ........ 33
17. Uji pengamatan leverage (Hi) terhadap nilai Hi tabel untuk ...................
kelompok jenis non-meranti ..................................................................... 33
18. Uji pengamatan berpengaruh (Ci) terhadap nilai tabel CookD jenis
meranti ...................................................................................................... 34
19. Uji pengamatan berpengaruh (Ci) terhadap nilai tabel CookD jenis
non-meranti ............................................................................................... 34
iv

20. Persamaan regresi jenis meranti setelah pengamatan pencilan ................
dihilangkan ............................................................................................... 35
21. Penentuan peringkat model penduga volume pohon terbaik berdasarkan
kriteria nilai R2, simpangan baku (s), dan Fhitung jenis meranti ............. 35
kriteria nilai R2, simpangan baku (s), dan Fhitung jenis non-meranti ...... 35
23. Simpangan agregat relatif (SAA) dan simpangan rata-rata relatif (SAR)
jenis meranti ............................................................................................. 36
24. Simpangan agregat relatif (SAA) dan simpangan rata-rata relatif ...........
(SAR) jenis non-meranti ........................................................................... 36
25. Nilai simpangan baku (s), RMSE, bias dan Khi-kuadrat jenis meranti .... 37
26. Nilai simpangan baku (s), RMSE, bias dan Khi-kuadrat jenis ................
non-meranti ............................................................................................... 37
kriteria nilai RMSE, Simpangan baku(s), dan bias (e) untuk jenis meranti 38
kriteria nilai RMSE, Simpangan baku(s), dan bias (e) untuk jenis non-
meranti ...................................................................................................... 38
29. Penentuan peringkat gabungan untuk kelompok jenis meranti ................ 38
30. Penentuan peringkat gabungan untuk kelompok jenis non-meranti ......... 38
31. Nilai SAR dan SRR untuk kelompok jenis meranti ................................. 39
32. Nilai SAR dan SRR untuk kelompok jenis non-meranti .......................... 40
33. Nilai simpangan baku (s), bias dan Khi-kuadrat jenis meranti ................. 40
34. Nilai simpangan baku (s), bias dan Khi-kuadrat jenis non-meranti ......... 40
35. Nilai Root mean Square (RMSE) kelompok jenis meranti ...................... 41
36. Nilai Root mean Square (RMSE) kelompok jenis non-meranti ............... 41
37. Peringkat persamaan penduga volume kelompok jenis meranti .............. 42
38. Peringkat persamaan penduga volume kelompok jenis non-meranti ....... 42

v

DAFTAR GAMBAR

No Halaman
1. (a) Sonin alat ukur jarak dijital, (b) Haglof alat ukur tinggi dijital ...........
(c) GPS Trimble Juno ST Pasaman ........................................................... 4
2. Diagram alir penelitian .............................................................................. 18
3. Peta kelas lereng PT. Trisetia Intiga, Kalimantan Tengah ........................ 22
4. Peta penutupan lahan PT. Trisetia Intiga, Kalimantan Tengah ................. 22
5. Diagram pencar hubungan antara sisaan dengan plot peluang ..................
normalnya untuk kelompok jenis meranti ................................................. 29
6. Diagram pencar hubungan antara sisaan dengan plot peluang ..................
normalnya untuk kelompok jenis non-meranti .......................................... 29
7. Diagram pencar hubungan antara sisaan dengan Y duga untuk ................
kelompok jenis meranti ............................................................................. 30
8. Diagram pencar hubungan antara sisaan dengan Y duga untuk .................
kelompok jenis non-meranti ...................................................................... 31

vi

DAFTAR LAMPIRAN

No Halaman
1. Analisis regresi kelompok jenis meranti ................................................... 47
2. Analisis regresi kelompok jenis non-meranti ............................................ 50
3. Data pohon contoh kelompok jenis meranti .............................................. 53
4. Data pohon contoh kelompok jenis non-meranti ....................................... 56
5. Data validasi kelompok jenis meranti ....................................................... 58
6. Data validasi kelompok jenis non-meranti ................................................ 60
7. Tabel volume lokal kelompok jenis meranti ............................................. 61
8. Tabel volume lokal kelompok jenis non-meranti ...................................... 62
9. Daftar sidik ragam ..................................................................................... 63

BAB I
PENDAHULUAN
1.1 Latar Belakang
Berdasarkan Peraturan Menteri Kehutanan nomor P.34/Menhut-II/2007
tentang pedoman inventarisasi hutan menyeluruh berkala bahwa setiap Izin Usaha
Pemanfaatan Hasil Hutan Kayu (IUPHHK) dalam Hutan Alam dan IUPHHK
dalam Hutan Tanaman, diwajibkan menyusun Rencana Kerja Usaha Pemanfaatan
Hasil Hutan Kayu sepuluh tahunan (Pasal 73 dan 75 Peraturan Pemerintah Nomor
6 Tahun 2007) yang disusun berdasarkan inventarisasi hutan berkala sepuluh
tahunan yang selanjutnya disebut sebagai Inventarisasi Hutan Menyeluruh
Berkala.
Kegiatan inventarisasi hutan merupakan salah satu kegiatan yang sangat
penting dalam perencanaan hutan. Inventarisasi hutan adalah kegiatan yang
dilaksanakan untuk mengetahui dan memperoleh data serta informasi tentang
sumberdaya, potensi kekayaan alam hutan serta lingkungannya secara lengkap.
Adalah hal yang mutlak bahwa pengelolaan areal hutan secara berkelanjutan
membutuhkan jumlah informasi yang besar dan keberlanjutan dari beragam
informasi. Ini adalah kenyataan untuk beberapa pengurusan hutan dan juga untuk
produksi kayu. Dalam pengertian ini inventarisasi hutan adalah usaha untuk
menguraikan kuantitas dan kulitas pohon-pohon hutan serta berbagai karakteristik
areal tanah tempat tumbuhnya.
Salah satu tujuan dari kegiatan inventarisasi hutan adalah untuk menyajikan
taksiran-taksiran kuantitas kayu di hutan menurut suatu urutan klasifikasi seperti
jenis atau kelompok jenis, ukuran, kualitas dan sebagainya. Dalam kegiatan
inventarisasi hutan, untuk mencapai tujuan tersebut dilakukan pengukuran
terhadap dimensi-dimensi pohon maupun tegakan, yang kadang-kadang sulit dan
tidak praktis diukur secara langsung dilapangan. Oleh karena itu, ketersediaan alat
bantu dalam inventarisasi hutan adalah sangat diperlukan, untuk mempercepat
kegiatan dan memperkecil kesalahan yang terjadi dalam pengukuran.
2

Pengertian alat bantu dalam inventarisasi hutan ini adalah alat yang
digunakan untuk mempercepat kegiatan inventarisasi hutan selain alat-alat ukur
dimensi pohon maupun dimensi tegakan. Alat bantu yang dimaksud antara lain
kurva tinggi pohon, tabel volume pohon dan kurva diameter tajuk yang berkaitan
langsung dengan kegiatan inventarisasi hutan menyeluruh berkala yang dilakukan.
Di Indonesia telah banyak penelitian tentang pembuatan tabel volume lokal.
Diantaranya adalah penelitian Vitta Vurnamawati (2002) yang menyusun tabel
volume batang Gmelina arborea di areal PT. Wanakasita Nusantara Jambi,
penelitian Priyanto (1999) yang menyusun tabel volume lokal jenis jenis
komersial hutan alam di HPH PT. Harjohn Timber LTD di propinsi Kalimantan
Barat.
1.2 Tujuan Penelitian
Tujuan utama dari penelitian ini adalah untuk menyusun tabel volume lokal
pada areal IUPHHK PT. Trisetia Intiga.
1.3 Manfaat Penelitian
Manfaat yang didapatkan dari penelitian ini adalah untuk mempermudah
dan meningkatkan efisiensi pelaksanaan kegiatan Inventarisasi Hutan Menyeluruh
Berkala pada areal IUPHHK PT. Trisetia Intiga, Kalimantan Tengah.

BAB II
METODE PENELITIAN
2.1 Waktu dan Tempat
Kegiatan pengambilan data penelitian Penyusunan Tabel Volume Lokal
Tegakan Hutan Alam pada Areal IUPHHK PT. Trisetia Intiga di Kabupaten
Lamandau, Kalimantan Tengah pada bulan November-Januari 2009, sedangkan
kegiatan pengolahan data dilakukan di Laboratorium SIG dan Remote Sensing
Fakultas Kehutanan IPB pada bulan Januari-Februari 2009.
2.2. Data dan Alat
2.2.1 Data yang digunakan selama penelitian terdiri dari:
a. Pohon contoh untuk kelompok jenis meranti
Suku meranti-merantian atau Dipterocarpaceae merupakan sekelompok
tumbuhan pantropis yang anggota-anggotanya banyak dimanfaatkan dalam
bidang perkayuan. Suku ini praktis semuanya berupa pohon, yang biasanya
sangat besar, dengan ketinggian dapat mencapai 70-85m. Hutan Kalimantan
merupakan satu pusat keragaman suku ini. Sesuai surat keputusan Menteri
Kehutanan Republik Indonesia No.163/KPTS-II/2003 tentang pengelompokan
jenis kayu, beberapa jenis anggota meranti-merantian antara lain: keruing
(Dipterocarpus elongatus), mersawa (D. crinitus), bangkirai (Shorea laevis),
meranti putih/melapi (S. virescens), meranti kuning (S. macroptera), meranti
merah (S. parvifolia), meranti batu (Hopea mengarawan)
b. Pohon contoh untuk kelompok jenis non-meranti
Adapun kelompok jenis non-meranti yaitu termasuk dalam kayu rimba
campuran, kayu eboni dan kayu indah. Adapun diantaranya yang termasuk
dalam kelompok kayu rimba campuran adalah benuang, jabon, bintangur,
keranji, ketapang, kempas, dll. kelompok jenis kayu eboni adalah eboni
bergaris, eboni hitam, eboni. Kelompok jenis kayu indah diantaranya adalah
ulin, bungur dan rengas.
4

2.2.2 Alat-alat yang digunakan dalam penelitian ini adalah:
a. Alat Ukur Lapangan
Alat alat ukur lapangan yang digunakan selama penelitian ini adalah peta
lokasi penelitian, GPS, alat ukur tinggi dijital Haglof, Clinometer, Phi-band,
tallysheet, alat ukur jarak dijital Sonin dan Kamera dijital

(a) (b)

(c)
Gambar 1 (a).Sonin, alat ukur jarak dijital (b). Haglof ,alat ukur tinggi dijital
(c). GPS Trimble Juno ST.
b. Software
Perangkat lunak utama yang digunakan dalam penelitian ini adalah
Minitab14.
5

c. Hardware
Perangkat keras atau hardware yang digunakan dalam penelitian ini adalah
seperangkat computer.
2.3 Metode Penelitian
2.3.1 Penentuan Jumlah dan Pemilihan Pohon Contoh.
Untuk menyusun model penduga volume pohon diperlukan sejumlah pohon
contoh dari jenis meranti dan non-meranti. Agar mewakili kelas diameter, maka
pohon-pohon contoh dipilih sedemikian rupa sehingga setiap kelas diameter
terwakili. Data pohon contoh tersebut dibagi menjadi 2 bagian yaitu data untuk
tahap penyusunan model dan data untuk validasi model.
Penentuan sampel merupakan kegiatan untuk menentukan pohon-pohon
yang dijadikan contoh untuk penyusunan tabel volume. Bustomi, et al. (1998)
menyatakan bahwa untuk penyusunan tabel volume diperlukan jumlah pohon
contoh yang dikumpulkan dari satu lokasi penelitian minimal 50 pohon contoh.
Banyaknya sampel pohon rebah untuk kelompok jenis meranti sebanyak 138
pohon, dimana 89 pohon digunakan untuk menyusun model regresi dan 41 pohon
digunakan untuk tujuan uji validasi,sedangkan untuk jenis non-meranti sebanyak
51 pohon contoh digunakan untuk menyusun model regresi dan 36 pohon contoh
untuk uji validasi dari model volume terpilih dimana sampel pohon berasal dari
lokasi yang sama. Diameter pohon contoh, baik untuk penyusunan model maupun
untuk uji validasi model harus tersebar pada setiap kelas diameter. Adapun syarat-
syarat pohon yang diambil sebagai sampel antara lain: lurus, tidak menggarpu,
bebas dari serangan hama penyakit, batang tidak pecah, setelah tebang.
Pemilihan pohon contoh dilakukan secara purposive sampling dengan
memperhatikan penyebaran tegakan dalam kelas diameternya.
2.3.2 Pengukuran dan Pengumpulan Data
a. Memilih pohon-pohon contoh yang memenuhi kriteria sebagaimana
diuraikan di atas.
6

b. Mengukur diameter setinggi dada (dbh) pada ketinggian 130 cm dari
permukaan tanah, atau 20 cm di atas banir untuk tinggi banir lebih dari 1 m.
c. Menghitung volume batang rebah dengan cara mengukur peubah-peubah
volume yaitu diameter dan tinggi atau panjang batang. Pekerjaan yang
dilakukan adalah:
1) Mengukur panjang batang mulai dari potongan bawah sampai batang
bebas cabang. Pengukuran dilakukan dengan menggunakan pita ukur.
2) Mengukur diameter setiap seksi dengan panjang 2 meter. Untuk seksi
terakhir panjang seksi sama dengan atau di bawah 2 meter. Pengukuran
dilakukan dengan metode Smallian yaitu diameter diukur pada pangkal
dan ujung seksi. Letak diameter pangkal seksi pertama adalah 30 cm di
atas banir. Pengukuran dilakukan dengan melingkarkan pita diameter
pada batang.
2.3.3 Penentuan Volume Pohon Contoh
Volume pohon dihitung dengan mencari volume semua seksi pohon pada
pohon rebah, kemudian semua volume seksi dijumlahkan. Pendugaan volume
dapat secara langsung menggunakan peubah-peubah yang dapat diamati dan
diukur langsung dilapangan. Peubah-peubah yang digunakan diantaranya adalah :
a. Tinggi bebas cabang (T
bc
);
b. Diameter setinggi dada (D
bh
);
Penentuan volume dilakukan berdasarkan panjang dan diameter seksi..
Rumus yang digunakan adalah :
Rumus Smallian : V = L x ( Gb + Gu ) / 2
di mana :
V = Volume seksi ( m
3
)
L = Panjang seksi (m )
Gb = Luas penampang lintang potongan bawah (m
2
)
Gu= Luas penampang lintang potongan atas (m
2
)
Volume pohon per seksi diketahui dari perhitungan dengan menggunakan
rumus Smalian. Volume pohon aktual merupakan jumlah dari volume semua seksi
dari satu pohon sampel, atau :
7

Io = Ii
n
=1

di mana :
Va = volume aktual pohon (m
3
)
Vi = volume seksi ke-I dari satu pohon (m
3
)
2.3.4 Analisis Data
a. Analisa Hubungan Tinggi dengan Diameter
Asumsi dasar yang mendasari penyusunan model penduga volume batang
adalah terdapatnya hubungan yang erat antara diameter dan tinggi.
r =
x
i
y
i
( x
i
n
i=1
)( y
i
n
i=1
) n
n
i=1
_( x
i
2 n
i=1
( x
n
=1
)
2
n) ( y
i
2
( y
i
n
i=1
)
2
n)
n
i=1

atau
r =
co:
x
_(:or
x
:or
)

dimana:
x : Tinggi pohon
y : Diameter pohon
n : Jumlah pohon
covxy : (xy - ((x y) n ) n )
var
x :
(x
2
- (x)
2
n ) n
var
y
: (y
2
- (y)
2
n ) n

