PEMANFAATAN CITRA MULTISPEKTRAL UNTUK

MENGANALISIS POTENSI BIOMASSA DAN CADANGAN

KARBON HUTAN MANGROVE DI TAMAN NASIONAL
RAWA AOPA WATUMOHAI

SKRIPSI

DIAJUKAN UNTUK MEMENUHI SEBAGIAN PERSYARATAN

MENCAPAI DERAJAT SARJANA (S1)

DIAJUKAN OLEH:

DERICK CHRISTOPHER AMBO MASSE

F1I1 13 013

PROGRAM STUDI GEOGRAFI

FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN
UNIVERSITAS HALU OLEO
KENDARI
2018
 Skripsi

PEMANFAATAN CITRA MULTISPEKTRAL UNTUK MENGANALISIS

POTENSI BIOMASSA DAN CADANGAN KARBON HUTAN MANGROVE
DI TAMAN NASIONAL RAWA AOPA WATUMOHAI

Oleh:

Derick Christopher Ambo Masse

F1I113013

Telah dipertahankan didepan Tim Penguji

Pada tanggal 21 Desember 2018
Dan dinyatakan memenuhi syarat

Tim Penguji

Pembimbing I, Pembimbing II,

Dr. L.M. Golok Jaya, S.T., M.T. Fitra Saleh, S.Pi., M.Sc.
NIP. 19761020 200501 1 002 NIP. 19861203 201504 1 002

Penguji I, Penguji II, Penguji III

Dr. La Ode Restele,S.Pd,.M.Si. Swaludin,S.Pi.,M.Sc. L.M. Iradat Salihin,S.Pd.,ST.,M.Sc.

NIP. 197012311998021020 NIP. 197705272010121003 NIP. 197705272010121003

Kendari, 21 Desember 2018

Dekan Fakultas Ilmu Dan Teknologi Kebumian
Universitas Halu Oleo

Dr. Ida Usman, S.Si.,M.Si.

Nip. 197204181999031002

ii
 PEMANFAATAN CITRA MULTISPEKTRAL UNTUK MENGANALISIS
POTENSI BIOMASSA DAN CADANGAN KARBON HUTAN MENGROVE
DI TAMAN NASIONAL RAWA AOPA WATUMOHAI

Oleh:
Derick Christopher Ambo Masse
F1I113013
(Program Studi Geografi, Fakultas Ilmu dan Teknologi Kebumian,
Universitas Halu Oleo)
haibangder@gmail.com

ABSTRAK

Keberadaan hutan menjadi tempat penyimpanan karbon yang paling efektif

dan dapat dihitung dengan memanfaatkan citra multispektral. Hutan dapat
menyerap karbon di atmosfer dan menyimpannya dalam bentuk biomassa
diberbagai bagian tanaman. Kawasan ekosistem mangrove Taman Nasional Rawa
Aopa Watumohai Sulawesi Tenggara adalah salah satu hutan di Indonesia yang
memiliki potensi biomassa dan cadangan karbon cukup besar. Penelitian ini
bertujuan untuk: (1) mengidentifikasi sebaran ekosistem hutan mangrove melalui
teknologi penginderaan jauh dengan menggunakan citra multispektral (2)
mengetahui potensi biomassa dan cadangan karbon pada ekosistem hutan
mangrove yang ada di Taman Nasional Rawa Aopa Watumohai. Penelitian ini
menggunakan metode analisis Normalized Difference Vegetation Index untuk
menghitung luas kelas kerapatan vegetasi dan analisis alometrik untuk
menghitung biomassa dan cadangan karbon. Hasil penelitian ini berupa peta
sebaran biomassa dan cadangan karbon berdasarkan kelas kerapatan vegetasi serta
jumlah biomassa dan cadangan karbon hutan mangrove di Taman Nasional Rawa
Aopa Watumohai.
Kata Kunci: Biomassa, Citra Multispektral, Karbon, Mangrove

iii
 THE USE OF MULTISPECTRAL IMAGERY TO ANALYZE THE
POTENTIAL OF BIOMASS AND CARBON STOCKS OF MANGROVE
FORESTS IN TAMAN NASIONAL RAWA AOPA WATUMOHAI

Oleh:
Derick Christopher Ambo Masse
F1I113013
(Geopgraphy Study Program, Faculty of Science and Earth Technology,
Halu Oleo University)
haibangder@gmail.com

ABSTRACT
The existence of forest is the most effective carbon strage and can be
calculated by utilizing multispectral imagery. Forests can absorb carbon in the
atmosphere and store it in the form of biomass in various parts of plants.
Mangrove ecosystem area of Taman Nasional Rawa Aopa Watumohai Southeast
Sulawesi is one of the forests in Indonesia that has a large potential of biomass
and carbon stocks. This study aims to (1) identify the distribution of mangrove
forest ecosystems through remote sensing technology using multispectral imagery
(2) to determine the potential biomass and carbon stocks in the mangrove forest
ecosystem in Taman Nasional Rawa Aopa Watumohai. This study uses the
normalized difference vegetation index method to calculate the class area of
vegetation density and allometric analysis to calculate biomass and carbon stocks.
The results of this study are in the form of map of the distribution of biomass and
carbon stocks based on the class of vegetation density and the amount of biomass
and carbon stocks of mangrove forests in the Taman Nasional Rawa Aopa
Watumohai.
Keywords: Biomass, Multispectral Image, Carbon, Mangrove

iv
 KATA PENGANTAR

Puji syukur penulis haturkan kepada Allah Subhanahu Wata’ala yang telah

memberikan banyak nikmat, taufik dan hidayah. Sehingga penulis dapat

menyelesaikan skripsi yang berjudul “Pemanfaatan Citra Multispektral Untuk

Menganalisis Potensi Biomassa Dan Cadangan Karbon Hutan Mangrove Di

Taman Nasional Rawa Aopa Watumohai” dengan baik. Shalawat serta salam

tak lupa terhaturkan kepada Rasulullah Muhammad Shalallahu’alaihi wasallam,

keluarganya, para sahabat, tabi’in, tabiut tabi’in, serta para pengikutnya hingga

akhir zaman kelak. Penulis menyadari sepenuhnya bahwa penyusunan skripsi ini

tidak akan selesai dan tersusun dengan baik tanpa adanya sumbang saran dan

bimbingan serta motivasi dari berbagai pihak. Oleh karena itu, ucapan terimakasih

penulis dan penghargaan yang setinggi-tingginya kepada Bapak Dr. La Ode

Muhammad Golok Jaya, S.T., M.T selaku Pembimbing I dan Bapak Fitra Saleh,

S.Pi., M.Sc selaku pembimbing II yang telah meluangkan waktu, tenaga, pikiran,

arahan serta motivasi sehingga berbagai kesulitan dapat terselesaikan.

