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 :
=
c
i
(1-h
ii
, c
- 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
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
PERSAMAAN 3 PERSAMAAN 4
St andar dized Residual
S
c
o
r
e
5.0 2.5 0.0 -2.5 -5.0
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 Va)
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)
Gambar 5 Diagram pencar hubungan antara sisaan dengan plot peluang
normalnya untuk kelompok jenis meranti.
PERSAMAAN 1 PERSAMAAN 2
St andar dized Residual
S
c
o
r
e
3 2 1 0 -1 -2 -3
2
1
0
-1
-2
Nor mal Pr obabi l i t y Pl ot of t he Resi dual s
(response is LogVa)
St andar dized Residual
S
c
o
r
e
4 3 2 1 0 -1 -2 -3
2
1
0
-1
-2
Nor mal Pr obabi l i t y Pl ot of t he Resi dual s
(response is Va)
PERSAMAAN 3 PERSAMAAN 4
St andar dized Residual
S
c
o
r
e
3 2 1 0 -1 -2 -3
2
1
0
-1
-2
Nor mal Pr obabi l i t y Pl ot of t he Resi dual s
(response is Va)
St andar dized Residual
S
c
o
r
e
3 2 1 0 -1 -2 -3
2
1
0
-1
-2
Nor mal Pr obabi l i t y Pl ot of t he Resi dual s
(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.
PERSAMAAN 1 PERSAMAAN 2
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
Resi dual s Ver sus t he Fi t t ed Val ues
(response is Va)
PERSAMAAN 3 PERSAMAAN 4
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
Resi dual s Ver sus t he Fi t t ed Val ues
(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
Resi dual s Ver sus t he Fi t t ed Val ues
(response is LogVa)
Gambar 7 Diagram pencar hubungan antara sisaan dengan Y duga untuk
kelompok jenis meranti.
31
PERSAMAAN 1 PERSAMAAN 2
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
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
12 10 8 6 4 2 0
4
3
2
1
0
-1
-2
-3
Resi dual s Ver sus t he Fi t t ed Val ues
(response is Va)
PERSAMAAN 3 PERSAMAAN 4
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
Resi dual s Ver sus t he Fi t t ed Val ues
(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
Resi dual s Ver sus t he Fi t t ed Val ues
(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
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
No Persamaan regresi
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
Tabel 22 Penentuan peringkat model penduga volume pohon terbaik berdasarkan
kriteria nilai R
2
, simpangan baku (s), dan F
hitung
kelompok jenis non-
meranti
No Persamaan regresi
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
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).
Tabel 27 Penentuan peringkat model penduga volume pohon terbaik berdasarkan
kriteria nilai RMSE, simpangan baku (s), dan bias (e) kelompok jenis
meranti
No Persamaan regresi
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
Tabel 28 Penentuan peringkat model penduga volume pohon terbaik berdasarkan
kriteria nilai RMSE, simpangan baku (s), dan bias (e) kelompok jenis
non-meranti
No Persamaan regresi
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
No Persamaan regresi
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
No Persamaan regresi
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
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
LAMPIRAN
47
Lampiran 1. (Lanjutan)
Dbh (cm) 1 1925,3
D^2 1 87,1
Unusual Observations
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
R denotes an observation with a large standardized residual.
X denotes an observation whose X value gives it large influence.
Regression Analysis: LogVa versus Log D, Dbh (cm)
The regression equation is
LogVa = - 4,25 + 2,87 Log D - 0,00410 Dbh (cm)
Predictor Coef SE Coef T P
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%
Analysis of Variance
Source DF SS MS F P
Regression 2 38,893 19,446 1534,78 0,000
Residual Error 86 1,090 0,013
Total 88 39,982
Source DF Seq SS
Log D 1 38,745
Dbh (cm) 1 0,148
Unusual Observations
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
R denotes an observation with a large standardized residual.
X denotes an observation whose X value gives it large influence.
49
Lampiran 1. (Lanjutan)
Regression Analysis: LogVa versus Log D
The regression equation is
LogVa = - 3,76 + 2,44 Log D
Predictor Coef SE Coef T P
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%
Analysis of Variance
Source DF SS MS F P
Regression 1 38,745 38,745 2724,31 0,000
Residual Error 87 1,237 0,014
Total 88 39,982
Unusual Observations
Obs Log D LogVa Fit SE Fit Residual St Resid
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
R denotes an observation with a large standardized residual.
50
Lampiran 2. (Lanjutan)
38 4761 9,250 5,265 0,213 3,985 3,17R
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
The regression equation is
Va = - 0,491 + 0,0112 Dbh (cm) + 0,00106 D^2
Predictor Coef SE Coef T P
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%
Analysis of Variance
Source DF SS MS F P
Regression 2 492,37 246,18 148,35 0,000
Residual Error 48 79,66 1,66
Total 50 572,02
Source DF Seq SS
Dbh (cm) 1 472,83
D^2 1 19,54
Unusual Observations
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
R denotes an observation with a large standardized residual.
X denotes an observation whose X value gives it large influence.
Regression Analysis: LogVa versus Log D, Dbh (cm)
The regression equation is
LogVa = - 4,14 + 2,69 Log D - 0,00175 Dbh (cm)
Predictor Coef SE Coef T P
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
Lampiran 2. (Lanjutan)
Analysis of Variance
Source DF SS MS F P
Regression 2 23,954 11,977 625,75 0,000
Residual Error 48 0,919 0,019
Total 50 24,873
Source DF Seq SS
Log D 1 23,948
Dbh (cm) 1 0,006
Unusual Observations
Obs Log D LogVa Fit SE Fit Residual St Resid
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
R denotes an observation with a large standardized residual.
X denotes an observation whose X value gives it large influence.
53
Lampiran 3. (Lanjutan)
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
Lampiran 3. (Lanjutan)
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. (Lanjutan)
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. (Lanjutan)
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 9. (Lanjutan)
Daftar sidik ragam persamaan 3 (tiga) untuk kelompok jenis non-meranti
SK db JK KT Fhit p-value
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
SK db JK KT Fhit p-value
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