Hubungan linier sempurna antara nilai y dan x dalam contoh apabila nilai r
= +1 atau -1. Bila r mendekati +1 atau -1, hubungan antara kedua peubah itu
kuat dan berarti terdapat korelasi yang antara keduanya (Walpole,1993).
Tingkat ketelitian hubungan tinggi pohon dengan diameter ditunjukan oleh
besarnya koefisien determinasi (R
2
). Koefisien determinasi sebesar 0,50
merupakan batas minimal yang digunakan dalam menyusun tabel volume yang
dianggap cukup seksama. Nilai R
2
= 50% atau nilai r = 0,7071 mempunyai
pengertian bahwa kurang lebih 50% variasi peubah tidak bebas Y (tinggi
8

pohon) dapat diterangkan oleh adanya variasi peubah bebas X (diameter
setinggi dada).
Suatu uji untuk menyatakan kapan nilai r berada cukup jauh dari nilai
adalah melalui pengujian koefisien korelasi dengan uji Z
-Fisher
(Walpole, 1993).
Dalam uji Z
-Fisher
ini, dilakukan transformasi nilai-nilai r dan kedalam Z
-Fisher
.
Dalam penyusunan tabel volume lokal, Sutarahardja (1982) mensyaratkan
bahwa nilai harus lebih besar dari 0,7 atau > 0,7 yang berarti pada nilai >
0,7 maka hubungan antara tinggi pohon dengan diameter pohon dianggap
cukup kuat, dimana jika > 0,0701 artinya
2
adalah > 50 %. Hubungan yang
kuat dengan
2
> 50 % tersebut berarti akan menjamin bahwa sekurang-
kurangnya 50 % keragaman volume pohon yang disebabkan oleh keragaman
tinggi pohon dapat dicakup oleh pengaruh keragaman diameter pohon.
Hipotesa yang digunakan adalah:
Ho : = 0,7071
Hi : > 0,7071
Kriteria uji :
Z
hit
= (Z
r
-Z
p
) /
zr
dimana :
Z
r
= u,Sln
1 + p
1 - p

Z
= u,Sln
1 + r
1 - r

z
= 1 (n - S)
Jika Z
hitung
> Z
tabel
maka tolak Ho, ini berarti antara peubah tidak bebas (Y)
dengan peubah bebas (X) memenuhi persyaratan yang diberikan yaitu
mempunyai > 0,7071 pada tingkat nyata tertentu, sehingga asumsi yang
dimaksud tidak dapat diterima.
b. Penyusunan Persamaan Volume Pohon
Beberapa model persamaan regresi yang akan dipergunakan dalam
penyusunan tabel volume ini adalah sebagai berikut:
1. V = aD
b
(Model Berkhout)
2. V = a + b D
2
(Model Kopezky- Gehrhardt)
3. V = a + b D+ c D
2
(Model Horenadl-Krenn)
4. V = a D
b
10
c D

9

dimana:
V : Volume total pohon (m3)
D : Diameter setinggi dada (cm)
H : Tinggi Pohon (m)
a,b,c : Konstanta
c. Pemilihan Model Terbaik
a) Untuk dapat menghasilkan persamaan-persamaan regresi yang dimaksud,
maka perlu dihitung nilai-nilai dari koefisien-koefisien regresinya
(Sutarahardja, Sumarna dan Witjaksono, 1991).
1. Menghitung koefisien regresi pada penyusunan tabel volume pohon
lokal.:
Sebagai contoh untuk model regresi linier sederhana sebagai berikut :
i i
X
i
Y + + =
1 0
,dengan penduga modelnya adalah
i
e
i
x b b
i
y + + =
1 0
. Besarnya nilai koefisien regresi
1
b sebagai
penduga dari
1
dan besarnya nilai konstanta
0
b (intersept) sebagai
penduga dari
0
dapat dihitung dari nilai-nilai data pohon contoh.
JKx
JHKxy
=
1

dan
x y
1 0
=
dimana :
y = volume pohon dalam m
3

x = diameter pohon dalam cm.
2. Koefisien korelasi ( r ) antara volume pohon dengan diameter pohon
dapat dihitung dengan rumus (1) tersebut diatas atau dengan rumus :
( )
JKy
JHKxy b
r =
3. Menghitung koefisien regresi pada penyusunan tabel volume pohon
standar.
Sebagai contoh untuk model regresi linier berganda sebagai berikut :
10

i i
X
i
X
i
Y + + + =
2 2 1 1 0
, dengan penduga modelnya
i
e
i
x b
i
x b b
i
y + + + =
2 2 1 1 0
. Besarnya nilai-nilai penduga koefisien-
koefisien regresi (
2
,
1
b b ) serta intersept
0
b dapat dihitung berdasar
data pohon contoh yang diambil.
2
)
2 1
( )
2
)(
1
(
)
2
)(
2 1
( )
1
)(
2
(
1
x JHKx JKx JKx
y JHKx x JHKx y JHKx JKx
b
=
( )( ) ( )( )
( )( ) ( )
2
2 1 2 1
1 2 1 2 1
2
x JHKx JKx JKx
y JHKx x JHKx y JHKx JKx
b
=
dimana :
( )
n
n
i
i
x
n
i
i
x JKx
2
1
1
1
2
1 1
=

=
=
( )
n
n
i
i
x
n
i
i
x JKx
2
1
2
1
2
2 2
=

=
=
( )( )
n
n
i
x
n
i
x
n
i
x x x JKx
=

=
=
1
2
1
1
1
2 1 2 1

( )( )
n
n
i
y
n
i
x
n
i
y x y JKx
=

=
=
1 1
1
1
1 1

( )( )
n
n
i
y
n
i
x
n
i
y x y JKx
=

=
=
1 1
2
1
2 2

2 2 1 1 0
x b x b y b =
Koefisien determinasi )
2
( R dari model regresi tersebut dapat
dihitung :
11

total
JK
regresi
JK
R =
2

Koefisien korelasi berganda (R) dapat diperoleh dari akar koefisien
determinasi tersebut diatas.
y JHKx b y JHKx b
regresi
JK
2 2 1 1
+ =
( )
n
n
i
i
y
n
i
i
y JKy
total
JK
2
1
1
2

=

=
= =
b) Perhitungan simpangan baku (s)
Nilai simpangan baku (s) ditentukan dengan rumus (Draper dan Smith),
1992):
s =

S
2
=
_
c
2
n -p
,

dimana:
S
2
= kuadrat tengah sisaan,
e
i
= sisaan ke-i.
Perhitungan simpangan baku menunjukkan bahwa semakin kecil nilainya
semakin baik, artinya dugaannya semakin teliti.
c) Perhitungan Nilai PRESS (Predicted Residual Sum of Square).
Setelah beberapa persamaan yang memenuhi syarat ditetapkan, akan
sangat baik kalau dilakukan uji validasi untuk memilih persamaan terbaik
pada setiap keadaan. Uji validasi ini dapat menggunakan nilai PRESS dari
masing-masing persamaan yang dibuat (Draper dan Smith, 1992). Adapun
langkah-langkah sebagai berikut:
1) Amatan pertama pada peubah respons maupun peubah peramalannya
dihilangkannya.
2) Tentukan model dugaan semua kemungkinan regresi terhadap n-1 data.
12

3) Menggunakan setiap persamaan regresi yang diperoleh untuk
meramalkan Yi oleh Yip (misalnya), sehingga diperoleh simpangan
ramalannya untuk semua kemungkinan model regresinya.
4) Mengulangi ketiga langkah diatas namun dengan menghilangkan amatan
kedua, ketiga sampai amatan ke-n.
5) Untuk setiap model regresi dihitung jumlah kuadrat simpangan
ramalannya.
PRESS = (
-
`
p
)
2
n
=1

dimana :

= nilai Y pada amatan ke I,

`
p
= nilai
dugaan persamaan regresi tanpa mengikutsertakan

amatan ke-i.
Perhitungan nilai PRESS berdasarkan rumus diatas cukup rumit
dikerjakan,sehingga Weisberg (1985) dalam Kuncahyo (1991) merumuskan
nilai PRESS sebagai berikut:
PRESS = c
2
()

dimana:
c
=
c
i
(1-h
ii
, c
= nilai sisaan ke-I,

b
= nilai baris dan lajur ke-I dari hat matrik.

Persamaan terbaik adalah persamaan yang memiliki nilai PRESS yang
paling kecil.
d) Analisis Sisaan.
1) Uji visual kenormalan.
Kenormalan sisaan dapat dilihat dengan menampilkan plot hubungan
sisaan denganprobability normalnya. Nilai sisaan dinyatakan normal
apabila antara nilai sisaan dan probability normalnya membentuk pola
garis lurus atau mendekati garis lurus.
2) Uji keaditifan model
13

Sifat aditif dapat dilihat dengan menampilkan plot tebaran nilai sisaan
dengan nilai dugaan. Asumsi keaditifan model terpenuhi bila tebaran
yang dihasilkan tidak membentuk pola (null plot) atau berbentuk acak
disekitar nilai sisaan nol (menyerupai pipa horison).
3) Keberartian Persamaan Regresi.
Untuk mengetahui apakah ada hubungan regresi yang nyata antara
peubah bebas dengan peubah tak bebasnya dilakukan uji signifikansi F-
test yakni dengan cara membandingkan nilai F hitung denga nilai F tabel.
Nilai F hit dapat ditentukan dari daftar analisis ragam .
Hipotesis yang digunakan :
Ho : i = 0
Hi : sekurang-kurangnya ada i 0 : I = 1,2,3,..
Kriteria pengujian Fhitung=KTR/KTS. Apabila Fhitung> Ftabel pada
taraf nyata 5% dan taraf nyata 1%, maka Ho ditolak, artinya sedikitnya
ada satu peubah yang mempengaruhi peubah tak bebas sehingga
persamaan regresi yang diuji dapat diterima.
4) Uji pencilan.
Pengamatan pencilan adalah pengamatan yang tidak mengikuti pola
dominan pengamatan lainnya. Pengamatan pencilan ini dapat ditentukan
dengan menghitung nilai Tresid (ti) dan membandingkannya dengan
Table Critical for Studentized Residual (dengan memasukkan nilai
pengamatan ke-i yang dicurigai) dan Jacknife Residual ( tanpa
memasukkan pengamatan ke i yang dicurigai). Dengan kaidah jika
Tresid > Ttabel maka pengamatan tersebut merupakan pencilan,
sedangkan jika T resid T tabel maka pengamatan tersebut bukan
pencilan.
e) Analisa keragaman.
Terhadap persamaan-persamaan regresi tersebut dilakukan pengujian
dengan menggunakan analisa keragaman (analysis of variance) untuk
melihat signifikasi atau adanya ketergantungan peubah-peubah yang
menyusun regresi tersebut.
14

Tabel 1 Analisa keragaman pengujian regresi
dimana:
p = banyaknya konstanta (koefisien regresi dan intersept) dan
n = sama dengan banyaknya pohon contoh yang digunakan dalam
penyusunan regresi tersebut.
Dalam analisa tersebut hipotesa yang diuji adalah :
1) Pada regresi linier sederhana :
B
o
: = u lawan B
1
: = u
2) Pada regresi linier berganda :
B
o
:
I
= u uimana i = 1,2
H
1
: Sekurang-kurangnya ada 0
i

Jika H
1
yang diterima, maka regresi tersebut nyata, artinya ada
keterkaitan antara peubah bebas (diameter pohon dan atau tinggi pohon)
dengan peubah tidak bebasnya (volume pohon). Dengan kata lain bahwa
setiap ada perubahan pada peubah bebasnya akan terjadi perubahan pada
peubah tidak bebasnya. Jika H
0
yang diterima, maka regresi tersebut tidak
nyata, artinya persamaan regresi tidak dapat untuk menduga volume pohon
berdasarkan peubah bebasnya.
d. Validasi Model Terpilih.
Hasil persamaan-persamaan regresi yang telah diuji, baik pada penyusunan
regresi untuk tarif volume pohon, maupun pada penyusunan untuk tabel
volume pohon standar, perlu dilakukan uji validasi dengan menggunakan
pohon contoh yang telah dialokasikan sebelumnya khusus untuk pengujian
validasi model. Data pohon contoh tersebut tidak digunakan dalam penyusunan
model-model tabel volume diatas. Uji validasi model dapat dengan melihat
pada nilai-nilai simpangan agregasinya (agregative deviation), simpangan rata-
rata (mean deviation), RMSE (root mean square error), biasnya serta uji beda
Sumber
keragaman
Derajat
bebas
Jumlah
Kuadrat (JK)
Kuadrat Tengah
(KT)
F
-hitung

Regresi
Sisaan
Dbr = p-1
Dbs=n-p
JKR=b. JHK
xy

JKS=JKT-JKR
KTR=JKR/Dbr
KTS=JKS/Dbs
KTR/ KTS
Total n-1 JKT=JK
y

15

nyata antara volume yang diduga dengan tabel terhadap volume nyatanya. Uji
beda nyata bisa dilakukan dengan cara uji Khi-kuadrat.
Nilai-nilai pengujian validasi model tersebut dapat dihitung dengan rumus-
rumus sebagai berikut :
1) Ketelitian
Ketelitian berkaitan denga adanya pengulangan dan menggambarkan sejauh
mana kedekatan nilai-nilai pengukuran terhadap nilai rata-ratanya (Van Laar
dan Akca dalam Muhdin, 1997). Ketelitian ditunjukan oleh besarnya nilai
simpangan baku dari kesalahan dugaan volume(s), yang dinyatakan dengan
persamaan:
s =
_
((I
- Io
) Io
)
2 n
=1
-
( ((I
- Io
) Io
)
n
=1
)
2
n
n - 1
x 1uu%
dimana:
s : Simpangan baku
Va
i
: Volume aktual pohon ke-I yang diperoleh dengan cara
penjumlahan volume per seksi
V
i
: Volume dugaan pohon ke-I yang diperoleh dengan
menggunakan persamaan volume tertentu
n : Jumlah pohon contoh
Nilai simpangan yang lebih kecil menunjukan bahwa model penduga
volume itu memiliki tingkat ketelitian yang lebih tinggi.
2) Simpangan agregat (agregative deviation)
Simpangan agregat merupakan selisih antara jumlah volume aktual (Va) dan
volume dugaan (Vt) yang diperoleh berdasarkan dari tabel volume pohon,
sebagai persentase terhadap volume dugaan (Vt). Persamaan yang baik
memiliki nilai simpangan agregat (SA) yang berkisar dari -1 sampai +1 (Spurr
1952). Nilai SA dapat dihitung dengan rumus :
=

=
=
n
i
Vti
n
i
Vai
n
i
Vti
SA
1
1 1

16

3) Simpangan rata-rata (mean deviation)
Simpangan rata-rata merupakan rata-rata jumlah dari nilai mutlak selisih
antara jumlah volume dugaan (Vt) dan volume aktual (Va), proporsional
terhadap jumlah volume dugaan (Vt). Nilai simpangan rata-rata yang baik
adalah tidak lebih dari 10 % (Spurr, 1952). Simpangan rata-rata dapat dihitung
dengan rumus (Bustomi, dkk. 1998) :
% 100
1
x
n
n
i
Vti
Vai Vti
SR
=

=

4) Ketepatan
Ketepatan ialah kombinasi antara bias denga ketelitian di dalam
menggambarkan jauh dekatnya nilai-nilai hasil pengamatan terhadap nilai yang
sebenarnya (Van Laar dan Akca dalam muhdin, 1997). Ketepatan model
ditunjukan oleh nilai root mean square error (RMSE) yang dihitung dengan
rumus:
RHSE =
_
( ((I
- Io
) Io
)
n
=1
)
2
n
x 1uu%
dimana:
RMSE : Simpangan baku
Va
i
: Volume aktual pohon ke-I yang diperoleh dengan cara
penjumlahan volume per seksi
Vi : Volume dugaan pohon ke-I yang diperoleh dengan
menggunakan persamaan volume tertentu
n : Jumlah pohon contoh
Nilai RMSE yang lebih kecil menunjukan bahwa model penduga volume itu
lebih akurat dalam menduga volume.
5) Bias
Bias (e) adalah kesalahan sistematis yang dapat terjadi karena kesalahan
dalam pengukuran, kesalahan teknis pengukuran maupun kesalahan karena alat
ukur. Bias dapat dihitung dengan rumus :
17