Teriring salam, dan penghargaan yang tidak terhingga kepada Ayahanda

tercinta Awaluddin Ambo Masse dan Ibunda tercinta (Alm). Yudea Efrata

Mustamu, Saudara-saudaraku Rensi Minarla, S.E, Julio Joldi Leonard, Antonio

Meinaldo dan Louisa Albertina terima kasih atas bantuan baik moril maupun

material khususnya do’a dan motivasi untuk penulis.

v
 Penyusunan skripsi ini diajukan untuk memenuhi sebagian persyaratan

mencapai derajat sarjana pada Jurusan Geografi Fakultas Ilmu dan Teknologi

Kebumian Universitas Halu Oleo. Dalam penyelesaiannya tidak sedikit kesulitan

dan hambatan yang dihadapi oleh penulis, namun dengan usaha dan do’a serta

bantuan dari berbagai pihak yang tidak luput atas pertolongan dan kehendak Allah

Subhanahu Wa Ta’ala kesulitan tersebut dapat diatasi. Mudah-mudahan segala

sesuatu yang telah diberikan menjadi bermanfaat dan bernilai ibadah di hadapan

Allah Subhanahu Wa Ta’ala.

Pada kesempatan ini penulis juga menyampaikan terima kasih yang tulus

kepada:

1. Rektor Universitas Halu Oleo Bapak Prof. Dr. Muh. Zamrun F, S.Si., M.Si.,

M.Sc dan jajarannya.

2. Dekan Fakultas Ilmu dan Teknologi Kebumian Universitas Halu Oleo Bapak

Dr. Ida Usman, S.Si., M.Si dan jajarannya.

3. Ketua Jurusan Geografi Fakultas Ilmu dan Teknologi Kebumian Universitas

Halu Oleo Bapak La Ode Muhammad Iradat S, S.Pd., S.T., M.Sc dan

sekertaris jurusan Bapak Fitra Saleh, S.Pi., M.Sc.

4. Bapak Dr. Laode Restele, S.Pd M.Si, Bapak L. M. Iradat Salihin, S.Pd., S.T.,

M.Sc, dan Bapak Sawaludin, S.Pi., M.Sc selaku penguji yang telah

memberikan saran dan kritik yang sangat bermanfaat.

5. Bapak dan Ibu Dosen yang telah membimbing penulis selama menempuh

pendidikan di bangku kuliah.

vi
6. Kepala Balai Taman Nasional Rawa Aopa Watumohai dan jajarannya yang

telah memberikan izin, fasilitas dan kemudahan selama melakukan penelitian.

7. Papi Solichin Sjam, S.E, Mami Dra. Lusiana Yuliana Mustamu, Mama

Mintje Mustamu, Ka Dinan Azmi Solichin, S.Ak., M.M, Ka Sumianti

Lasania S.Ak yang telah memberikan dukungan dan semangat kepada

penulis.

8. Sahabat-sahabat yang telah membantu dalam pengambilan data lapangan

sekaligus liburan di Taman Nasional Rawa Aopa Watumohai; Marzuki, I

Putu Agus Putra Lantara, S.Geo, Erwin, Ka Anca, Porter dan Mba Ana.

9. Sahabat-sahabat mahasiswa Jurusan Geografi angkatan 2013; Muh. Apdal,

S.Geo, Nurul Ainun Tangge, S.Geo, Muh. Arva Harun, adik-adik mahasiswa

Jurusan Geografi angkatan 2014; Fatimah Wardhana, Mirla, Haryanto Arif,

Rahma Maulana, adik-adik mahasiswa Jurusan Geografi angkatan 2015; Andi

Yusnan Iskandar Putra, Hardianto, Muh. Azharudin, Jul Hasan, Muh. Idham

Yudhistira, adik-adik mahasiswa Jurusan Geografi angkatan 2016; Mawar,

Mamat, adik-adik mahasiswa Jurusan Geografi angkatan 2017; Anggun

Rahmi Diah Fatmi, Khofifah Awalya Ramadhani, Hazriani, Tania, dan adik-

adik mahasiswa Jurusan Geografi angkatan 2018; Afong, Efraim, Dandi, dan

teman-teman lainnya yang tidak dapat ditulis semuanya. Terimakasih telah

memberikan dukungan dalam menyelesaikan skripsi ini.

10. Sahabat-sahabat Tim PHBD 2016; Nur Rahma Musdalifa, S.Ked, Siti Nur

Janna, S.Ked, L.M. Dzul Fijar, Aghust Merlinawati Sairi, S.H, L.M.

Suhardiman S.T, Syahril Ramadhan, S.Sos, Lisa Iha, S.Si, Diah Astari Salam,

vii
 S.Farm. Terimakasih telah memberikan dukungan dalam menyelesaikan

skripsi ini.

11. Sahabat-sahabat komunitas, organisasi dan gerakan; Aksi Indonesia Muda

Kendari, Trash Hero Kendari, SampahKu, IM Volunteer, Rintara Jaya

Sulawesi Tenggara, DPD Forum Negarawan Muda Sulawesi Tenggara,

World Cleanup Day Sulawesi Tenggara. Terimakasih telah memberikan

ruang kepada penulis untuk berkarya, membentuk simpul jaringan

pertemanan yang sangat kuat, menyatukan energi dan menjadi manusia yang

bermanfaat untuk penulis, sahabt-sahabat, masyarakat, bangsa dan negara.

12. Sahabat-sahabat spesial yang selalu memberikan energi positif kepada

penulis; Muh. Iryansah Nasir, Nisa Ul Mu’minin, Kabir Akbar, Rima

Agustina, Agustina Iskandar, Rusdi Mubaraq, Ade Desi Israeni, saya punya

banyak cinta untuk kalian semua.

Penulis memahami sepenuhnya bahwa skripsi ini tak luput dari kesalahan.

Oleh karena itu, kritik dan saran yang membangun sangat diharapkan demi

perbaikan di masa mendatang. Semoga skripsi ini dapat memberikan inspirasi

bagi para pembaca untuk melakukan hal yang lebih baik lagi dan semoga

bermanfaat dalam rangka mencerdaskan kehidupan bangsa.