% 100
1
x
n
i
n
Vai
Vai Vti
e

=

=
6) Uji beda rata-rata Khi-kuadrat (Khi-square test).
Pengujian validasi model persamaan penduga volume pohon, dapat pula
dilakukan dengan menggunakan uji X
2
(Khi-kuadrat), yaitu alat untuk menguji
apakah volume yang diduga dengan tabel volume pohon (Vt) berbeda dengan
volume pohon aktualnya (Va). Dalam hal ini hipotesa yang diuji adalah
sebagai berikut :
H
0
: Vt = Va dan H
1
: Vt Va
Kriterium ujinya adalah :
X
2
=
(Iti -Ioi)
2
Ioi
n
=1

Kaidah keputusannya adalah sebagai berikut :
X
htung
2
X
tubcI (,n-1)
2
, maka teiima E
0

X
htung
2
> X
tubcI (,n-1)
2
, maka teiima E
1

Jadi model persamaan regresi untuk penyusunan tabel volume pohon yang
baik berdasar pengujian validasi tersebut diatas, adalah apabila :
a) Simpangan agregasi berada diantara -1 sampai + 1 (Spurr, 1952)
b) Simpangan rata-rata tidak lebih dari 10 % (Spurr, 1952).
c) Nilai RMSE dan Bias relatif kecil
d) Apabila hasil uji beda antara nilai rata-rata yang diduga dengan tabel
volume dengan nilai rata-rata nyata (actual), tidak menunjukkan adanya
perbedaan yang nyata (H
0
diterima).
18

Gambar 2 Diagram alir penelitian.
BAB III
KEADAAN UMUM LOKASI PENELITIAN
3.1. Letak dan Luas IUPHHK
Berdasarkan Surat Keputusan Perpanjangan IUPHHK No. 113/Menhut-
II/2006 tanggal 19 April 2006, PT. Trisetia Intiga memperoleh Ijin Usaha
Pemanfaatan Hasil Hutan Kayu (IUPHHK) pada arel hutan seluas 69.070 Ha di
propinsi Kalimantan Tengah.
Letak areal IUPHHK PT. Trisetia Intiga menurut administrasi
pemerintahan, termasuk wilayah Kecamatan Bulik, Kabupaten Lamandau dan
Kecamatan Arut Utara, Kabupaten Kotawaringin Barat Kalimantan Tengah.
Wilayah pengelolaannya termasuk dalam Dinas Kehutanan Kabupaten Lamandau
dan Kabupaten Kotawaringin Barat, Dinas Kehutanan Propinsi Kalimantan
Tengah. Menurut pembagian kelompok hutan, areal kerjanya termasuk dalam
kelompok hutan Sungai Martobi dan Sungai Palikodan. Secara geografis terletak
pada 01 33 02 00 Lintang Selatan dan 111 28 21 111 48 12 Bujur
Timur. Berdasarkan fungsi kawasan areal termasuk dalam fungsi Hutan HPT
seluas 24.946 Ha, HP seluas 13.877 Ha dan HPK seluas 30.247 Ha
Adapun batas-batas areal IUPHHK PT. Trisetia Intiga adalah :
1. Sebelah Utara : HPH PT. Karda Traders
2. Sebelah Selatan : Hutan Negara
3. Sebelah Timur : HPH PT. Intrado Jaya Intiga, PT.
Erythrina Nugraha Megah, PT. Korintiga Hutani,
Hutan Lindung
4. Sebelah barat : Hutan Negara
3.2. Geologi dan Tanah
1. Geologi
Berdasarkan Peta Geologi Kalimantan Tengah Lembat Tumbang Manjul
Skala 1:250.000 terbitan Pusat Penelitian dan Pengembangan Geologi Bandung
Tahun 1978, formasi geologi areal IUPHHK PT. Trisetia Intiga, berada pada
kompleks batuan Oligosen dan Eosen Bawah. Seperti disajikan Tabel 2 terlihat
20

bahwa formasi geologi terbesar adalah Lava Andesit, Riolit, dan Desit sebesar
56,62%, sedangkan formasi geologi paling kecil sebesar 6,57% yaitu Andesit.
Tabel 2 Formasi Geologi Areal IUPHHK PT. Trisetia Intiga
Kode Formasi geologi Luas (Ha) (%)
Kgm Granit, Granadiorit, Monzonit 26.116 37,81
Rvk Lava Andesit, Riolit, dan Desit 39.110 56,62
Tma Andesit 4.884 6,57
Jumlah 69.070 100,00
Sumber : Peta Geologi Lembar Tumbang Manjul Kalimantan Tengah, Skala 1: 250.000, tahun
1979
2. Tanah
Berdasarkan Peta Land System and Suitability lembar Ambalu (1615)
Kalimantan Tengah Skala 1: 250.000 yang diterbitkan oleh Pusat Penelitian
Tanah dan Agroklimat Badan Penelitian dan Pengembangan Pertanian Bogor,
jenis tanah yang terdapat areal PT. Trisetia Intiga adalah Tropodults dan
Distropepts. Jenis tanah secara lengkap disajikan pada Tabel 3.
Tabel 3 Jenis tanah yang terdapat di Areal IUPHHK PT. Trisetia Intiga
Kode Formasi Tanah Luas (Ha) (%)
HJA Tropodults 29.237 42,33
PLN Tropodults 9.419 13,64
BPD Distropepts 24.920 36,08
JLH Distropepts 5.494 7,95
Jumlah 69.070 100,00
Sumber : Peta Land System and Suitability lembar Ambalu (1615) Kalimantan Tengah, Skala 1:
250.000
3.3. Keadaan Hutan
Kondisi umum kawasan sangat beragam, di Sebelah Utara merupakan
kawasan yang masih berhutan, potensi kayunya cukup tinggi, namun topografinya
bergelombang hingga curam. Di Sebelah Barat Daya merupakan kawasan yang
relatif landai, namun rendah potensi kayunya dan tinggi tingkat penyerobotan
lahan. Di Sebelah Tenggara topografi relatif landai, namun banyak areal terbuka
dan perkebunan sawit masuk ke dalam kawasan hutan.
Berdasarkan kajian spasial pemanfaatan kawasan hutan di dalam areal
kerja PT Trisetia Intiga diperoleh gambaran bahwa sekitar 25,3% dari luas
wilayah kerjanya atau sekitar 17.453 Ha bertampalan (overlap) dengan ijin lokasi
perkebunan. Di areal kerja PT Trisetia ini ada 6 perusahaan perkebunan yang
21

telah mendapatkan ijin lokasi pembangunan kelapa sawit. Overlap terluas adalah
dengan PT. Mentobi Mitra Lestari, selanjutnya disusul oleh PT. SMU dan PT.
Tanjung Sawit Abadi.
Dilihat dari segi fungsi kawasannya (TGHK), luas areal overlap terluas
ada di fungsi HP seluas 10.558 Ha selanjutnya di areal HPK seluas 6.379 Ha dan
sisanya sekitar 517 Ha termasuk dalam fungsi HPT. Secara keseluruhan, wilayah
kerja dari PT Trisetia Intiga ini, 45% dari luas wilayahnya adalah berupa HPK,
selanjutnya 35% HPT dan 20% HP disajikan pada Tabel 4 dan secara visual
disajikan pada Gambar 4.
Tabel 4 Wilayah IUPHHK yang Overlap Penggunaannya dengan Perkebunan
Perusahaan HP HPT HPK Jumlah
Persentase
(%)
PT SMU 168 517 2.809 3.494 5,1
PT TSA 4.647 - 31 4.677 6,8
PT.MML 5.743 - 314 6.057 8,8
PT FLTI - - 247 247 0,4
PT.KSA - - 2.978 2.978 4,3
Jumlah overlap 10.558 517 6.379 17.453 25,3
Tidak Overlap 3.153 23.750 24.714 51.617 74,7
Jumlah 13.710 24.267 31.092 69.070 100,0
Persentase (%) 19,8 35,1 45,0 100,0
3.4. Topografi Lahan
Keadaan topografi di areal kerja IUPHHK PT. Trisetia Intiga, bervariasi dari
dataran sampai agak curam. Berdasarkan anlisis peta topografi areal IUPHHK
tersebut kondisi kelas lereng areal kerja IUPHHK PT. Trisetia Intiga dapat dilihat
pada Tabel 5 dan secara visual disajikan pada Gambar 3.
Tabel 5 Kondisi topografi lahan
No Bentuk Wilayah Kelas Kelerengan
Luas (Ha)
Ha %
1 Datar A (0-8%) 37.871 54,8
2 Landai B (8-15 %) 13.179 9,1
3 Agak Curam C (15-25%) 12.522 8,1
4 Curam D (25-40%) 5.366 7,8
5 Sangat Curam E (>40%) 133 0,2
Total 69.070 100
Sumber : Kajian Penggunaan Citra Alos Palsar untuk Klasifikasi Tutupan Lahan di PT.
Trisetia Intiga.
22

Dilihat dari kondisi topografi lahannya, keadaan topografi di areal kerja
IUPHHK PT. Trisetia Intiga yang paling dominan secara keseluruhan adalah datar
seluas 54.056 Ha atau sebesar 78,26% dari seluruh areal kerjanya. Sedangkan
keadaan topografi curam hanya seluas 1.501 Ha atau sebesar 2,18 % dari seluruh
wilayah areal kerjanya.

Gambar 3 Peta kelas lereng PT.Trisetia Intiga, Kalimantan Tengah.

Gambar 4 Peta penutupan lahan PT.Trisetia Intiga, Kalimantan Tengah
BAB IV
HASIL DAN PEMBAHASAN
4.1 Penentuan Pohon Contoh
Pohon contoh yang digunakan dalam penyusunan tabel volume dibagi
dalam 2 (dua) kelompok jenis yaitu kelompok jenis meranti dan non-meranti
(rimba campuran, kayu indah). Pengambilan pohon contoh dilakukan secara
purposive sampling dan tersebar dalam setiap kelas diameter. Adapun jumlah dan
penyebaran pohon contoh untuk masing-masing kelas diameter dapat dilihat pada
tabel dibawah ini.
Tabel 6 Sebaran data pohon Ccntoh
Kelas Diameter
Jumlah pohon contoh
Penyusunan model Evaluasi model
M NM M NM
10-19,9 14 11 5 9
20,0-29,9 13 6 8 2
30,0-39,9 7 4 4 2
40,0-49,9 5 4 3 5
50,0-59,9 16 7 5 3
60,0-69,9 10 7 5 6
70,0-79,9 13 6 5 6
>80,0 11 6 6 3
Total 89 51 41 36
4.2 Penyusunan Model Persamaan Regresi
Asumsi dasar yang digunakan untuk menyusun tabel volume lokal adalah
bahwa pohon-pohon yang berdiameter sama akan memiliki volume yang sama
jika pada kondisi tempat tumbuh yang sama. Hal ini akan diterima jika ada
hubungan yang erat antara diameter pohon dengan tinggi pohon. Variasi yang
terjadi pada volume pohon disebabkan oleh variasi tinggi pohon dapat dicakup
oleh adanya variasi diameter pohonnya, sehingga pohon yang berdiameter yang
sama akan memiliki volume yang sama.
Berdasarkan hubungan logaritmik antara tinggi pohon dengan diameter
diperoleh nilai koefisien determinasi dan koefisien korelasinya. Nilai-nilai
tersebut menunjukan tingkat ketelitian dan tingkat keeratan hubungan yang terjadi
antara diameter dan tinggi dari kedua jenis pohon tersebut. Dalam membuat tabel
24
volume lokal , untuk memperoleh ketelitian yang dapat dipertanggungjawabkan,

maka koefisien korelasi ditetapkan >0,7071 atau R
2
minimal 50 % (Suharlan,
Boestomi dan Sumarna, 1976). Untuk mengetahui apakah nilai ini memenuhi
persyaratan atau tidak, maka perlu dilakukan pengujian korelasi (r) dengan
transformasi Z-Fisher.
Dari hasil analisis regresi untuk mengetahui hubungan antara diameter
setinggi dada (dbh) dengan tinggi, diperoleh data seperti disajikan pada Tabel 7.
Tabel 7 Nilai R
2
, r persamaan regresi dan hasil uji transformasi Z-fisher
No Jenis Persamaan regresi r Z
hit
Z
(0,05)

1 Meranti Log Tbc= 0,916989+0,493064 Log Dbh 0,77 3.17 1,64
2 Non-meranti Log Tbc= 0,916989+0,52568 Log Dbh 0,78 2.37 1,64
Pada tabel diatas terlihat bahwa berdasarkan pohon contoh pada kelompok
jenis non-meranti , diperoleh koefisien determinasi dan koefisien korelasinya
lebih besar dibandingkan kelompok jenis meranti. Untuk mengetahui hubungan
koefisien determinasi dan koefisien korelasi pada populasi kedua kelompok jenis
tersebut dilakukan uji Z-fisher.
Berdasarkan hasil uji transformasi Z-fisher untuk kelompok jenis meranti
dan non-meranti diperoleh bahwa Z hitung > Z tabel ( = 0,05), yang berarti
hipotesa Ho : = 0,7071 ditolak. Ini menunjukkan bahwa koefisien korelasi
dalam populasi telah memenuhi persyaratan yang diminta. Volume yang diduga
berdasarkan peubah bebas diameternya akan menghasilkan pendugaan yang
cukup memenuhi persyaratan yang telah ditetapkan, yaitu sekurang-kurangnya
50% dari peubah tak bebas dapat diterangkan oleh adanya variasi pada peubah
bebasnya.
Keeratan hubungan antara tinggi dengan diameter pohon menunjukan
bahwa pendugaan volume dapat diterangkan hanya dengan satu peubah bebas
yaitu diameter saja. Dengan asumsi adanya hubungan yang kuat antara diameter
setinggi dada dengan tinggi bebas cabang terpenuhi, maka dilanjutkan dengan
mencari hubungan antara diameter dan volume pohon dengan menggunakan
model hubungan sebagai berikut:
1. V = aD
b
(Model Berkhout)
2. V = a + b D
2
(Model Kopezky- Gehrhardt)
3. V = a + b D+ c D
2
(Model Horenadl-Krenn)
25
4. V = a D
b
10
c D