Kendari, 21 Desember 2018

Penulis.

viii
 DAFTAR ISI

Halaman
HALAMAN JUDUL i
HALAMAN PENGESAHAN ii
ABSTRAK iii
ABSTRACT iv
KATA PENGANTAR v
DAFTAR ISI ix
DAFTAR TABEL xi
DAFTAR GAMBAR xii
I. PENDAHULUAN
A. Latar Belakang 1
B. Rumusan Masalah 2
C. Tujuan Penelitian 3
D. Manfaat Penelitian 4
1. Manfaat Teoritis 4
2. Manfaat Praktis 4
E. Keaslian Penelitian 5

II. TINJAUAN PUSTAKA

A. Data Multispektral 9
B. Koreksi Geometrik dan Koreksi Radiometrik 10
C. Transformasi Indeks 12
D. Biomassa dan Cadangan Karbon 13
E. Pemetaan Cadangan Karbon 14
F. Kerangka Berpikir 16

III. METODOLOGI PENELITIAN

A. Waktu dan Tempat Penelitian 17
B. Alat dan Bahan 19
1. Alat 19
2. Bahan 19
C. Populasi dan Sampel 19
D. Langkah Penelitian 21
1. Tahap Pengumpulan Data 21
a. Data Primer 21
b. Data Sekunder 21
2. Tahap Persiapan 22
3. Tahap Pelaksanaan 22
E. Pengolahan Data 23
1. Koreksi Geometrik dan Koreksi Radiometrik 23
2. Interpretasi Tutupan Lahan 24
3. Transformasi Indeks 26
4. Pengamatan Data Lapangan 26

ix
 F. Analisis Data 27
1. Analisis NDVI (Normalized Difference Vegetation Indeks) 27
2. Analisis Alometrik 28
3. Pendugaan Biomassa dan Cadangan Karbon Berdasarkan 29
Ekosistem
G. Diagram Alir Penelitian 30

IV. HASIL DAN PEMBAHASAN

A. Hasil 31
1. Gambaran Umum Lokasi Penelitian 31
2. Identifikasi Kawasan Mangrove 31
3. Transformasi Indeks Vegetasi 34
4. Pengukuran Biomassa dan Cadangan Karbon 37
B. Pembahasan 41
1. Biomassa dan Cadangan Karbon 41
2. Sebaran Biomassa dan Cadangan Karbon 44
3. Uji Korelasi 49

V. KESIMPULAN DAN SARAN

A. Kesimpulan 51
B. Saran 51

DAFTAR PUSTAKA 52
LAMPIRAN 55

x
 DAFTAR TABEL

Halaman
Tabel 1. Keaslian Penelitian 7

Tabel 2. Peralatan Penunjang Penelitian 19

Tabel 3. Bahan Penunjang Penelitian 19

Tabel 4. Objek Interpretasi 25

Tabel 5. Kriteria Kekuatan Hubungan Korelasi 28

Tabel 6. Skor Kelas Kerapatan Vegetasi 35

Tabel 7. Luasan Kelas Kerapatan Vegetasi 35

Tabel 8. Biomassa 40

Tabel 9. Cadangan Karbon 40

Tabel 10. Biomassa dan Cadangan Karbon 42

Tabel 11. Total Biomassa dan Cadangan Karbon Perhitungan Data Lapangan 43

Tabel 12. Total Biomassa dan Cadangan Karbon Ekosistem Mangrove 45

xi
 DAFTAR GAMBAR

Halaman
Gambar 1. Peta Kawasan Ekosistem Mangrove 18

Gambar 2. Proses Persiapan Penelitian 22

Gambar 3. Perbandingan Warna Komposit Citra 32

Gambar 4. Subset Citra (A) Citra Full Scene (B) Citra Telah Tersubset 33

Gambar 5. Peta Indeks Kerapatan Vegetasi 36

Gambar 6. Lokasi Pengambilan Titik Koordinat 37

Gambar 7. Proses Pengambilan Data Lapangan 39

Gambar 8. Peta Sebaran Biomassa Kerapatan Vegetasi Tinggi 46

Gambar 9. Peta Sebaran Biomassa Kerapatan Vegetasi Sedang 47

Gambar 10. Peta Sebaran Biomassa Kerapatan Vegetasi Rendah 48

xii
 I. PENDAHULUAN

A. Latar Belakang

Perubahan iklim di Indonesia dipengaruhi oleh perubahan pola curah hujan,

perubahan tinggi muka air laut, dan perubahan variabilitas iklim. Variabilitas

iklim adalah fluktuasi unsur iklim yang terjadi secara tiba-tiba namun tidak

berlangsung lama. Selain itu, penggunaan energi yang berlebihan juga

menyebabkan terjadinya perubahan iklim karena gas CO 2 (karbondioksida) yang

dihasilkan berpengaruh langsung terhadap peningkatan suhu udara di atmosfer

bumi. Upaya mengatasi perubahan iklim salah satunya dengan melakukan

mitigasi. Mitigasi adalah tindakan untuk mengurangi emisi gas rumah kaca dan

untuk meningkatkan penyimpanan karbon dalam rangka mengatasi perubahan

iklim. Pemerintah Indonesia telah menerbitkan Peraturan Presiden No.61 Tahun

2011 tentang Rencana Aksi Nasional Penurunan Emisi Gas Rumah Kaca sebagai

acuan dasar pelaksanaan adaptasi dan mitigasi perubahan iklim oleh seluruh

Pemerintah Daerah di Indonesia. Salah satu sektor yang berperan penting terhadap

upaya mitigasi perubahan iklim adalah sektor kehutanan.

Keberadaan hutan menjadi tempat penyimpanan karbon yang paling efektif.

Hutan dapat menyerap karbon di atmosfer dan menyimpannya dalam bentuk

biomassa diberbagai bagian tanaman melalui proses fotosintesis. Selain

menyimpan karbon, fotosintesis juga menghasilkan oksigen yang digunakan

seluruh makhluk hidup untuk bernapas. Salah satu hutan di Indonesia yang

memiliki potensi cadangan karbon adalah kawasan ekosistem mangrove di Taman

Nasional Rawa Aopa Watumohai (TNRAW) Sulawesi Tenggara. Hal tersebut

1
 2

dapat dilihat dari tegakkan pohon yang banyak. Ekosistem hutan mangrove yang

ada di TNRAW memiliki kemampuan dalam menyerap dan menyimpan karbon.

Ekosistem hutan yang ada di TNRAW memiliki sebaran yang berbeda-beda.

Sebaran masing-masing ekosistem hutan yang ada di TNRAW dapat dilihat

menggunakan teknologi penginderaan jauh dengan memanfaatkan citra

multispektral (Citra Landsat 8). Selain mengetahui sebaran ekosistem, data

multispektral juga digunakan untuk mengetahui tingkat kerapatan vegetasi

ekosistem hutan. Teknologi penginderaan jauh sangat bermanfaat untuk

mengembangkan penelitian yang bermanfaat bagi masyarakat luas karena

mudahnya akses untuk memperoleh data penginderaan jauh itu sendiri.

Pemanfaatan teknologi penginderaan jauh dapat dijadikan solusi yang tepat untuk

melakukan penelitian berskala luas karena lebih efektif, efisien dan dapat

dilakukan secara temporal, seperti perhitungan biomassa dan cadangan karbon

yang ada di TNRAW. Hal ini sangat dibutuhkan sebagai bahan pertimbangan

terlaksananya perdagangan karbon (carbon trading) dan penelitian terkait

perubahan iklim.

B. Rumusan Masalah

Dewasa ini informasi tentang biomassa dan cadangan karbon sangat

dibutuhkan untuk keperluan analisis perubahan iklim dan perdagangan karbon.

Terbatasnya informasi mengenai biomassa dan cadangan karbon yang tersimpan

di TNRAW disebabkan karena wilayah TNRAW yang sangat luas menyulitkan

peneliti untuk menjangkau seluruh bagian yang ada, sehingga dibutuhkan sebuah

teknologi yang mempermudah peneliti melaksanakan penelitiannya. Teknologi

 3

penginderaan jauh dengan memanfaatkan citra multispektral dapat digunakan

untuk mempermudah peneliti menjangkau seluruh wilayah TNRAW dengan

mudah dan hasil yang diperoleh akurat, praktis dan efisien.

Pengolahan data multispektral dengan menggunakan teknologi

penginderaan jauh dapat memberikan informasi tentang biomassa dan cadangan

karbon yang ada di TNRAW. Transformasi indeks merupakan metode yang

digunakan dalam pengolahan data multispektral untuk memperoleh informasi

yang berkaitan dengan perhitungan biomassa dan cadangan karbon yang ada pada

ekosistem hutan mangrove di TNRAW.

Melihat penjelasan diatas, maka diangkatlah permasalahan yang akan

diselesaikan pada penelitian kali ini yaitu:

1) Bagaimana cara mengidentifikasi sebaran ekosistem hutan mangrove melalui

teknologi penginderaan jauh dengan menggunakan data multispektral?

2) Berapa besar potensi biomassa dan cadangan karbon pada ekosistem hutan

mangrove yang ada di TNRAW?

C. Tujuan Penelitian

Penelitian ini berujuan untuk:

1) Mengidentifikasi sebaran ekosistem hutan mangrove melalui teknologi

penginderaan jauh dengan menggunakan data multispektral.

2) Mengetahui potensi biomassa dan cadangan karbon pada ekosistem hutan

mangrove yang ada di TNRAW.

 4

D. Manfaat Penelitian

Penelitian ini memiliki dua manfaat yaitu manfaat teoritis dan manfaat

praktis.

1. Manfaat Teoritis

Pengembangan teknologi penginderaan jauh yang dapat diaplikasikan untuk

mengidentifikasi sebaran ekosistem hutan dan kerapatan vegetasi guna

menghitung potensi biomassa dan cadangan karbon yang ada di TNRAW.

2. Manfaat Praktis

Manfaat praktis dari penelitian ini adalah sebagai berikut:

a) Bagi penulis sebagai sarana dalam mengimplementasikan ilmu pengetahuan

yang sudah didapatkan selama menempuh perkuliahan di Jurusan Geografi

Fakultas Ilmu dan Teknologi Kebumian Universitas Halu Oleo Kendari serta

menjadi bahan pelajaran dalam melakukan penulisan karya tulis dan

melakukan penelitian tentang biomassa dan cadangan karbon.

b) Sebagai referensi untuk penelitian-penelitian selanjutnya yang serupa dengan

penelitian ini.

c) Manfaat bagi keilmuan, penelitian ini diharapkan dapat menjadi sumber

informasi bagi pengembangan ilmu pengetahuan tentang biomassa dan

cadangan karbon yang terdapat pada ekosistem mangrove di TNRAW.

 5

E. Keaslian Penelitian

Keaslian penelitian bertujuan untuk membandingkan penelitian yang sedang

di lakukan dengan penelitian-penelitian sebelumnya. Beberapa hal yang penting di

ketahui dalam keaslian penelitian adalah lokasi, tujuan, teknik analisis, dan hasil

penelitian.

Penelitian pertama dilakukan oleh Aris Munandar (2016) dengan

mengangkat judul penelitian yaitu estimasi cadangan karbon bambu apus diatas

permukaan tanah di Kecamatan Kambu Kota Kendari. Penelitian ini bertujuan

untuk mendapatkan gambaran sebaran serta mencari tahu kandungan karbon yang

tersimpan didalamnya. Metode yang digunakan adalah menghitung biomassa

dengan persamaan alometrik sehingga hasil yang didapatkan yaitu jumlah

biomassa dan sebaran bambu apus.

Penelitian kedua dilakukan oleh Agil Riski, dkk (2016) dengan judul

pemanfaatan citra landsat 8 OLI untuk pemetaan kerapatan dan biomassa eceng

gondok di Rawa Pening Kecamatan Ambarawa Kabupaten Semarang. Tujuan dari

penelitian ini yaitu untuk memetakan kerapatan dan biomassa eceng gondok

dengan memanfaatkan citra landsat 8 OLI. Metode yang digunakan adalah

menggunakan transformasi indeks NDVI dan regresi untuk mendapatkan hasil

biomassa dan kerapatan sehingga bisa dibuat dalam bentuk peta kerapatan dan

peta biomassa.

Penelitian ketiga dilakukan oleh Nurlita Indah Wahyuni (2012) dengan

judul penelitian yaitu integrasi penginderaan jauh dalam penghitungan biomassa

hutan. Memberikan informasi tentang pemanfaatan teknologi penginderaan jauh

 6

dalam rangka perhitungan biomassa hutan. Metode yang digunakan dalam

penelitian ini adalah penghitungan biomassa dengan persamaan alometrik dan

penggunaan formula NDVI untuk sebagai wujud pemanfaatan teknologi

penginderaan jauh. Hasil yang diperoleh dalam penelitian ini adalah pembuktian

bahwa penggunaan transformasi indeks NDVI dalam penginderaan jauh dan

penggunaan persamaan alometrik dapat digunakan untuk menghitung biomassa

hutan.

Eddy Handoko, dkk (2016) merupakan penelitian ke empat yang berjudul

analisis biomassa dan cadangan karbon pada ekosistem mangrove dikawasan

selatan Pulau Rupat. Penelitian ini bertujuan untuk menganalisis kemampuan

ekosistem mangrove dalam menyimpan karbon. Pengambilan sampel dan alaisis

laboratorium menjadi metode yang digunakan dalam penelitian ini sehingga

tujuan dalam penelitian ini dapat tercapai.

Melihat dari penelitian-penelitian sebelumnya yang dijadikan referensi,

penulis mengangkat penelitian berjudul pemanfaatan citra multispektral untuk

menganalisis potensi biomassa dan cadangan karbon hutan mangrove di TNRAW.