dimana:
V : Volume total pohon (m3)
D : Diameter setinggi dada (cm)
a,b,c : Konstanta
Model persamaan regresi linier tersebut merupakan alternatif model yang
akan digunakan untuk menyusun tabel volume. Model persamaan regresi yang
diperoleh dari hasil perhitungan dengan menggunakan minitab dapat dilihat pada
Tabel 8 dan 9.
Tabel 8 Persamaan regresi yang diperoleh untuk kelompok jenis meranti
No Persamaan regresi R
2
(%) r
1 V = 0,000174 D
2,44
96,90 0,98
2 V = 0,241 + 0,00108 D
2
88,90 0,94
3 V = -1,57 + 0,0636 D + 0,000668 D
2
90,60 0,95
4 V = 0,0000562 D
2,87
10
-0,0041 D
97,30 0,99
Tabel 9 Persamaan regresi yang diperoleh untuk kelompok jenis non-meranti
No Persamaan regresi R
2
(%) r
1 V = 0,0001096 D
2,53
96,30 0,98
2 V = -0,263 + 0,00116 D
2
86,00 0,93
3 V = -0,491 + 0,0112 D + 0,00106 D
2
86,10 0,93
4 V = 0,0000724 D
2,69
10
-0,00175 D
96,30 0,98
Menurut Suharlan, Boestomi, dan Soemarna (1976), nilai koefisien
determinasi sebesar 50% merupakan batas minimal yang digunakan dalam
penyusunan tabel volume yang dianggap cukup memadai.
Dari hasil analisa regresi dengan metode kuadrat terkecil pada Tabel 8
diatas, diperoleh bahwa koefisien korelasi terbesar antara volume dengan diameter
adalah 0,99 dan koefisien determinasi 97,3% untuk persamaan (4). Hal ini
menunjukkan bahwa 97,3 % keragaman volume dapat dijelaskan oleh variabel
bebas diameter. Sisanya sebesar 2,7% dijelaskan oleh peubah lain yang tidak
disertakan dalam model. Makin besar nilai R
2
, maka persamaan regresi tersebut
makin baik. Koefisien determinasi ini menunjukkan tingkat ketelitian dan
kemampuan peubah bebas dalam menjelaskan peubah tidak bebasnya. Persamaan
(1) dan (4) memiliki perbedaan yang kecil yaitu sebesar 0,4%. Sedangkan
persamaan (2) sebesar 88,9% adalah persamaan dengan koefisien determinasi
26
terkecil. Artinya persamaan (1) dan (4) memiliki tingkat ketelitian dan keakuratan
hubungan antara peubah bebas dan peubah tak bebasnya yang lebih baik dari
persamaan persamaan (2) dan (3). Pada Tabel 9 terlihat bahwa koefisien
determinasi terbesar ada pada persamaan (1) dan (4) sebesar 96,3%. Besarnya
koefisien determinasi tersebut menunjukkan bahwa sebesar 96,3% variasi yang
terjadi pada volume dapat diterangkan oleh peubah bebasnya (diameter). Hal ini
menunjukkan bahwa persamaan (1) dan (4) memiliki tingkat ketelitian dan
keakuratan hubungan antara peubah bebas dan peubah tak bebasnya yang lebih
baik dari persamaan persamaan (2) dan (3).
Untuk menguji keberartian peranan peubah bebas terhadap peubah tidak
bebasnya dari persamaan tersebut, dilakukan uji F (F-test) yaitu dengan
membandingkan antara F-hitung dengan F-tabel. Nilai F-hitung diperoleh dari
hasil perhitungan persamaan regresi yang diperoleh dengan menggunakan Metode
Kuadrat Terkecil (Least Square Methods). Nilai F-hitung dan F-tabel untuk jenis
jenis tersebut dapat dilihat pada Tabel 10 dan 11.
Tabel 10 Nilai F-hitung dan F-tabel kelompok jenis meranti
No Persamaan regresi F-hitung
F-tabel
0,01
1 V = 0,000174 D
2,44
2724,31
7,02
2 V = 0,241 + 0,00108 D
2
695,88
3 V = -1,57 + 0,0636 D + 0,000668 D
2
415,22
4.89
4 V = 0,0000562 D
2,87
10
-0,0041 D
1534,78
Tabel 11 Nilai F-hitung dan F-tabel kelompok jenis non-meranti
No Persamaan regresi F-hitung
F-tabel
0,01
1 V = 0,0001096 D
2,53
1269,14
7.20
2 V = -0,263 + 0,00116 D
2
301,99
3 V = -0,491 + 0,0112 D + 0,00106 D
2
148,35
5.10
4 V = 0,0000724 D
2,69
10
-0,00175 D
625,75
Berdasarkan persamaan regresi untuk menduga volume, terlebih dahulu
dilihat peranan peubah bebas dalam menduga peubah tidak bebasnya dengan
melakukan uji keberartian peubah bebas melalui uji F. Menurut Draper dan Smith
(1992), apabila F
hitung
> F
tabel
pada taraf nyata 1% artinya sedikitnya ada satu
27
peubah bebas yang mempengaruhi peubah tak bebas sehingga persamaan regresi
yang diuji dapat diterima.
Berdasarkan Tabel 10 dan 11 diperoleh Fhitung lebih besar dari nilai F-tabel
pada tingkat nyata 1%. Dengan demikian Ho ditolak, sehingga ini berarti bahwa
peubah bebas yang dimasukkan kedalam model persamaan regresi sangat
berpengaruh nyata dalam menduga peubah tidak bebasnya yaitu volume.
Tabel 12 Nilai simpangan baku dan PRESS untuk kelompok jenis meranti
No Persamaan regresi S PRESS
1 V = 0,000174 D
2,44
0,12 1,305
2 V = 0,241 + 0,00108 D
2
1,68 369,661
3 V = -1,57 + 0,0636 D + 0,000668 D
2
1,56 383,564
4 V = 0,0000562 D
2,87
10
-0,0041 D
0,11 1,17
Tabel 13 Nilai simpangan baku dan PRESS untuk kelompok jenis non-meranti
No Persamaan regresi S PRESS
1 V = 0,0001096 D
2,53
0,14 1,002
2 V = -0,263 + 0,00116 D
2
1,27 89,396
3 V = -0,491 + 0,0112 D + 0,00106 D
2
1,28 93,971
4 V= 0,0000724 D
2,69
10
-0,00175 D
0,13 1,029
Ketelitian berkaitan dengan adanya pengulangan dan menggambarkan
sejauh mana kedekatan nilai-nilai pengukuran terhadap nilai rata-ratanya (Van
Laar dan Akca dalam Muhdin, 1997). Ketelitian ditunjukkan oleh besarnya nilai
simpangan baku dari kesalahan dugaan volume (s). Nilai simpangan baku
menunjukkan bahwa semakin kecil nilai tersebut, maka semakin baik persamaan
yang akan digunakan untuk menduga volume pohon. Sedangkan Nilai PRESS
menunjukkan kombinasi analisis sisaan dan pemilihan model terbaik yang
merupakan kemampuan model untuk menduga data yang baru. Persamaan terbaik
adalah persamaan yang memiliki nilai PRESS yang paling kecil.
Berdasarkan hasil perhitungan pada Tabel 12 diperoleh nilai simpangan
baku terkecil sebesar 0,11 dan nilai PRESS sebesar 1,17 untuk persamaan (4).
Sedangkan nilai simpangan baku terbesar terdapat pada persamaan (2) sebesar
1,68 dan nilai PRESS terbesar terdapat pada persamaan (3) sebesar 383,564.
Pada Tabel 13 diperoleh nilai simpangan baku terkecil sebesar 0,13 terdapat
pada persamaan (4) dan nilai PRESS terkecil sebesar 1,002 terdapat pada
28
persamaan (1). Sedangkan nilai simpangan baku dan PRESS terbesar masing-
masing 1,28 dan 93,971 yang terdapat pada persamaan (3). Persamaan (1) dan (4)
memiliki nilai simpangan baku dan PRESS yang berbeda jauh. Sehingga
persamaan (1) dan (4) memiliki tingkat ketelitian yang lebih baik dalam menduga
volume pohon.
Langkah yang sangat penting dalam analisis regresi adalah penentuan model
hubungan antara peubah bebas dengan peubah tidak bebasnya. Model yang
terbaik adalah model yang memberikan kesalahan pendugaan terkecil dan
memiliki koefisien determinasi yang tinggi serta mudah dalam penggunaannya.
Tinggi-rendahnya nilai koefisien determinasi ini dapat digunakan sebagai
indikator untuk menilai model baik atau tidak. Rendahnya nilai koefisien
determinasi dapat disebabkan karena kurang tepat dalam pembentukan model
regresi, data contohnya yang kurang banyak serta karena adanya pasangan
pengamatan yang tidak mengikuti pola dominan pengamatan lain. Untuk
mengetahui adanya pasangan pengamatan yang berbeda dari polanya diperlukan
diagnostik data hasil pengamatan untuk melihat ada atau tidaknya pengamatan
yang termasuk pencilan, leverage ataupun pengamatan yang berpengaruh. Oleh
karena itu sangatlah penting untuk melakukan analisis sisaan.
Suatu model regresi dapat dipergunakan untuk menduga dengan baik
apabila salah satu asumsi penting mengenai kenormalan dari nilai sisaan dan
keaditifan terpenuhi (Kuncahyo, 1991). Oleh karena itu, perlu dilihat apakah
sisaan tersebut menyebar normal atau tidak.
Pada Gambar 5 menampilkan plot hubungan antara sisaan (residual) dengan
probability normal nilai sisaannya (normal score). Terlihat bahwa, nilai sisaan
menyebar normal yang dijelaskan dengan terbentuknya pola garis linier melalui
titik pusat sumbu antara nilai sisaan dengan normal score-nya. Begitu pula untuk
kelompok jenis non-meranti (Gambar 6), plot hubungan antara nilai sisaan dan
normal score-nya membentuk pola garis linier, sehingga nilai sisaannya menyebar
normal dan asumsi penting mengenai kenormalan dari nilai sisaan telah terpenuhi.
PERSAMAAN 1 PERSAMAAN 2
29
St andar dized Residual

S
c
o
r
e
3 2 1 0 -1 -2 -3
3
2
1
0
-1
-2
-3
Nor mal Pr obabi l i t y Pl ot of t he Resi dual s
(response is LogVa)

S
c
o
r
e
5.0 2.5 0.0 -2.5 -5.0 -7.5
3
2
1
0
-1
-2
-3
(response is Va)
S
c
o
r
e
5.0 2.5 0.0 -2.5 -5.0
3
2
1
0
-1
-2
-3
(response is Va)
S
c
o
r
e
3 2 1 0 -1 -2 -3
3
2
1
0
-1
-2
-3
(response is LogVa)

Gambar 5 Diagram pencar hubungan antara sisaan dengan plot peluang
normalnya untuk kelompok jenis meranti.
S
c
o
r
e
3 2 1 0 -1 -2 -3
2
1
0
-1
-2
(response is LogVa)
S
c
o
r
e
4 3 2 1 0 -1 -2 -3
2
1
0
-1
-2
(response is Va)
S
c
o
r
e
3 2 1 0 -1 -2 -3
2
1
0
-1
-2
(response is Va)
S
c
o
r
e
3 2 1 0 -1 -2 -3
2
1
0
-1
-2
(response is LogVa)

Gambar 6 Diagram pencar hubungan antara sisaan dengan plot peluang
normalnya untuk kelompok jenis non-meranti.
30
Selain itu, uji visual keaditifan model pun perlu dilakukan. Untuk melihat
apakah model bersifat adtif atau tidak dapat dibuat sebaran plot antara nilai sisaan
dengan dugaannya. Apabila hubungan tersebut tidak membentuk pola (acak)
maka keaditifan terpenuhi (Kuncahyo, 1991).
Pada Gambar 7 terlihat bahwa sebaran plot antara sisaan dengan nilai
dugaan tidak membentuk pola dan hasil tebaran sisaan menunjukkan pola yang
acak di sekitar nilai sisaan nol. Dengan demikian untuk model ini sifat keaditifan
dan asumsi kehomogenan ragam sisaan terpenuhi. Begitu pula halnya untuk
kelompok jenis non-meranti (Gambar 8), sebaran plot hubungan antara sisaan
dengan nilai dugaannya terlihat acak atau tidak membentuk pola sehingga model
ini pun sifat keaditifan dan asumsi kehomogenan ragam sisaannya juga terpenuhi.
Fit t ed Value
S
t
a
n
d
a
r
d
iz
e
d

R
e
s
id
u
a
l
2.0 1.5 1.0 0.5 0.0 -0.5 -1.0
2
1
0
-1
-2
-3
Resi dual s Ver sus t he Fi t t ed Val ues
(response is LogVa)
Fit t ed Value
S
t
a
n
d
a
r
d
iz
e
d

R
e
s
id
u
a
l
35 30 25 20 15 10 5 0
5.0
2.5
0.0
-2.5
-5.0
-7.5
(response is Va)

Fit t ed Value
S
t
a
n
d
a
r
d
iz
e
d

R
e
s
id
u
a
l
30 25 20 15 10 5 0
5.0
2.5
0.0
-2.5
-5.0
(response is Va)
Fit t ed Value
S
t
a
n
d
a
r
d
iz
e
d

R
e
s
id
u
a
l
1.5 1.0 0.5 0.0 -0.5 -1.0
2
1
0
-1
-2
-3
(response is LogVa)

Gambar 7 Diagram pencar hubungan antara sisaan dengan Y duga untuk
kelompok jenis meranti.
31
Fit t ed Value
S
t
a
n
d
a
r
d
iz
e
d

R
e
s
id
u
a
l
1.0 0.5 0.0 -0.5 -1.0
2
1
0
-1
-2
-3
(response is LogVa)
Fit t ed Value
S
t
a
n
d
a
r
d
iz
e
d

R
e
s
id
u
a
l
12 10 8 6 4 2 0
4
3
2
1
0
-1
-2
-3
(response is Va)
Fit t ed Value
S
t
a
n
d
a
r
d
iz
e
d

R
e
s
id
u
a
l
12 10 8 6 4 2 0
3
2
1
0
-1
-2
-3
(response is Va)
Fit t ed Value
S
t
a
n
d
a
r
d
iz
e
d

R
e
s
id
u
a
l
1.0 0.5 0.0 -0.5 -1.0
2
1
0
-1
-2
-3
(response is LogVa)

Gambar 8 Diagram pencar hubungan antara sisaan dengan Y duga untuk
kelompok jenis non-meranti.
Selanjutnya, untuk mengetahui adanya pasangan pengamatan yang tidak
mengikuti pola dominan dan pengamatan lainnya dilakukan Uji diagnostik baris.
Untuk melakukan uji diagnostik baris diperlukan perhitungan-perhitungan
terhadap nilai-nilai sisaan, Yduga, Tresid, Hi, CookDistance dan nilai Dfits-nya.
Pengamatan pencilan dapat ditentukan dengan menghitung nilai T
resid
(Ti)
dan membandingkannya dengan Table Critical for Studentized Residual (dengan
memasukkan nilai pengamatan ke-i yang dicurigai) ataupun tabel jacknife (tanpa
memasukkan pengamatan ke-i yang dicurigai). Untuk melihat ada atau tidaknya
pengamatan pencilan untuk kedua jenis tersebut dapat dilihat pada Tabel 14 dan
Tabel 15.

32
Tabel 14 Uji pengamatan pencilan (T

resid
) terhadap nilai T
tabel
jenis meranti
Model No. Pengamatan yang dicurigai T
res.hit

T
res.tabel
T
tabel jacknife
1% 1%
1 4 2,439
4,06 4,06
11 2,694
62 2,663
85 2,597
89 2,780
2 87 4,180
89 7,896
3 87 4,851
89 6,235
4 11 2,610
62 3,074
Tabel 15 Uji pengamatan pencilan (T
resid
) terhadap nilai T
tabel
jenis non-meranti
Model No. Pengamatan yang dicurigai T
res.hit

T
res.tabel
T
jacknife
1% 1%
1 7 2,775
4,03 4,03
38 2,071
2 7 3,102
38 3,166
3 7 3,398
38 3,455
4 7 2,705
Berdasarkan hasil perhitungan pada Tabel 14, diketahui bahwa
pengamatan yang memiliki T
hit.resid
> T
tabel.resid
dan T
jacknife
adalah pada
persamaan (2) dan (3). Pada persamaan (2) nilai T
res.hit
yang dicurigai masing-
masing sebesar 4,180 dan 7,896. Nilai T
table resid
pada tingkat nyata 1% (n= 89;
jumlah penduga =1) adalah 4,06 dan T
jacknife
sebesar 4,06. Oleh karena T
hit.resid

lebih besar dari T
table.resid
dan T
jacknife
maka pengamatan tersebut termasuk
kedalam pengamatan pencilan. Sedangkan persamaan (1) dan (4) memiliki nilai
T
hit resid
< T
table.resid
dan T
table jacknife
maka pengamatan yang dicurigai dalam
persamaan tersebut tidak termasuk kedalam pengamatan pencilan.
Pada Tabel 15 terlihat bahwa nilai T
hit.resid
< T
table.resid
dan T
jacknife
(n=51;
jumlah penduga 1) maka pengamatan yang termasuk dalam persamaan-persamaan
tersebut tidak termasuk kedalam pengamatan pencilan.
Selain pengamatan pencilan, dilihat pula pengamatan yang termasuk
leverage. Pengamatan leverage dapat ditentukan dengan menghitung nilai Hi dan
33
membandingkannya dengan Table Critical Value for Leverage. Berdasarkan hasil

perhitungan untuk kedua jenis tersebut, pengamatan leverage yang dicurigai
adalah sebagai berikut.
Tabel 16 Uji pengamatan Leverage (H
i
) terhadap nilai H
i

tabel
jenis meranti
Model No. Pengamatan yang dicurigai H
i

H
i

tabel

1% 5%
1 89 0,064
0,152 0,126
2 89 0,390
3 89 0,630
4 89 0,413
Tabel 17 Uji pengamatan Leverage (H
i
) terhadap nilai H
i

tabel
jenis non-meranti
Model No. Pengamatan yang dicurigai H
i

H
i

tabel
H
i

tabel
1% 5%
1 10 0,086
0,275 0,226
2 28 0,169
3 28 0,321
4 28 0,211
Berdasarkan perhitungan pada Tabel 16, diketahui bahwa persamaan (2),
(3) dan (4) memiliki nilai H
i
yang lebih besar dari H
i
tabel, maka pengamatan
tersebut merupakan pengamatan leverage. Sedangkan pengamatan no.89 yang
dicurigai pada persamaan (1) memiliki nilai H
i
sebesar 0.064 memiliki nilai lebih
kecil dari nilai H
i
tabel. Nilai H
i
pada Table Critical Value for Leverage dengan
n= 51 dan peubah penduga= 1 pada taraf nyata 1% dan 5% adalah 0,152 dan
0,126. Oleh karena nilai H
i
< H
i

tabel
maka pengamatan tersebut tidak termasuk
kedalam pengamatan leverage.
Pada Tabel 17 diketahui bahwa pengamatan no.28 pada persamaan (3)
memiliki nilai H
i
sebesar 0,321. Nilai H
i
pada Tabel Critical Value for Leverages
dengan n = 51 dan peubah penduga =1 pada taraf 1% dan 5% adalah 0,275 dan
0,226. Oleh karena nilai H
i
> nilai H
i table
maka pengamatan tersebut termasuk
dalam pengamatan leverage. Sedangkan pengamatan pada persamaan (1), (2) dan
(4) memiliki nilai lebih kecil dari nilai H
i table
sehingga pengamatan tersebut tidak
termasuk dalam pengamatan leverage.
Untuk mengetahui ada-tidaknya pengamatan berpengaruh, dilakukan uji
pengamatan berpengaruh yaitu dengan menghitung nilai CookDistance (Ci) atau
34
Dfits (Di) dan membandingkan dengan Table 50 Percentile Values of Distribution

for Cooks atau Dfits. Pengamatan berpengaruh adalah pengamatan yang apabila
tidak dimasukkan kedalam pembentukan model persamaan akan menghasilkan
nilai koefisien regresi yang sangat berbeda. Berdasarkan hasil perhitungan, ada-
tidaknya pengamatan yang berpengaruh dari kedua jenis tersebut dapat dilihat
pada Tabel 18 dan Tabel 19.
Tabel 18 Uji Pengamatan Berpengaruh (Ci) terhadap nilai tabel CookDistance
jenis meranti
Model No. Pengamatan yang dicurigai Ci
Ci
tabel
5%
1 89 0,246
0,70
2 89 11,689
3 89 15,295
4 89 0,212
Tabel 19 Uji Pengamatan Berpengaruh (Ci) terhadap nilai tabel CookDistance
jenis non-meranti
Model No. Pengamatan yang dicurigai Ci
Ci
tabel
5%
1 7 0,146
0,705
2 7 0,243
37 0,486
3 28 0,293
37 0,511
4 37 0,108
Berdasarkan Tabel 18, terlihat bahwa pengamatan yang dicurigai pada
persamaan (2) dan (3) memiliki nilai Ci lebih besar dari nilai Ci
tabel
sebesar
11,689 dan 15,295. Nilai Ci pada Table 50 Percentile Values of Distribution for
Cooks atau Dfits dengan n= 89; jumlah penduga= 1 pada taraf nyata 5% sebesar
0,7. Oleh karena nilai Ci lebih besar dari nilai Ci
tabel
maka pengamatan tersebut
termasuk kedalam pengamatan berpengaruh. Sedangkan pengamatan pada
persamaan (1) dan (4) memiliki nilai Ci lebih kecil dari nilai Ci tabel sehingga
pengamatan yang terdapat dalam persamaan (1) dan (4) tidak termasuk dalam
pengamatan berpengaruh.
Pada Tabel 19 terlihat bahwa nilai Ci pada pengamatan yang dicurigai lebih
kecil dari nilai Ci tabel pada taraf nyata 5%, sehingga pengamatan tersebut tidak
termasuk kedalam pengamatan berpengaruh.terbesar adalah pengamatan ke- 47
35
dengan nilai 0,359917 dan kelompok jenis non-meranti pada pengamatan ke- 7
sebesar 0,17437. sedangkan pada tabel CookDistance dengan nilai n = 89 untuk
kelompok jenis meranti besarnya adalah 0,700, sedangkan untuk kelompok jenis
non-meranti besarnya adalah 0,710. Dengan demikian berdasarkan perbandingan
ini nilai pengamatan ke 747 untuk kelompok jenis meranti dan nilai pengamatan
ke 7 untuk kelompok jenis non-meranti tidak termasuk kedalam kategori
pengamatan yang berpengaruh.
Dengan menghilangkan pengamatan pencilan, maka persamaan regresi yang
dihasilkan setelah uji diagnostik baris dapat dilihat pada Tabel 20.
Tabel 20 Persamaan regresi kelompok jenis meranti setelah pengamatan pencilan
dihilangkan
No Persamaan regresi
R2(%)
Sebelum Sesudah
1 V = 0,000174 D
2,44
96,9* -
2 Va = - 0,216 + 0,00123 D
2
88,9 91,6
3 Va = - 0,496 + 0,0114 D + 0,00114 D
2
90,6 91,6
4 V = 0,0000562 D
2,87
10
-0,0041 D
97,3* -
Ket: * tidak berubah, karena tidak ada pengamatan pencilan
Langkah selanjutnya menjumlahkan peringkat nilai R
2
, simpangan baku (s),
dan PRESS minimum atau paling kecil. Pada langkah ini diperoleh persamaan
terbaik.
Tabel 21 Penentuan peringkat model penduga volume pohon terbaik berdasarkan
kriteria nilai R
2
, simpangan baku (s), dan F
hitung
kelompok jenis meranti
Penyusunan
Peringkat
R
2
S PRESS
1 V = 0,000174 D
2,44
2 2 2 6 2
2 Va = - 0,216 + 0,00123 D
2
4 4 3 11 3,5
3 Va = - 0,496 + 0,0114 D+0,00114 D
2
3 3 4 11 3,5
4 V = 0,0000562 D
2,87
10
-0,0041 D
1 1 1 3 1
kriteria nilai R
2
, simpangan baku (s), dan F
hitung
kelompok jenis non-
meranti
Penyusunan model
Peringkat
R
2
S PRESS
1 V = 0,0001096 D
2,53
1,5 2 1 4,5 1,5
2 V = -0,263 + 0,00116 D
2
3 3 3 9 3
3 V =-0,491+0,0112 D+0,00106 D
2
2 4 4 10 4
4 V= 0,0000724 D
2,69
10
-0,00175 D
1,5 1 2 4,5 1,5
36
Setelah dilakukan peringkat seperti pada tabel diatas, maka diperoleh

persamaan terbaik dari kelompok jenis meranti dan non-meranti. Untuk kelompok
jenis non-meranti diperoleh persamaan terbaik yaitu persamaan (1) dan (4), V =
0,0001096 D
2,53
dan V= 0,0000724 D
2,69
10
-0,00175 D
. Meskipun diperoleh dua
persamaan terbaik berdasarkan kriteria peringkat, diperlukan pertimbangan lain
dalam menentukan persamaan terbaik yaitu kesederhanaan rumus. Persamaan (1)
lebih baik dari persamaan (4) karena memiliki persamaan yang lebih sederhana
dari persamaan (4), sedangkan untuk kelompok jenis meranti diperoleh persamaan
terbaik, yaitu persamaan (4), V = 0,0000562 D
2,87
10
-0,0041 D
.
4.3 Validasi Model
Dalam mengevaluasi model, Spurr (1952) dan Prodan (1965) mengatakan
bahwa persamaan regresi sebagai penduga isi pohon cukup seksama apabila
persamaan-persamaan tersebut memberikan Simpangan baku sisaan se-minimal
mungkin. Kriteria lain adalah jika simpangan rata-rata dan agregatif dari dugaan
isi pohon terhadap isi sebenarnya masing-masing kurang dari 10% dan 1%.
Tabel 23 Simpangan Agregat Relatif (SAR) dan Simpangan Rata-rata
Relatif(SRR) jenis meranti
No Persamaan regresi SAR(%) SRR(%)
1 V = 0,000174 D
2,44
0,03 18,42
2 V = - 0,216 + 0,00123 D
2
0,15 37,40
3 V = - 0,496 + 0,0114 D + 0,00114 D
2
0,05 38,67
4 V = 0,0000562 D
2,87
10
-0,0041 D
0,02 19,09
Tabel 24 Simpangan Agregat Relatif (SAR) dan Simpangan Rata-rata
Relatif(SRR) jenis non-meranti
No Persamaan regresi SAR(%) SRR(%)
1 V = 0,0001096 D
2,53
-0,03 22,43
2 V = -0,263 + 0,00116 D
2
0,01 543,1
3 V = -0,491 + 0,0112 D + 0,00106 D
2
0,02 58,79
4 V= 0,0000724 D
2,69
10
-0,00175 D
-0,06 23,48
Dari hasil perhitungan pada Tabel 23, dapat dilihat nilai simpangan agregat
relative masih dibawah 1%, hal ini berarti ke-empat persamaan tersebut
memenuhi syarat ketelitian yaitu kurang dari 1%. Tetapi, nilai simpangan rata-rata
relative diatas 10%, hal ini berarti keempat model tersebut akan menimbulkan
bias pada tingkat pengamatan tertentu atau validitasnya rendah. Begitu juga
dengan hasil perhitungan SAR dan SRR pada Tabel 24, diperoleh nilai simpangan
37
agregat relative dibawah 1% dan nilai simpangan rata relative diatas 10%. Hal ini
menunjukkan keempat persamaan regresi sebagai penduga isi pohon kurang
cukup seksama dalam menduga volume pohon.
Tabel 25 Nilai Simpangan baku (s), RMSE, bias, dan Khi-kuadrat jenis meranti
No Persamaan regresi S RMSE e X
2
hitung
X
2
tabel
1 V = 0,000174 D
2,44
0,39 4,16 16,24 5,69
56,94
2 V = - 0,216 + 0,00123 D
2
1,51 18,27 105,84 31,82
3 V =-0,496+0,0114D+0,00114D
2
0,45 4,60 12,58 8,84
4 V = 0,0000562 D
2,87
10
-0,0041 D
0,38 4,13 18,06 6,63
Tabel 26 Nilai Simpangan baku, RMSE, bias, dan Khi-kuadrat jenis non-meranti
No Persamaan regresi S RMSE e X
2
hit
X
2
hit

1 V = 0,0001096 D
2,53
0,26 2,71 -5,09 7,05
51,00
2 V = -0,263 + 0,00116D
2
0,72 7,68 -29,3 7,48
3 V = -0,491+0,0112D+0,00106D
2
1,18 12,80 -52,5 10,73
4 V = 0,0000724 D
2,69
10
-0,00175 D
0,25 2,62 -7,20 6,23
Hasil perhitungan pada Tabel 25 diperoleh nilai simpangan baku terkecil
pada persamaan (4) sebesar 0,38 dan persamaan (2) memberikan nilai simpangan
baku terbesar sebesar 1,5. Hal ini berarti persamaan regresi (4) cukup seksama
dalam menduga volume pohon apabila dibandingkan dengan persamaan (2).
Sedangkan pada Tabel 26 terlihat bahwa persamaan (4) memberikan nilai
simpangan baku terkecil yaitu sebesar 0,25 dan persamaan 3 memberikan nilai
simpangan baku terbesar sebesar 1,18. Hal ini berarti persamaan (4) memiliki
ketelitian yang lebih baik apabila dibandingkan dengan persamaan (3).
Nilai bias menggambarkan volume yang akan diduga mengalami
overestimate atau underestimate dari total volume aktualnya. Nilai bias terkecil
terdapat pada persamaan (3) sebesar 12,58% dan nilai bias terbesar terdapat pada
persamaan (2). Hal ini berarti persamaan (3) memberikan total volume dugaan
lebih besar dari total volume aktualnya sebesar 12,58% dan persamaan (4)
memberikan total volume dugaan lebih besar dari total volume aktualnya sebesar
105%. Dari kedua persamaan tersebut dapat dilihat bahwa persamaan (3) lebih
baik dalam menduga volume dugaan apabila dibandingkan dengan persamaan (2).
Sedangkan pada Tabel 26 nilai bias terbesar terdapat pada persamaan (3) yang
mengalami underestimate sebesar -52,51% dan nilai bias terkecil terdapat pada
persamaan (1) yang mengalami underestimate sebesar -5,09%. Hal ini berarti
38
persamaan regresi (1) memberikan dugaan volume yang lebih baik bila
dibandingkan dengan persamaan (3).
kriteria nilai RMSE, simpangan baku (s), dan bias (e) kelompok jenis
meranti
Validasi model
Peringkat
RMSE S e
1 V = 0,000174 D
2,44
2 2 2 6 2
2 Va = - 0,216 + 0,00123 D
2
4 4 4 12 4
3 Va =-0,496+0,0114 D + 0,00114 D
2
3 3 1 7 3
4 V = 0,0000562 D
2,87
10
-0,0041 D
1 1 3 5 1
kriteria nilai RMSE, simpangan baku (s), dan bias (e) kelompok jenis
non-meranti
Validasi model
Peringkat
RMSE S e
1 V = 0,0001096 D
2,53
2 2 1 5 2
2 V = -0,263 + 0,00116 D
2
3 3 3 9 3
3 V =-0,491+0,0112 D + 0,00106 D
2
4 4 4 12 4
4 V= 0,0000724 D
2,69
10
-0,00175 D
1 1 2 4 1
Berdasarkan penentuan peringkat pada tahap validasi model seperti yang
ditunjukkan pada Tabel 27 dan Tabel 28, diperoleh persamaan terbaik untuk
kelompok jenis meranti, yaitu V = 0,0000562 D
2,87
10
-0,0041 D
dan V= 0,0000724
D
2,69
10
-0,00175 D
untuk kelompok jenis non-meranti.
Tabel 29 Penentuan peringkat gabungan untuk kelompok jenis meranti
Peringkat
Peringkat
Penyusunan Validasi
1 V = 0,000174 D
2,44
2 2 4 2
2 V = - 0,216 + 0,00123 D
2
3,5 4 7,5 4
3 V =-0,496+ 0,0114 D + 0,00114 D
2
3,5 3 6,5 3
4 V = 0,0000562 D
2,87
10
-0,0041 D
1 1 2 1
Tabel 30 Penentuan peringkat gabungan untuk kelompok jenis non-meranti
Peringkat
Peringkat
Penyusunan Validasi
1 V = 0,0001096 D
2,53
1,5 2 3,5 2
2 V = -0,263 + 0,00116 D
2
3 3 6 3
3 V =-0,491+0,0112D + 0,00106 D
2
4 4 8 4
4 V = 0,0000724 D
2,69
10
-0,00175 D
1,5 1 2,5 1
39
Setelah dilakukan penentuan peringkat pada tahap penyusunan model dan

validasi model, selanjutnya dilakukan penentuan peringkat gabungan, Peringkat
gabungan dilakukan dengan menggabungkan hasil penentuan peringkat pada
tahap penyusunan model dan pada tahap validasi model. Penentuan peringkat
gabungan terbaik adalah peringkat dengan nilai terkecil.
Pada tahap ini diperoleh persamaan terbaik, baik untuk kelompok jenis
meranti maupun untuk kelompok jenis non-meranti. Persamaan terbaik pada
Tabel 29 yaitu, V = 0,0000562 D
2,87
10
-0,0041 D
, sedangkan pada Tabel 30
diperoleh persamaan terbaik yaitu, V = 0,0000724 D
2,69
10
-0,00175 D