Mengetahui sebaran biomassa dan cadangan karbon yang ada di TNRAW

merupakan hasil akhir dari penelitian yang penulis lakukan dan yang menjadi

pembeda dengan penelitian-penelitian sebelumnya adalah sebaran biomassa dan

cadangan karbon dibuat dalam bentuk peta sebaran biomassa dan cadangan

karbon di TNRAW.
Tabel 1. Keaslian Penelitian
Nama Judul Penelitian Tujuan Penelitian Metode Penelitian Hasil Penelitian
Aris Munandar (2016) Estimasi Cadangan Karbon 1. Mendapatkan gambaran Menggunakan persamaan 1. Diketahuinyasebaran bambu
Bambu Apus (Gigantochloa sebaran bambu apus alometrik (Purwanto, 2010) apus di Kecamatan Kambu.
Apus Kurs) Diatas Permukaan (Gigantochloa apus Kurz) untuk menghitung biomassa 2. Diketahuinya jumlah
Tanah Dikecamatan Kambu di Kecamataan Kambu. yang terdapat pada organ biomassa dan karbonyang
Kota Kendari 2. Untuk mengetahui tumbuhan serta menggunakan tersimpan pada organ
kandungan karbon yang hasil analisis Welkley and bambu apus yang terdapat di
tersimpan pada organ Black untuk menghitung Kecamatan Kambu.
bambu apus (Gigantochloa karbon.
apus Kurz) di atas
permukaan tanah di
Kecamatan Kambu.
Agil Rizki Tidar, Prima Pemanfaatan Citra Landsat 8 1. Pemetaan kerapatan eceng Metode yang digunakan yaitu 1. Nilai NDVI dan kelas
Dinta Rahma Syam, OLI Untuk Pemetaan gondok didanau Rawa dengan pengolahan kerapatan berbanding lurus
Pramaditya Wicaksono Kerapatan Dan Biomassa Pening dengan pemanfaatan transformasi index vegetasi dengan estimasi biomassa
(2016) Eceng Gondok (Eichhornia Citra Lndsat 8 OLI NDVI (Normalized Difference eceng gondok.
Crassipes) (Studi Kasus: (operational Land Imager) Vegetation Index) lalu 2. Data Citra Landsat 8 OLI
Rawa Pening Kecamatan multi temporal tahun dilakukan analisis regresi dan dapat digunakan untuk
Ambarawa Kabupaten perekaman 2016. dikorelasikan dengan nilai estimasi biomassa eceng
Semarang) 2. Pemetaan biomassa eceng biomassa yang didapatkan dari gondok.
gondok didanau Rawa hasil pengukuran lapangan.
Pening dengan pemanfaatan
Citra Lndsat 8 OLI
(operational Land Imager)
multi temporal tahun
perekaman 2016.
Nurlita Indah Wahyuni Integrasi Penginderaan Jauh Untuk memberikan informasi Metode yang digunakan Diketahui bahwa formula NDVI
(2012) Dalam Penghitungan tentang pemanfaatan teknologi teknologi penginderaan jauh dalam teknologi penginderaan
Biomassa Hutan penginderaan jauh dalam rangka untuk menghitung biomassa jauh dan persamaan alometrik
perhitungan biomassa hutan. hutan dengan menggunakan dapat digunakan untuk
formula NDVI dan persamaan menghitung biomassa hutan.
alometrik.

7
 Nama Judul Penelitian Tujuan Penelitian Metode Penelitian Hasil Penelitian
Eddy Handoko, Bintal Analisis Biomassa Dan 1. Untuk menganalisis Metode yang digunakan dalam 1. Potensi biomassa mangrove
Amin, Sofyan Husein Cadangan Karbon Pada kemampuan ekosistem penelitian ini adalah metode berbanding lurus dengan
Siregar (2016) Ekosistem Mangrove Di mangrove menyimpan survey pengambilan sampel cadangan karbon mangrove
Kawasan Selatan Pulau Rupat karbon pada suatu satuan dan selanjutnya sampel dan potensi serapan gas
luas area. dianalisis di laboratorium, CO2.
2. Untuk menganalisis kemudian data yang diperoleh 2. Semakin tinggi nilai
perbedaan biomassa, diolah dan disajikan dalam biomassa maka semakin
cadangan karbon dan bentuk tabel dan grafik serta tinggi pula nilai karbon dan
serapan gas CO2 antar dibahas secara deskriptif. kemampuan menyerapnya.
stasiun pada kondisi hutan
mangrove yang diteliti.
Derick Christopher Ambo Pemanfaatan Citra 1. Mengidentifikasi sebaran Metode yang digunakan yaitu 1. Diketahuinya sebaran tiap
Masse (2018) Multispektral Untuk ekosistem hutan melalui dengan menggunakan formula tiap ekosistem hutan yang
Menganalisis Potensi teknologi penginderaan jauh NDVI (Normalized Difference ada di TNRAW.
Biomassa Dan Cadangan dengan menggunakan data Vegetation Index) untuk 2. Diketahuinya potensi
Karbon Hutan Mangrove Di multispektral. melihat sebaran dan kerapatan biomassa dan cadangan
Taman Nasional Rawa Aopa 2. Menduga potensi biomassa tiap-tiap ekosistema lalu karbon yang ada pada
Watumohai dan cadangan karbon pada dilakukan analisis regresi dan ekosistem hutan di
ekosistem hutan yang ada di dikorelasikan dengan nilai TNRAW.
TNRAW. biomassa yang didapatkan dari
3. hasil pengukuran lapangan
dan perhitungan alometrik.

8
 II. TINJAUAN PUSTAKA

A. Data Multispektral

Penginderaan jauh adalah ilmu untuk memperoleh informasi fenomena alam

pada objek (permukaan bumi) yang diperoleh tanpa kontak langsung dengan

objek permukaan bumi melalui pengukuran pantulan (reflection) ataupun

pancaran (emission) oleh media gelombang elektromagnetik (Suwargana, 2013).

Menurut Jaya (2010) Penginderaan jarak jauh, khususnya satellite remote sensing

dengan citra landsat merupakan sarana yang banyak digunakan untuk kegiatan

pemetaan. Salah satu bentuk pemetaan yang dilakukan adalah pemetaan tutupan

lahan.

Teknologi ini berkembang pesat dimulai saat diluncurkannya potret udara

dari balon udara pada tahun 1887, berlanjut pada era penginderaan jauh satelit

yang ditandai dengan peluncuran ERTS-1 yang saat ini dikenal dengan nama

Landsat-1. Keduanya dapat dibedakan berdasarkan perkembangan teknologi

platform dan sensor. Potret udara masuk kedalam penginderaan jauh pesawat

(airbone remote sensing, ART) bersama dengan airbone multispektral scanner

(airbone MSS) dan side looking airbone radar (SLAR). Sedangkan sensor pada

landsat masuk pada penginderaan jauh satelit (satellite remote sensing, SRS) yang

diantaranya meliputi MSS, TM, SPOT, MESSR, JERS-1, ERS-1, RADARSAT,

IRS dan sebagainya (Jaya 2010). Untuk citra muktispektral, masing-masing piksel

mempunyai beberapa Digital Number (DN), sesuai dengan jumlah band yang

dimiliki. Sebagai contoh, untuk Landsat 7, masing-masing piksel mempunyai 7

DN dari 7 band yang dimiliki. Citra bisa ditampilkan untuk masing-masing band

9
 10

dalam bentuk hitan putih maupun kombinasi 3 band sekaligus, yang disebut

komposit warna (Thoha, 2008).

Satelit Landsat-8 atau Landsat Data Continuity Mission (LDCM)

merupakan satelit sumber daya milik Amerika Serikat yang diluncurkan pada 11

Februari 2013. Satelit ini membawa dua sensor yaitu sensor Operational Land

Imager (OLI) dan sensor Thermal Infrared Sensor (TIRS). Sensor OLI

mempunyai tujuh band dengan resolusi spasial yang sama dengan Landsat-7 yaitu

sebesar 30 meter. Untuk band 8 berbeda nilai resolusi spasialnya yaitu 15 meter.

Sensor OLI dilengkapi dengan dua band baru yaitu band 1 dengan panjang

gelombang 0,43 – 0,45 m untuk aerosol garis pantai dan band-9 dengan panjang

gelombang 1,36 – 1,38 m untuk deteksi awan cirrus. Sedangkan untuk sensor

TIRS dilengkapi dengan dua band dengan resolusi spasial sebesar 100 m untuk

menghasilkan kontinuitas kanal inframerah thermal (USGS, 2014).

B. Koreksi Geometrik dan Koreksi Radiometrik

Geometrik merupakan posisi geografis yang berhubungan dengan distribusi

keruangan (spatial distribution). Geometrik memuat informasi data yang mengacu

bumi (geo-referenced data), baik posisi (sistem koordinat lintang dan bujur)

maupun informasi yang terkandung didalamnya (Lillesand dan Kiefer, 1990).

Koreksi geometrik dilakukan karena adanya kesalahan geometrik.

Kesalahan internal biasanya dikoreksi melalui analisis karakteristik dan empiris

sensor. Namun kesalahan eksternal yang terjadi akibat fenomena wahana saat

perekaman, harus dikoreksi secara geometrik (Jensen, 1986). Transformasi

geometrik ini adalah untuk menempatkan kembali posisi piksel pada posisi yang
 11

seharusnya di permukaan bumi. Koreksi geometrik terdiri 2 langkah yaitu : (i)

image to map rectification dengan memanfaatkan peta acuan sebagai dasar

pengambilan titik kontrol; dan (ii) image to image registration dengan

menggunakan 2 citra yang sama persis secara geometrik dan geografi, sehingga

elemen-elemen yang muncul di lokasi sama dengan elemen yang ada di citra

(Danoedoro, 1996).

Koreksi radiometrik perlu dilakukan untuk memperbaiki kualitas citra dan

nilai-nilai piksel yang tidak sesuai dengan nilai pantulan atau pancaran spektral

obyek yang sebenarnya, namun dengan mempertimbangkan faktor gangguan

atmosfer sebagai sumber kesalahan utama (Danoedoro, 1996). Murti (2002)

menyatakan pendapat yang sama dengan Danoedoro (1996), yaitu koreksi

radiometrik harus dilakukan supaya nilai spektral terbebas dari kesalahan sebelum

citra digital digunakan. Koreksi radiometrik digunakan untuk menghilangkan

pengaruh-pengaruh yang mengganggu kenampakan citra yang berasal dari

atmosfer, geometri sensor terhadap matahari, dan kesalahan pada sensor itu

sendiri (Campbell, 2002).

Secara teori, radiansi spektral yang direkam oleh sensor seharusnya

memiliki nilai yang sama dengan nilai pantulan di permukaan bumi, namun

pantulan spektral pada gelombang tampak dan sebagian inframerah dekat (0,36 -

0,9 μm) mengandung bias karena hamburan, pantulan, dan serapan oleh atmosfer,

terutama oleh partikel aerosol, uap air, dan debu. Koreksi kesalahan tersebut

dilakukan untuk mengembalikan nilai spektral citra, sesuai atau mendekati kondisi

asli di permukaan bumi (Kamal, 2010).

 12

C. Transformasi Indeks

Identifikasi obyek dengan menggunakan teknologi penginderaan jauh

dilaksanakan dengan beberapa pendekatan antara lain; karakteristik spektral citra,

visualisasi, floristik, geografi dan phsygonomik. Indeks vegetasi adalah suatu

algoritma yang diterapkan pada citra multi saluran untuk menonjolkan aspek

kerapatan vegetasi ataupun aspek lain yang berkaitan dengan kerapatan, misalnya

biomasa, Leaf Area Index (LAI), konsentrasi klorofil dan fenomena vegetasi

lainnya (Danoedoro, 1996). Indeks vegetasi bermanfaat untuk menekan efek

bayangan pada vegetasi lereng, menekan efek perubahan nilai untuk vegetasi yang

berbeda (berdaun lebar dan berdaun jarum) dan baik untuk perbedaan litologi

secara spektral (Danoedoro, 2012).

Meskipun indeks vegetasi beragam, namun masing-masing indeks

dirancang untuk memunculkan keunikan tertentu. Beberapa indeks vegetasi

diantaranya adalah Normalized Difference Vegetation Index (NDVI), Triangular

Vegetation Index (TVI), Modified Soil Advanced VegetationIndex-2 (MSAVI-2),

VARIGreen (Visible Atmospherically Resistant Index), Atmospheric Resistant

Vegetation Index (ARVI), dan Global Environment MonitoringIndex (GEMI).

NDVI merupakan indeks vegetasi yang banyak dipakai untuk tutupan lahan,

aktifitas fotosintesis tumbuhan, permukaan air, leaf area index dan jumlah

biomasa. Algoritma NDVI memanfaatkan saluran inframerah dekat dan saluran

merah yang sensitif terhadap informasi vegetasi. Nilai rentangan piksel NDVI

berada antara (– 1) - 1 (Liu dkk., 2004). TVI memanfaatkan saluran hijau di

samping saluran inframerah dekat dan saluran merah. Saluran hijau jarang
 13

dimanfaatkan dalam analisis indeks vegetasi, meskipun saluran hijau baik untuk

membedakan vegetasi dengan kenampakan bangunan, dan klorofil (Danoedoro,

2012). Secara konsep, VARIGreen didesain dengan kemampuan meminimalisir

sensitifitas efek atmosfer (Gitelson dkk, 2002). VARIGreen dianggap lebih

sensitif terhadap Vegetation Fraction karena adanya pengaruh dari saluran biru.