4.4 Validasi Model Propinsi Kalimantan Tengah
Setelah model terbaik untuk areal perusahaan PT. Trisetia Intiga diperoleh,
maka dilakukan validasi terhadap model Propinsi Kalimantan Tengah untuk
mengetahui model terbaik mana yang akan memberikan hasil dugaan volume
pohon mendekati volume pohon sebenarnya. Kriteria yang diuji adalah nilai
simpangan agregat relative, nilai simpangan rata-rata, RMSE, Bias, dan nilai X
2
hitung.
Persamaan regresi Propinsi Kalimantan tengah yang akan digunakan adalah
V=0,00026965D
2,37
untuk jenis meranti dan V= 0,00032782D
2,30
untuk
jenis non-meranti.
Tabel 31 Nilai SAR dan SRR untuk kelompok jenis meranti
Persamaan regresi SAR(%) SRR(%)
Propinsi V=0,00026965 D
2,37
0,89 24,54
Terpilih V = 0,0000562 D
2,87
10
-0,0041 D
0,02 19,09
Dalam mengevaluasi model, Spurr (1952) dan Prodan (1965) mengatakan
bahwa persamaan regresi sebagai penduga isi pohon cukup seksama apabila
persamaan-persamaan tersebut memberikan Simpangan baku sisaan se-minimal
mungkin. Kriteria lain adalah jika simpangan rata-rata dan agregatif dari dugaan
isi pohon terhadap isi sebenarnya masing-masing kurang dari 10% dan 1%.
Berdasarkan hasil perhitungan pada Tabel 13, diperoleh nilai simpangan
agregrat relative sebesar 0,02% dan simpangan rata-rata relatif sebesar 19,09%
untuk model persamaan regresi terpilih, sedangkan model persamaan regresi
40
Propinsi Kalimantan Tengah diperoleh nilai simpangan agregatif sebesar 0,89%

dan simpangan rata-rata sebesar 24,54%. Dari nilai-nilai tersebut terlihat bahwa
nilai simpangan agregat relatif masih dibawah 1% baik untuk persamaan regresi
propinsi maupun persamaan regresi terpilih. Ini berarti persamaan regresi tersebut
memenuhi syarat ketelitian yaitu tidak lebih dari 1%.Sedangkan untuk nilai nilai
simpangan rata-rata relatif diperoleh nilai yang lebih besar dari 10%, sehingga
kedua model tersebut akan menimbulkan bias pada tingkat pengamatan tertentu
atau validitasnya rendah.
Tabel 32 Nilai SAR dan SRR untuk kelompok jenis non-meranti
Persamaan regresi SAR SRR
Terpilih V= 0,0000724 D
2,69
10
-0,00175 D
-0,06 23,48
Propinsi: V= 0,00032782 D
2,30
0,93 21,55
Dilihat dari nilai simpangan agregat dan simpangan rata-rata pada Tabel 32,
terlihat bahwa untuk model persamaan regresi terpilih untuk lokasi areal PT.
TRISETIA INTIGA memiliki nilai simpangan agregat relatif sebesar -0,06%, dan
nilai simpangan rata-rata relatif sebesar 23,48%, sedangkan untuk model Propinsi
Kalimantan Tengah diperoleh nilai simpangan agregat relatif sebesar 0,93% dan
nilai simpangan rata-rata relatif sebesar 21,55%. Dari nilai-nilai tersebut dapat
dilihat bahwa nilai simpangan agregatif lebih kecil dari 1% yang berarti kedua
persamaan regresi memenuhi syarat ketelitian. Sedangkan untuk nilai-nilai
simpangan rata-rata relative dari kedua persamaan tersebut lebih besar dari 10%,
sehingga tidak memenuhi kaidah yang seharusnya yaitu kurang dari 10%.
Tabel 33 Nilai simpangan baku (s), bias (e) dan Khi-kuadrat untuk kelompok
jenis meranti
Persamaan regresi S e(%) X
2

hitung
X
2

tabel (1%)
2,87
10
-0,0041 D
0,38 18,06 5,69
64,95
2,37
0,50 39,96 13,33
Tabel 34 Nilai simpangan baku (s), bias (e) dan Khi-kuadrat untuk kelompok
jenis non-meranti
Persamaan regresi S e(%) X
2

hitung
X
2

tabel 1%
2,69
10
-0,00175 D
0,25 -7,20 6,23
52,19 Propinsi V= 0,00032782 D
2,30
0,42 24,54 8,65
Ketelitian suatu model dapat dinilai dari besarnya simpangan baku yang
dihasilkan. Semakin kecil simpangan baku yang dihasilkan maka model tersebut
tersebut akan memiliki ketelitian yang tinggi dalam menduga volume pohon. Pada
41
Tabel 33 terlihat bahwa nilai simpangan baku terkecil sebesar 0,38 dan nilai bias
terkecil sebesar 18,06% terdapat pada persamaan regresi terpilih. Hal ini
menunjukkan bahwa persamaan regresi terpilih memiliki tingkat ketelitian yang
lebih baik dari persamaan regresi propinsi. Begitu juga pada Tabel 34 terlihat
bahwa persamaan regresi terpilih memiliki nilai simpangan baku dan nilai bias
terkecil sebesar 0,25 dan -7,20%. Oleh karena itu persamaan regresi terpilih pada
Tabel 34 memiliki tingkat ketelitian yang lebih baik dari persamaan regresi
propinsi
Selanjutnya dilakukan uji X
2
(Khi-kuadrat), yaitu alat untuk menguji apakah
volume yang diduga dengan model persamaan regresi (V) berbeda dengan volume
pohon aktualnya (Va). Dari nilai-nilai yang diperoleh pada Tabel 33 dan Tabel 34,
terlihat bahwa nilai
hitung
(Khi-kuadrat) lebih kecil dari nilai X
2
tabel
. Hal ini berarti
Ho diterima, yang artinya volume yang diduga dengan model persamaan regresi
(V) tidak berbeda nyata dengan volume pohon aktualnya (Va) pada tingkat nyata
1%.

Tabel 35 Nilai Root Mean Square (RMSE) untuk kelompok jenis meranti
Persamaan regresi RMSE(%)
Terpilih: V = 0,0000562 D
2,87
10
-0,0041 D
4,13
Propinsi: V=0,00026965 D
2,37218
6,38
Tabel 36 Nilai Root Mean Square (RMSE) untuk kelompok jenis non-meranti
Persamaan regresi RMSE(%)
Terpilih: V= 0,0000724 D
2,69
10
-0,00175 D
2,62
Propinsi: V= 0,00032782 D
2,30
4,87
Ketepatan model ditunjukkan oleh nilai Root Mean Square Error (RMSE),
semakin kecil nilai RMSE menunjukkan bahwa model penduga volume tersebut
lebih akurat dalam menduga volume. Berdasarkan Tabel 35 terlihat bahwa nilai
RMSE untuk persamaan regresi terpilih sebesar 4,13% dan 6,38% untuk model
propinsi. Dari nilai RMSE tersebut terlihat bahwa nilai RMSE terkecil terdapat
pada persamaan regresi terpilih sebesar 4,13%. Hal ini berarti persamaan regresi
terpilih memiliki tingkat ketepatan yang lebih baik dibandingkan dengan model
Propinsi Kalimantan tengah. Begitu juga pada Tabel 36, diperoleh nilai Root
Mean Square Error (RMSE) terkecil pada model terpilih sebesar 2,62%. Sehingga
dapat dikatakan bahwa model terpilih memiliki tingkat ketepatan yang lebih baik
dari model propinsi sebesar 4,87%.
42
Setelah dilakukan validasi model berdasarkan criteria yang telah ditetapkan

yaitu terdiri atas perhitungan nilai bias (e), simpangan baku (s), dan RMSE maka
dibuat peringkat untuk persamaan penduga volume diatas. Untuk Peringkat nilai
bias terbaik diberikan pada persamaan yang mempunyai nilai bias terkecil,
peringkat nilai simpangan baku terbaik diberikan pada persamaan yang memiliki
nilai simpangan terkecil, sedangkan untuk peringkat nilai RMSE terbaik diberikan
pada persamaan yang memiliki nilai RMSE terkecil.
Langkah selanjutnya menjumlahkan nilai bias, simpangan baku, dan RMSE
untuk setiap persamaan kemudian menentukan peringkat terakhir. Peringkat akhir
terbaik apabila jumlah nilai bias, nilai simpangan baku, dan nilai RMSE minimum
atau paling kecil. Pada langkah ini diperoleh persamaan terbaik untuk lokasi areal
PT. Trisetia Intiga Kabupaten lamandau, Kalimantan tengah.
Tabel 37 Peringkat persamaan penduga volume untuk kelompok jenis meranti
Persamaan regresi
Validasi model
Peringkat
Bias S RMSE
2,87
10
-0,0041 D
1 1 1 3 1
2,37
2 2 2 6 2
Tabel 38 Peringkat persamaan penduga volume untuk kelompok jenis non-
meranti
Persamaan regresi
Validasi model
Peringkat
Bias S RMSE
2,69
10
-0,00175 D
1 1 1 3 1
Propinsi V= 0,00032782 D
2,30
2 2 2 6 2
Seperti disajikan pada Tabel 37 dan 38, peringkat 1 persamaan penduga
volume untuk kelompok jenis meranti setelah menjumlahkan peringkat bias,
simpangan baku dan RMSE adalah V = 0,0000562 D
2,87
10
-0,0041 D
. Begitu juga
dangan kelompok jenis non-meranti, peringkat 1 persamaan penduga volume
setelah menjumlahkan peringkat bias, simpangan baku dan RMSE adalah V=
0,0000724 D
2,69
10
-0,00175 D
.

BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil penelitian dan pembahasan sebelumnya, dapat
disimpulkan beberapa hal sebagai berikut:
1. Persamaan penduga volume pohon dapat disusun dengan hanya menggunakan
satu peubah bebas (diameter setinggi dada) saja.
2. Berdasarkan beberapa pengujian statistik seperti koefisien determinasi,
simpangan baku, uji F, dan uji diagnostik baris serta kriteria yang diuji (nilai
simpangan agregat relatif, nilai simpangan rata-rata, RMSE, Bias, dan nilai X
2

hitung) model yang terpilih untuk jenis meranti adalah sebagai berikut V =
0.0000562 D
2.87
10
-0.0041 D
; sedangkan untuk kelompok jenis non-meranti
adalah V = 0.0000724 D
2.69
10
-0.00175 D
.
5.2 Saran
1. Perlunya dilakukan verifikasi model penduga volume pohon dengan
pengukuran langsung di lapangan.
2. Perlunya dilakukan pengujian keterandalan model hubungan V = a D
b
10
c D

dengan model penduga volume pohon yang lain pada lokasi yang berbeda.

DAFTAR PUSTAKA
Bagian Botani Hutan. 1980. Pengenalan Jenis-Jenis Pohon Ekspor Serie ke XI.
Laporan penelitian hutan No 350. Lembaga Penelitian Hutan. Bogor
Bustomi, S., D. Wahjono, Harbagung, dan I. B. P. Parthama.1998. Petunjuk
Teknis Tata Cara Penyusunan Tabel Volume Pohon. Badan Penelitian dan
Pengembangan Kehutanan. Bogor
Departemen Kehutanan Republik Indonesia. 2007. Peraturan Menteri Kehutanan
No. P.34/Menhut-II/2007, tentang Pedoman Inventarisasi Hutan
Menyeluruh Berkala (IHMB) Pada Usaha Pemanfaatan Hasil Hutan Kayu
Pada Hutan Produksi. Departemen Kehutanan Republik Indonesia, Jakarta.
Direktorat Bina Program Kehutanan. 1982. Tabel Volume Pohon Berdiri untuk
Propinsi DATI I Kalimantan Tengah. Departemen Pertanian. Bogor
Draper, N. R. dan H. Smith. 1992. Analisis Regresi Terapan Edisi 2 Terjemahan).
Gramedia. Jakarta
Husch, B. 1963. Forest Mensuration and Statistic. The Ronald Press Company.
New York.
Jaya, I N. S., S. Sutarahardja, F. Pambudhi, B. Santoso. 2008. Modul Pelatihan
Inventarisasi Hutan Menyeluruh Berkala. Departemen Kehutanan-Asosiasi
Pengusaha Hutan Indonesia. Samarinda
Kuncahyo, B. 1991. Analisis Regresi dengan Minitab. Departemen Manajemen
Hutan. Fahutan IPB.
Muhdin. 1997. Analyzing some Formulae of Log Volume Estimation on Logs of
Meranti (Shorea spp) (case Study in the Forest Concession Area of PT.
Siak Raya Timber, Province of Riau, Indonesia). Thesis at the Faculty of
Forestry and Ecological Sciences. Gottingen Germany.
Nurharyanti, 2008. Kajian Penggunaan Citra Alos Palsar untuk Klasifikasi
Tutupan Lahan di PT. TRISETIA INTIGA, Kalimantan Tengah. [Skripsi].
Departemen Manajemen Hutan. Fakultas Kehutanan. Institut Pertanian
Bogor.
Marlia, R. E. 2002. Studi Penyusunan Tabel Volume Lokal Jenis-Jenis Komersial
Ekspor di Hutan mangrove HPH PT. Bina Lestari I, Riau. [Skripsi].
Jurusan Manajemen Hutan. Fakultas Kehutanan. Institut Pertanian Bogor.
Priyanto. 1999. Penyusuna Tabel Volume Lokal Jenis-Jenis Komersial Hutan
Alam di HPH PT. Harjohn Timber LTD., Propinsi Kalimantan Barat.
45