MSAVI-2 merupakan modifikasi dari SAVI dan MSAVI (Qi dan

Chehbouni, 1994). MSAVI-2 ditampilkan untuk meningkatkan rentangan sinyal

vegetasi dan meminimalisasi pengaruh tanah, sehingga menghasilkan sensitifitas

vegetasi yang lebih tinggi terhadap rasio noise tanah. Kaufman dan Tanré (1992)

mengembangkan indeks vegetasi yang mampu mengkoreksi pantulan saluran

merah untuk hamburan atmosferik dengan memanfaatkan perbedaan pantulan

antara saluran biru dan saluran merah yang dikenal sebagai ARVI. GEMI

dikembangkan oleh Pinty dan Verstraete (1991) dalam Wicaksono dkk (2011)

untuk menghilangkan kebutuhan koreksi atmosferik secara detail dengan

membangun “stok” koreksi atmosferik indeks vegetasi yang didapat dengan

menggabungkan pantulan band tunggal secara non linier.

D. Biomassa dan Cadangan Karbon

Bumi menyimpan karbon dalam berbagai kantong-kantong karbon. Menurut

Hairiah dan Murdiyarso (2007) jumlah seluruh cadangan karbon di alam sekitar

48.000 Gt. 80% cadangan atau sekitar 39.000 Gt karbon alam tersimpan di lautan

dan sekitar 6000 Gt tersimpan di fosil. Vegetasi merupakan salah satu kantong

cadangan karbon. Cadangan karbon di hutan yang meliputi biomasa pohon dan

tanah sekitar 2500 Gt dan di atmosfer sekitar 800 Gt.

 14

Biomassa adalah total berat atau volume organisme dalam suatu area atau

volume tertentu (IPCC,1995). Biomassa juga didefinisikan sebagai total jumlah

materi hidup di atas permukaan pada suatu pohon dan dinyatakan dengan satuan

ton berat kering per satuan luas (Brown, 1997).

Jumlah vegetasi hidup (biomasa) dalam suatu lahan bisa digunakan untuk

mengukur jumlah cadangan karbon tersimpan dan banyaknya CO 2 di atmosfer

yang diserap oleh tanaman tersebut. Sedangkan pengukuran karbon yang masih

tersimpan dalam bagian tumbuhan yang telah mati (nekromasa) secara tidak

langsung menggambarkan CO2 yang tidak dilepaskan ke udara lewat pembakaran

(Hairiah dan Rahayu, 2007).

E. Pemetaan Cadangan Karbon

Hubungan antara penginderaan jauh dengan biomasa dinyatakan oleh Anaya

dan Chuvieco (2009) bahwa penginderaan jauh merupakan pendekatan terbaik

untuk estimasi biomasa di tingkat regional di mana data lapangan sulit didapat dan

bisa didapat data terbaru. Meskipun begitu, Steininger (2000) menemukan

kelemahan estimasi biomasa melalui penginderaan jauh, karena sampel plot di

lapangan tidak didesain untuk data penginderaan jauh dan adanya saturasi pada

tajuk rapat, sehingga mempengaruhi nilai biomasa.

Untuk menghitung biomasa dapat dilakukan dengan 4 cara yaitu (i)

sampling in situ dengan pemanenan (destructive sampling); (ii) sampling dengan

data pendataan hutan secara in situ tanpa pemanenan (non-destructive sampling);

(iii) pendugaan melalui teknik penginderaan jauh; (iv) pembuatan model.

Sementara untuk estimasi biomasa di permukaan tanah, digunakan 2 pendekatan,

 15

yaitu (i) pendekatan langsung dengan membuat persamaan allometrik; (ii) dan

pendekatan tidak langsung dengan menggunakan “Biomass Expansion Factor”.

Persamaan allometrik adalah pendekatan langsung yang paling banyak digunakan

untuk perhitungan biomasa. Persamaan ini digunakan untuk mengetahui

hubungan antara ukuran pohon (diameter atau tinggi) dengan berat (kering) pohon

secara keseluruhan (Sutaryo, 2009).

Selain itu, terdapat perbedaan dalam menghitung cadangan karbon dari

biomasa.Hairiah dan Rahayu (2007), menyatakan bahwa rata-rata konsentrasi

karbon adalah 46% dari biomasa. Hal ini hampir sama dengan Wicaksono (2011),

yang menyatakan bahwa terdapat 0,464gC per 1 g biomasa atau 46,4% karbon

dari biomasa. Potter dkk. (2008) dalam Ren dan Wei (2011), berpendapat bahwa

pada biomasa terkandung 50% karbon.

 16

F. Kerangka Pikir

Mulai

Identifikasi masalah

Literasi Pengumpulan data

Data multispektral Biomassa dan karbon

Koreksi Algoritma alometrik

Transformasi Indeks Mangrove dan hutan

lahan kering

Klasifikasi Total biomassa dan

karbon

Regresi Korelasi

Tutupan lahan Deskripsi

Pengamatan lapangan

Hasil
 III. METODOLOGI PENELITIAN

A. Waktu dan Tempat Penelitian

Penelitian ini akan dilaksanakan tahun 2017 - 2018 di Taman Nasional

Rawa Aopa Watumohai (TNRAW) Sulawesi Tenggara. TNRAW merupakan

perwakilan beberapa tipe ekosistem di Sulawesi Tenggara. Vegetasi savana di

taman nasional ini memiliki ciri khas dan keunikan, karena merupakan asosiasi

antara padang rumput dengan tumbuhan agel, lontar dan bambu duri serta semak

belukar, juga tumbuhan di sepanjang sungai-sungai yang mengalir di padang

savana tersebut. TNRAW termasuk salah satu taman nasional tua yang

dikukuhkan di Indonesia, yaitu tahun 1990 atau tahun yang sama dengan

pengukuhan UU Konservasi Sumberdaya Alam Hayati dan Ekosistemnya yang

menjadi payung hukum pengelolaan taman nasional dan kawasan konservasi

lainnya di Indonesia.

Secara astronomis TNRAW terletak diantara 121°44’ - 122°44’ Bujur

Timur dan 4°22’ - 4°39’ Lintang Selatan dengan luas wilayah sekitar 105.194 Ha.