[Skripsi]. Jurusan Manajemen Hutan. Fakultas Kehutanan. Institut
Pertanian Bogor.
Prodan. 1965. Holmesslehre. J.D Saverlaeders. Verlag Frankfurt am Main.
Purr, S. H. 1952. Forest Inventory. The Ronald Press Company. New York.
Surat Keputusan Menteri Kehutanan: SK Menhut No. 163/ KPTS-II/2003
Suharlan, A., S. Boestami dan K. Soemarna. 1976. Tabel Volume Lokal Pinus
merkusii Jungh et de Vriese. Lembaga Penelitian Hutan. Bogor.
Suharlan, A. dan Y. Sudiono. 1978. Ilmu Ukur Kayu. Lembaga Penelitian Hutan.
Bogor
Sutarahardja, S. 1982. Studi Penyusunan Tabel Volume Lokal Semua Jenis dan
Potensi Tegakan Hutan Hujan Tropis di Propinsi Sulawesi Tengah. Proyek
Penelitian Pengembangan Efisiensi Penggunaan Sumber-sumber
Kehutanan Fakultas Kehutanan Institut Pertanian Bogor. Bogor
Sutarahardja, S., K. Sumarna dan M. H. Witjaksono. 1991. Studi Kesaksamaan
Beberapa Persamaan Regresi Guna Pendugaan Volume Tegakan Meranti
(Shorea spp.) di Kalimantan Tengah. Skripsi pada Jurusan Manajemen
Hutan, Fakultas Kehutanan Institut Pertanian Bogor. Tidak diterbitkan.
Vurnamawati, V. 2002. Penyusunan dan Validasi Tabel Volume Batang Gmelina
arborea (studi kasus di Areal PT. Wanakasita Nusantara Jambi). [Skripsi].
Jurusan Manajemen Hutan. Fakultas Kehutanan. Institut Pertanian Bogor.
Walpole, E. R. 1993. Pengantar Statistik Edisi 3 (Terjemahan). Gramedia. Jakarta

LAMPIRAN
47
Lampiran 1. Analisis regresi kelompok jenis meranti

Regression Analysis: Va versus D^2

The regression equation is
Va = 0,241 + 0,00108 D^2

Predictor Coef SE Coef T P
Constant 0,2410 0,2340 1,03 0,306
D^2 0,00108420 0,00004110 26,38 0,000

S = 1,68426 R-Sq = 88,9% R-Sq(adj) = 88,8%

PRESS = 369,661 R-Sq(pred) = 83,35%

Analysis of Variance

Source DF SS MS F P
Regression 1 1974,0 1974,0 695,88 0,000
Residual Error 87 246,8 2,8
Total 88 2220,8

Unusual Observations

Obs D^2 Va Fit SE Fit Residual St Resid
78 6084 10,670 6,837 0,204 3,833 2,29R
80 7056 12,010 7,891 0,226 4,119 2,47R
85 10404 7,020 11,521 0,329 -4,501 -2,72R
87 14884 22,550 16,378 0,494 6,172 3,83RX
88 19600 24,060 21,491 0,678 2,569 1,67 X
89 28900 23,620 31,574 1,052 -7,954 -6,05RX

R denotes an observation with a large standardized residual.
X denotes an observation whose X value gives it large influence.
Regression Analysis: Va versus Dbh (cm), D^2

Va = - 1,57 + 0,0636 Dbh (cm) + 0,000668 D^2

Constant -1,5724 0,5044 -3,12 0,002
Dbh (cm) 0,06364 0,01599 3,98 0,000
D^2 0,0006676 0,0001113 6,00 0,000

S = 1,55671 R-Sq = 90,6% R-Sq(adj) = 90,4%

PRESS = 383,564 R-Sq(pred) = 82,73%


Source DF SS MS F P
Regression 2 2012,4 1006,2 415,22 0,000
Total 88 2220,8

Source DF Seq SS
48
Lampiran 1. (Lanjutan)
Dbh (cm) 1 1925,3
D^2 1 87,1


Dbh
Obs (cm) Va Fit SE Fit Residual St Resid
62 65 2,290 5,385 0,218 -3,095 -2,01R
78 78 10,670 7,454 0,244 3,216 2,09R
80 84 12,010 8,484 0,257 3,526 2,30R
85 102 7,020 11,865 0,316 -4,845 -3,18R
87 122 22,550 16,129 0,461 6,421 4,32R
88 140 24,060 20,423 0,682 3,637 2,60RX
89 170 23,620 28,541 1,235 -4,921 -5,19RX

Regression Analysis: LogVa versus Log D, Dbh (cm)

LogVa = - 4,25 + 2,87 Log D - 0,00410 Dbh (cm)

Constant -4,2504 0,1625 -26,15 0,000
Log D 2,8702 0,1341 21,41 0,000
Dbh (cm) -0,004095 0,001200 -3,41 0,001

S = 0,112563 R-Sq = 97,3% R-Sq(adj) = 97,2%

PRESS = 1,16712 R-Sq(pred) = 97,08%


Source DF SS MS F P
Regression 2 38,893 19,446 1534,78 0,000
Total 88 39,982

Source DF Seq SS
Log D 1 38,745
Dbh (cm) 1 0,148


Obs Log D LogVa Fit SE Fit Residual St Resid
4 1,20 -1,0969 -0,8599 0,0256 -0,2370 -2,16R
11 1,26 -1,0000 -0,7213 0,0222 -0,2787 -2,53R
53 1,77 0,3541 0,5907 0,0157 -0,2366 -2,12R
59 1,80 0,4330 0,6560 0,0156 -0,2231 -2,00R
62 1,81 0,3598 0,6868 0,0155 -0,3270 -2,93R
85 2,01 0,8463 1,0970 0,0239 -0,2506 -2,28R
88 2,15 1,3813 1,3361 0,0483 0,0452 0,44 X
89 2,23 1,3733 1,4552 0,0724 -0,0819 -0,95 X


49

Regression Analysis: LogVa versus Log D

LogVa = - 3,76 + 2,44 Log D

Constant -3,75542 0,07779 -48,27 0,000
Log D 2,43796 0,04671 52,19 0,000

S = 0,119256 R-Sq = 96,9% R-Sq(adj) = 96,9%

PRESS = 1,30486 R-Sq(pred) = 96,74%


Source DF SS MS F P
Regression 1 38,745 38,745 2724,31 0,000
Total 88 39,982


4 1,20 -1,0969 -0,8198 0,0241 -0,2771 -2,37R
11 1,26 -1,0000 -0,6951 0,0221 -0,3049 -2,60R
62 1,81 0,3598 0,6644 0,0149 -0,3046 -2,57R
85 2,01 0,8463 1,1415 0,0212 -0,2951 -2,51R
89 2,23 1,3733 1,6823 0,0302 -0,3090 -2,68R

50
Lampiran 2. Analisis regresi kelompok jenis non-meranti

Regression Analysis: LogVa versus Log D

LogVa = - 3,96 + 2,53 Log D

Constant -3,9615 0,1162 -34,09 0,000
Log D 2,53252 0,07109 35,63 0,000

S = 0,137367 R-Sq = 96,3% R-Sq(adj) = 96,2%

PRESS = 1,00240 R-Sq(pred) = 95,97%


Source DF SS MS F P
Regression 1 23,948 23,948 1269,14 0,000
Total 50 24,873


7 1,90 0,4942 0,8443 0,0280 -0,3501 -2,60R
38 1,84 0,9661 0,6954 0,0251 0,2707 2,00R

Regression Analysis: Va versus D^2

Va = - 0,263 + 0,00116 D^2

Constant -0,2633 0,2697 -0,98 0,334
D^2 0,00116117 0,00006682 17,38 0,000

S = 1,27661 R-Sq = 86,0% R-Sq(adj) = 85,8%

PRESS = 89,3965 R-Sq(pred) = 84,37%


Source DF SS MS F P
Regression 1 492,17 492,17 301,99 0,000
Total 50 572,02


Obs D^2 Va Fit SE Fit Residual St Resid
4 5476 8,660 6,095 0,243 2,565 2,05R
7 6241 3,120 6,984 0,280 -3,864 -3,10R
28 10404 13,090 11,817 0,525 1,273 1,09 X
37 9025 6,990 10,216 0,439 -3,226 -2,69RX
51

38 4761 9,250 5,265 0,213 3,985 3,17R

Regression Analysis: Va versus Dbh (cm), D^2

Va = - 0,491 + 0,0112 Dbh (cm) + 0,00106 D^2

Constant -0,4914 0,7104 -0,69 0,492
Dbh (cm) 0,01118 0,03216 0,35 0,730
D^2 0,0010567 0,0003080 3,43 0,001

S = 1,28822 R-Sq = 86,1% R-Sq(adj) = 85,5%

PRESS = 93,9718 R-Sq(pred) = 83,57%


Source DF SS MS F P
Regression 2 492,37 246,18 148,35 0,000
Total 50 572,02

Source DF Seq SS
Dbh (cm) 1 472,83
D^2 1 19,54


Dbh
Obs (cm) Va Fit SE Fit Residual St Resid
4 74 8,660 6,122 0,257 2,538 2,01R
7 79 3,120 6,987 0,282 -3,867 -3,08R
28 102 13,090 11,643 0,730 1,447 1,36 X
37 95 6,990 10,108 0,542 -3,118 -2,67RX
38 69 9,250 5,311 0,253 3,939 3,12R


Regression Analysis: LogVa versus Log D, Dbh (cm)

LogVa = - 4,14 + 2,69 Log D - 0,00175 Dbh (cm)

Constant -4,1360 0,3359 -12,31 0,000
Log D 2,6936 0,2994 9,00 0,000
Dbh (cm) -0,001752 0,003162 -0,55 0,582

S = 0,138348 R-Sq = 96,3% R-Sq(adj) = 96,2%

PRESS = 1,02981 R-Sq(pred) = 95,86%
52


Source DF SS MS F P
Regression 2 23,954 11,977 625,75 0,000
Total 50 24,873

Source DF Seq SS
Log D 1 23,948
Dbh (cm) 1 0,006


7 1,90 0,4942 0,8370 0,0310 -0,3429 -2,54R
28 2,01 1,1169 1,0956 0,0636 0,0213 0,17 X

53
Lampiran 3. Data pohon contoh kelompok jenis meranti

No Nama jenis
Dbh
(cm)
Tbc
(cm)
Vol_aktual
(m3)
Panjang
batang
(m)
Vol_silinder
(m3)
Angka
bentuk
1
keruing
13 6,35 0,07 6,00 0,08 0,89
2 keruing 13 8,45 0,09 7,80 0,10 0,85
3
keruing
14,5 9,90 0,11 9,00 0,15 0,74
4 keruing 16 5,15 0,08 4,75 0,10 0,87
5
meranti
16 11,38 0,15 10,80 0,22 0,70
6 meranti 16 8,83 0,15 8,20 0,16 0,92
7
nyatoh
16 9,65 0,16 9,20 0,18 0,85
8 meranti 17 14,10 0,23 13,50 0,31 0,75
9
meranti
17,5 14,35 0,24 13,60 0,33 0,72
10 meranti 17,5 11,25 0,22 10,65 0,26 0,85
11
keruing
18 4,30 0,10 4,00 0,10 0,94
12 meranti 18 7,88 0,15 7,30 0,19 0,81
13
nyatoh
28,5 12,90 0,58 11,50 0,73 0,79
14 meranti 19 12,80 0,27 12,00 0,34 0,80
15
meranti
20 8,45 0,21 8,00 0,25 0,84
16 meranti 20 12,50 0,29 12,00 0,38 0,77
17
meranti
21 15,84 0,31 15,10 0,52 0,60
18 meranti 21 16,00 0,41 15,30 0,53 0,77
19
meranti
22 9,31 0,25 8,90 0,34 0,74
20 meranti 22 10,60 0,34 10,00 0,38 0,88
21
meranti
22,3 13,84 0,40 13,40 0,52 0,76
22 keruing 23 14,95 0,36 14,00 0,58 0,61
23
meranti
24,5 13,54 0,49 13,10 0,62 0,79
24 meranti 25 7,90 0,30 7,30 0,36 0,83
25
meranti
25 13,80 0,56 13,10 0,64 0,87
26 keruing 26 12,60 0,51 11,90 0,63 0,81
27
meranti
28 11,80 0,49 11,40 0,70 0,70
28 meranti 30 8,30 0,47 7,90 0,56 0,83
29
meranti
30,5 15,35 0,81 14,80 1,08 0,75
30 keruing 32 15,89 0,91 15,30 1,23 0,74
31
meranti
32 19,80 1,16 19,25 1,55 0,75
32 keruing 33 13,52 0,89 12,81 1,10 0,81
33
meranti
35 16,53 1,14 15,90 1,53 0,74
34 meranti putih 35 15,95 1,07 14,45 1,39 0,77
35
meranti
41 21,70 2,27 21,10 2,78 0,82
36 meranti 46 14,00 2,13 14,00 2,33 0,92
37
nyatoh
46 18,42 2,72 17,10 2,84 0,96
54
No Nama jenis
Dbh
(cm)
Tbc
(cm)
Vol_aktual
(m3)
Panjang
batang
(m)
Vol_silinder
(m3)
Angka
bentuk
38
meranti
kuning
48 23,18 2,77 22,00 3,98 0,70
39 meranti 49 11,40 1,61 10,60 2,00 0,81
40
meranti
merah
50 15,74 2,41 14,10 2,77 0,87
41
meranti
merah
50 16,38 2,43 15,10 2,96 0,82
42
meranti
52 23,15 3,32 21,50 4,56 0,73
43 Keruing 54 17,23 3,01 15,80 3,62 0,83
44
meranti
54 15,00 2,95 14,40 3,30 0,90
45
meranti
kuning
54 21,69 3,42 20,00 4,58 0,75
46 meranti 55 16,78 2,89 15,40 3,66 0,79
47
meranti
merah
55 20,75 3,96 18,60 4,42 0,90
48
meranti
merah
55 25,71 4,17 23,78 5,65 0,74
49 meranti 56 24,20 4,46 22,40 5,51 0,81
50 meranti 57 18,95 3,60 17,40 4,44 0,81
51 meranti 58 23,28 4,66 21,30 5,62 0,83
52
meranti
merah
58 29,44 2,31 27,55 7,28 0,32
53 keruing 59 12,50 2,26 10,80 2,95 0,77
54
meranti
bakonsu
59 22,67 4,70 21,40 5,85 0,80
55 meranti putih 59 24,90 4,80 23,30 6,37 0,75
56
meranti
merah
60 22,29 4,40 19,00 5,37 0,82
57 meranti putih 60 18,98 4,25 16,60 4,69 0,91
58 bangkirai 62 17,25 4,11 16,00 4,83 0,85
59 keruing 63 12,02 2,71 10,20 3,18 0,85
60
meranti
merah
63 20,80 4,59 19,50 6,08 0,76
61
meranti
merah
63 15,95 3,15 13,40 4,17 0,76
62 meranti 65 11,90 0,29 11,20 3,71 0,08
63
meranti batu
66 17,96 4,19 15,80 5,40 0,78
64
meranti
merah
66 14,03 3,36 11,60 3,97 0,85
65
meranti
kuning
69 22,86 5,88 21,20 7,92 0,74
55
No Nama jenis
Dbh
(cm)
Tbc
(cm)
Vol_aktual
(m3)
Panjang
batang
(m)
Vol_silinder
(m3)
Angka
bentuk
66
meranti
merah
70 25,90 7,84 24,50 9,42 0,83
67 Meranti batu 71 24,57 8,48 23,00 9,10 0,93
68
meranti
kuning
72 22,35 6,20 19,00 7,73 0,80
69
meranti
kuning
73 24,28 7,94 22,97 9,61 0,83
70
keruing
74 17,90 5,37 15,90 6,83 0,79
71
meranti
merah
74 22,41 7,25 20,90 8,98 0,81
72
meranti
merah
74 26,51 9,05 25,40 10,92 0,83
73 meranti putih 74 24,35 7,46 22,95 9,87 0,76
74 keruing 75 23,00 7,69 21,80 9,63 0,80
75 meranti putih 76 22,70 7,12 21,40 9,70 0,73
76
Meranti
kuning
78 19,81 6,74 18,40 8,79 0,77
77
meranti
merah
78 20,90 7,08 19,10 9,12 0,78
78 meranti putih 78 26,90 10,67 25,70 12,27 0,87
79 meranti 81 22,32 8,32 19,90 10,25 0,81
80
Meranti
merah
84 26,68 12,01 25,30 14,01 0,86
81 keruing 90 20,30 11,75 18,90 12,02 0,98
82 bangkirai 98 22,01 12,54 18,05 13,61 0,92
83 meranti batu 98 27,87 13,63 26,30 19,83 0,69
84 nyatoh 100 21,60 10,82 16,30 12,82 0,84
85 meranti 102 13,30 7,02 10,55 8,62 0,82
86 meranti putih 108 14,95 11,52 13,55 12,41 0,93
87
meranti
merah
122 29,10 22,55 27,40 32,01 0,70
88 meranti putih 140 25,96 24,06 24,30 37,39 0,64
89 Bangkirai 170 25,45 23,62 22,90 51,95 0,45

56
Lampiran 4. Data pohon contoh kelompok jenis non-meranti

No Nama jenis
Dbh
(cm)
Tbc
(cm)
Vol_aktual
(m3)
Panjang
batang (m)
Vol_silinder
(m3)
Angka
bentuk
1
Kempas
63 26,30 5,35 21,40 6,67 0,80
2 Kempas 69 22,35 6,33 19,00 7,10 0,89
3
Kempas
65 23,37 5,72 19,80 6,57 0,87
4 Kempas 74 22,33 8,66 20,70 8,90 0,97
5 mendarahan 52 16,05 2,11 12,50 2,65 0,80
6 Jabon putih 14 6,40 0,07 5,80 0,09 0,74
7 Kempas 79 10,41 3,12 7,60 3,72 0,84
8
Jabon putih
17 6,55 0,12 5,90 0,13 0,89
9 jabon putih 14 8,00 0,07 7,50 0,12 0,62
10 jabon putih 13 7,75 0,09 7,50 0,10 0,92
11
kubar
78 21,51 6,77 18,70 8,93 0,76
12 rengas 57 12,79 2,03 9,80 2,50 0,81
13
merkubung
31 8,50 0,51 8,00 0,60 0,85
14 medang 76 20,71 7,72 19,41 8,80 0,88
15
kempas
72 20,49 6,10 16,30 6,63 0,92
16 joring hantu 58 13,60 2,48 13,10 3,46 0,72
17
kumpang hutan
15 6,34 0,08 5,90 0,10 0,77
18 kempas 65 13,18 2,59 9,25 3,07 0,85
19
tekuyung
14 11,80 0,12 11,50 0,18 0,70
20 kempas 92 20,16 8,98 15,39 10,23 0,88
21
bintangur
17,5 10,20 0,19 10,00 0,24 0,79
22 kayu batu 17 12,50 0,26 12,00 0,27 0,95
23
jabon putih
36 20,54 1,46 19,90 2,02 0,72
24 pari kobung 45 10,73 1,44 10,00 1,59 0,90
25
jabon putih
19 9,00 0,18 8,30 0,24 0,77
26 medang 63,5 19,51 4,24 18,11 5,73 0,74
27
benuang
70 23,38 6,25 21,51 8,27 0,76
28 benuang 102 25,24 13,09 22,00 17,97 0,73
29
benuang
80 29,00 9,43 25,80 12,96 0,73
30 basampa 30,3 11,69 0,60 10,79 0,78 0,77
31
sabara
17,5 7,81 0,10 7,50 0,18 0,56
32 bintangur 27,5 14,60 0,71 13,20 0,78 0,91
33
medang
57 21,01 3,94 18,70 4,77 0,83
34 pisang-pisang 18,5 9,90 0,17 8,90 0,24 0,70
35
banitan
38 13,60 1,25 12,30 1,39 0,90
36 terentang 25 12,45 0,38 11,50 0,56 0,66
37 kampili 95 13,31 6,99 10,40 7,37 0,95
38
medang
69 28,63 9,25 27,40 10,24 0,90
57
No Nama jenis
Dbh
(cm)
Tbc
(cm)
Vol_aktual
(m3)
Panjang
batang (m)
Vol_silinder
(m3)
Angka
bentuk
39 basampa 24,5 7,80 0,20 6,70 0,32 0,63
40
kelampa
23 10,80 0,29 10,40 0,43 0,67
41 jelutung 27 13,60 0,47 11,55 0,66 0,71
42
riga-riga
41 11,70 0,93 9,90 1,31 0,71
43 basampa 26 16,60 0,66 14,70 0,78 0,85
44
kempas
64 22,10 5,38 20,80 6,69 0,81
45 basampa 59 17,00 3,09 15,50 4,24 0,73
46 kedundung 56 19,20 3,63 17,90 4,41 0,82
47
kumpang
54 16,30 3,11 15,30 3,50 0,89
48 benuang 84 29,00 9,43 25,80 14,29 0,66
49
kampili
90 13,31 6,99 10,40 6,61 1,06
50 pari kobung 44 10,73 1,44 10,00 1,52 0,94
51
riga-riga
42 11,70 0,93 9,90 1,37 0,68
58
Lampiran 5. Data validasi kelompok jenis meranti

No Nama jenis
Dbh
(cm)
Tbc
(cm)
Va
(m3)
Panjang
batang (m)
1 meranti 15,5 10,00 0,16 9,30
2 bangkirai 17,5 3,60 0,07 3,10
3 keruing 17,5 7,90 0,13 6,95
4 bangkirai 18 7,72 0,14 6,40
5 keruing 19 11,35 0,27 10,65
6 meranti 20 11,30 0,24 10,00
7 bangkirai 23 5,55 0,18 4,80
8 keruing 23 7,85 0,23 14,00
9 meranti 24 18,05 0,65 17,75
10 meranti 24 7,00 0,22 5,55
11 keruing 27 8,00 0,40 7,30
12 keruing 27 10,25 0,48 9,75
13 keruing 28 12,40 0,66 11,30
14 keruing 32 15,89 0,91 15,30
15 keruing 33 13,52 0,89 12,81
16 keruing 35 9,60 0,63 7,60
17 nyatoh 37 17,05 1,32 15,60
18 keruing 45 13,90 1,69 13,30
19 bangkirai 49 13,25 2,12 12,50
20 bangkirai 49 14,70 2,18 14,70
21 meranti merah 53 18,70 3,17 17,70
22 keruing 53 18,60 2,97 18,00
23 bangkirai 54 13,08 2,56 12,20
24 meranti 59 20,87 3,64 20,00
25 meranti 59 19,50 3,82 18,60
26 meranti merah 61 19,55 4,07 17,20
27 meranti putih 61 17,78 4,55 16,10
28 meranti merah 62 17,50 3,87 15,30
29 meranti kuning 62 12,56 2,52 10,30
30 meranti merah 68 20,64 5,40 19,30
31 meranti merah 72 16,86 5,08 15,88
32 meranti merah 73 20,81 6,31 19,50
33 meranti kuning 73 23,50 6,10 20,10
34 meranti batu 75 18,45 4,41 13,00
35 keruing 79 19,59 6,59 17,90
36 meranti batu 81 16,70 6,18 13,40
37
meranti
meranti
81 22,10 7,47 18,50
59
No Nama jenis
Dbh
(cm)
Tbc
(cm)
Va
(m3)
Panjang
batang (m)
38 keruing 88 27,71 12,24 25,50
39 bangkirai 89 27,02 12,67 24,90
40 bangkirai 102 27,62 14,38 24,60
41 bangkirai 115 21,64 16,04 19,00
60
Lampiran 6. Data validasi kelompok jenis non-meranti

No Nama jenis
Dbh
(cm)
Tbc
(cm)
Panjang
batang (m)
Va
(m3)
1 bajiing 15 4,95 4,00 0,06
2 bajiing 12 6,95 6,55 0,07
3 kerupis 13 8,00 7,30 0,07
4 banitan 14 8,80 7,80 0,10
5 sindur 14 9,50 8,40 0,09
6 bajiing 21 10,25 9,30 0,24
7 mahabay 13 11,00 10,50 0,10
8 Kayu pahlawan 15 11,55 10,75 0,15
9 keranji 36 11,70 11,00 1,03
10 kumpang 19 11,85 11,15 0,26
11 jirak 69 12,10 10,60 3,11
12 bajiing 15 12,25 11,30 0,14
13 kampili 95 13,31 10,40 6,99
14 kempas 77 13,93 12,80 5,44
15 kerantang 38 16,12 15,20 1,27
16 sedawak 52 16,20 15,20 2,40
17 basampa 26 16,60 14,70 0,66
18 ubar 84 18,40 17,20 7,11
19 ubar 84 18,40 17,20 7,11
20 ubar 57 18,55 17,60 3,80
21 ubar 72 18,65 17,50 6,12
22 kempas 64 18,80 17,80 4,82
23 lapik tangkalaka 64 19,80 18,70 3,99
24 ubar 67 19,90 19,00 4,63
26 durian batu 62 21,00 19,90 4,24
27 kayu bunga 79 21,50 19,80 8,13
28 kempas 70 22,20 20,90 7,49
29 kayu kempili 79 23,65 21,65 8,78
30 ubar 72 23,70 22,80 5,75
9 basampa 43 15,5 15,00 2,00
16 kayu gading 41,5 20,7 20,00 2,50
30 kay ketikal 41 9,8 9,00 1,15
38 poga 43 13,8 12,50 1,52
46 ubar 44 12,0 11,50 1,50
61
Lampiran 7. Tabel volume contoh kelompok jenis meranti

Dbh
(cm)
Volume
(m3)
Dbh
(cm)
Volume
(m3)
15
0,12 55 3,30
16 0,14 56 3,45
17
0,16 57 3,59
18 0,19 58 3,74
19
0,22 59 3,89
20 0,25 60 4,05
21
0,29 61 4,20
22 0,33 62 4,36
23
0,37 63 4,52
24 0,41 64 4,69
25
0,46 65 4,86
26 0,51 66 5,03
27
0,56 67 5,20
28 0,61 68 5,37
29
0,67 69 5,55
30 0,73 70 5,73
31
0,80 71 5,91
32 0,87 72 6,10
33
0,94 73 6,28
34 1,01 74 6,47
35
1,09 75 6,66
36 1,17 76 6,86
37
1,26 77 7,05
38 1,34 78 7,25
39
1,43 79 7,45
40 1,53 80 7,65
41
1,62 81 7,85
42 1,72 82 8,06
43
1,83 83 8,26
44 1,93 84 8,47
45
2,04 85 8,68
46 2,15 86 8,90
47
2,27 87 9,11
48 2,39 88 9,32
49
2,51 89 9,54
50 2,63 90 9,76
51
2,76 91 9,98
52 2,89 92 10,20
53
3,03 93 10,42
62
Lampiran 8. Tabel Volume Lokal kelompok jenis non-meranti

Dbh
(cm)
Volume
(m3)
Dbh
(cm)
Volume
(m3)
15
0,10 55 2,79
16 0,12 56 2,91
17
0,14 57 3,04
18 0,16 58 3,18
19
0,18 59 3,31
20 0,21 60 3,45
21
0,24 61 3,59
22 0,27 62 3,74
23
0,30 63 3,89
24 0,34 64 4,04
25
0,38 65 4,19
26 0,42 66 4,35
27
0,46 67 4,51
28 0,51 68 4,68
29
0,55 69 4,85
30 0,60 70 5,02
31
0,66 71 5,19
32 0,71 72 5,37
33
0,77 73 5,55
34 0,83 74 5,73
35
0,90 75 5,92
36 0,96 76 6,11
37
1,03 77 6,30
38 1,10 78 6,50
39
1,18 79 6,70
40 1,26 80 6,90
41
1,34 81 7,11
42 1,42 82 7,32
43
1,51 83 7,53
44 1,60 84 7,75
45
1,69 85 7,96
46 1,79 86 8,19
47
1,89 87 8,41
48 1,99 88 8,64
49
2,09 89 8,87
50 2,20 90 9,10
51
2,31 91 9,34
52 2,43 92 9,58
53
2,54 93 9,82
63
Lampiran 9. Daftar sidik ragam

Daftar sidik ragam persamaan 1 (satu) untuk kelompok jenis meranti
SK db JK KT Fhit p-value
F tabel
0,01
Regresi 1 38,75 38,75 2724,31 0,00
7,02 Sisaan 87 1,24 0,014
Total 88 39,98 2,45
Daftar sidik ragam persamaan 2 (dua) untuk kelompok jenis meranti
F tabel
0,01
Regresi 1 1974 1974 695,88 0,00
7,02 Sisaan 87 246,8 2,8
Total 88 2220,8

Daftar sidik ragam persamaan 3 (tiga) untuk kelompok jenis meranti
F tabel
0,01
Regresi 2 2012,4 1006,2 415,22 0,00
4,89 Sisaan 86 208,4 2,4
Total 88 2220,8

Daftar sidik ragam persamaan 4 (empat) untuk kelompok jenis meranti
F tabel
0,015
Regresi 2 38,893 19,442 1534,78 0,00
4,89 Sisaan 86 1,090 0,013
Total 88 39,982
Daftar sidik ragam persamaan 1 (satu) untuk kelompok jenis non-meranti
F tabel
0,01
Regresi 1 23,948 23,948 1269,14 0,00
7,20 Sisaan 49 0,925 0,019
Total 50 24,873
Daftar sidik ragam persamaan 2 (dua) untuk kelompok jenis non-meranti
F tabel
0,01
Regresi 1 492,17 492,17 301,99 0,00
7,20 Sisaan 49 79,86 1,63
Total 50 572,02
64

Daftar sidik ragam persamaan 3 (tiga) untuk kelompok jenis non-meranti
F tabel
0,01
Regresi 2 492,37 246,18 148,35 0,00
5,10 Sisaan 48 79,66 1,66
Total 50 572,02
Daftar sidik ragam persamaan 4 (empat) untuk kelompok jenis non-meranti
F tabel
0,01
Regresi 2 23,954 11,977 625,75 0,00
5,10 Sisaan 48 0,919 0,019
Total 50 24,873

Penyusunan Tabel Volume Lokal Tegakan Hutan

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Penyusunan Tabel Volume Lokal Tegakan Hutan

Diunggah oleh

Hak Cipta:

Format Tersedia

PENYUSUNAN TABEL VOLUME LOKAL TEGAKAN HUTAN

ALAM PADA AREAL IUPHHK PT. TRISETIA INTIGA DI

= nilai Y pada amatan ke I,

dugaan persamaan regresi tanpa mengikutsertakan

= nilai sisaan ke-I,

= nilai baris dan lajur ke-I dari hat matrik.

volume lokal , untuk memperoleh ketelitian yang dapat dipertanggungjawabkan,

St andar dized Residual

St andar dized Residual

Tabel 14 Uji pengamatan pencilan (T

membandingkannya dengan Table Critical Value for Leverage. Berdasarkan hasil

Dfits (Di) dan membandingkan dengan Table 50 Percentile Values of Distribution

Setelah dilakukan peringkat seperti pada tabel diatas, maka diperoleh

Setelah dilakukan penentuan peringkat pada tahap penyusunan model dan

Propinsi Kalimantan Tengah diperoleh nilai simpangan agregatif sebesar 0,89%

Setelah dilakukan validasi model berdasarkan criteria yang telah ditetapkan

Lampiran 1. Analisis regresi kelompok jenis meranti

Lampiran 2. Analisis regresi kelompok jenis non-meranti

Lampiran 3. Data pohon contoh kelompok jenis meranti

Lampiran 4. Data pohon contoh kelompok jenis non-meranti

Lampiran 5. Data validasi kelompok jenis meranti

Lampiran 6. Data validasi kelompok jenis non-meranti

Lampiran 7. Tabel volume contoh kelompok jenis meranti

Lampiran 8. Tabel Volume Lokal kelompok jenis non-meranti

Lampiran 9. Daftar sidik ragam

Anda mungkin juga menyukai