Wilayahnya terbagi dalam 4 kabupaten yaitu Kabupaten Konawe, Kabupaten

Konawe Selatan, Kabupaten Kolaka dan Kabupaten Bombana. Sebelah utara

berbatasan dengan wilayah Kecamatan Tirawuta dan Kecamatan Lambuya.

Sebelah timur berbatasan dengan wilayah Kecamatan Lambuya dan Kecamatan

Tinanggea. Sebelah selatan berbatasan dengan Selat Tiworo dan wilayah

Kecamatan Rumbia. Sebelah barat berbatasan dengan wilayah Kecamatan

Ladongi. Peta lokasi penelitian dapat dilihat pada gambar 1.

17
Gambar 1. Peta Kawasan Ekosistem Mangrove

18
 19

B. Alat dan Bahan

1. Alat

Untuk menunjang berjalannya penelitian ini, diperlukan beberapa peralatan

penunjang. Perlatan yang digunakan dalam penelitian ini meliputi:

Tabel 2. Peralatan Penunjang Penelitian

No. Alat
1 GPS (Global Position System)
2 Kmputer set/Laptop
3 Kamera digital
4 Microsoft office 2013
5 Aplikasi ENVI 4.5
6 Aplikasi ArcGIS 10.2
6 Pita ukur
7 Blangko pengamatan
Kegunaan
Untuk menentukan koordinat dan
pengujian sampel.
Sarana untuk mengelola seluruh data.
Untuk mengambil gambar dokumentasi
saat berada dilapangan.
Untuk mempermudah dalam pengolahan
data.
Perangkat yang digunakan untuk
mengolah data multispektral yang dipakai
dalam penelitian.
Perangkat yang digunakan untuk
mrngolah data geografis
Untuk mengukur keliling pohon sampel
Sarana penyimpan data hasil pengamatan
dilapangan.

2. Bahan

Adapun bahan-bahan yang digunakan pada penelitian ini yaitu sebagai

berikut:

Tabel 3. Bahan Penunjang Penelitian

No. Bahan
1 Citra landsat 8
2 Peta kawasan TNRAW
3 Peta infrastruktur TNRAW
Kegunaan
Untuk menentukan lokasi penelitian dan
sebaran ekosistem.
Untuk membatasi lokasi penelitian.
Untuk memberi informasi infrastruktur di
TNRAW.

C. Populasi dan Sampel

Populasi dalam penelitian ini adalah ekosistem mangrove, ekosistem non

mangrove, lahan terbangun, lahan tidak terbangun, dan awan yang ada di

TNRAW, didapat dari hasil pengolahan citra multispektral. Populasi yang

 20

didapatkan dari pengolahan citra multispektral tersebut selanjutnya dianalisis

untuk mengetahui sebaran ekosistem mangrove, ekosistem non mangrove, lahan

terbangun, lahan tidak terbangun dan awan serta untuk mengetahui tingkat

kerapatan ekosistem mangrove yang ada di TNRAW guna pengambilan sampel

dilapangan. Teknik pengambilan sampel dalam penelitian ini adalah teknik

Stratified Random Sampling dimana setiap kelas mempunyai proporsi untuk

mewakilkan sampel pada proses pengecekkan. Sampel dipilih sebagai satuan

pengamatan pada setiap kelas penutup lahan. Unit sampel yang digunakan berupa

area dengan perhitungan matematis menurut Mc Coy (2005) adalah sebagai

berikut:

(1)

Keterangan:
A = Ukuran transek pengambilan sampel dilapangan
P = Ukuran piksel citra
L = Perkiraan akurasi lokasi (0,5 piksel)

Sampel dalam penelitian ini adalah ekosistem mangrove yang ada di

TNRAW. Sampel diambil berdasarkan tingkat kerapatan vegetasi yang dikelaskan

menjadi 3 kelas yaitu kerapatan tinggi, kerapatan sedang dan kerapatan rendah.

Plot sampel yang digunakan untuk pengambilan sampel dilapangan berukuran

30 m × 30 m.
 21

D. Langkah Penelitian

Langkah-langkah penelitian yang dilakukan yaitu:

1. Tahap Pengumpulan Data

a. Data Primer

Citra Landsat 8 merupakan data primer yang digunakan dalam penelitian

ini. Data tersebut didapatkan dengan cara melakukan pengunduhan di situs resmi

USGS (United States Geological Survey). Selain itu, survei lapangan dilakukan

untuk pengumpulan data primer lainnya dilakukan dengan pengamatan secara

langsung terhadap sampel penelitian, yang termasuk kegiatan survei lapangan

antara lain: penyesuaian titik koordinat lokasi sampel, deskripsi sampel, kegiatan

dokumentasi di masing-masing sampel, pengambilan data dan pengambilan

sampel yang sudah ditentukan sebelumnya.

b. Data Sekunder

Pedoman penyusunan persamaan alometrik yang digunakan untuk

menghitung biomassa dan cadangan karbon merupakan data sekunder yang

digunakan dalam penelitian ini. Hal ini berguna untuk menambah pengetahuan

tentang penyusunan persamaan alometrik berdasarkan kebutuhan penelitian.

Selain itu, data berupa peta kawasan TNRAW, peta infrastruktur TNRAW dan

data inventarisasi ekosistem di TNRAW juga dibutuhkan untuk menjadi data

penunjang dalam penelitian ini.

 22

2. Tahap Persiapan

Berikut persiapan-persiapan yang dilakukan untuk penyelesaian penelitian:

Gambar 2. Proses Persiapan Penelitian

3. Tahap Pelaksanaan

Pelaksanaan penelitian dilakukan berdasarkan persiapan yang telah disusun.

Identifikasi masalah merupakan tahap awal yang akan dilaksanakan dalam

penelitian ini. Setelah permasalahan telah diidentifikasi, dilakukan telaah pustaka

untuk menambah informasi seputar masalah yang akan diselesaikan. Jika

informasi yang didapatkan dari hasil telaah pustaka dirasa sudah cukup,

selanjutnya dilakukan pengurusan administrasi untuk melaksanakan penelitian.

Setelah pengurusan administrasi selesai, dilakukan pengumpulan data berupa data

primer dan data sekunder sebagai penunjang dalam penyelesaian masalah yang

akan diselesaikan dalam penelitian ini. Setelah data diperoleh, selanjutnya

dianalisis untuk mendapatkan hasil penelitian. Terakhir dilakukan survey kembali

untuk menyesuaikan hasil penelitian yang didapatkan dengan kondisi lapangan

untuk memperoleh informasi sesuai pengamatan langsung pada lokasi yang

diteliti.
 23

E. Pengolahan Data

Pengolahan data pada penelitian ini meliputi:

1. Koreksi Geometrik dan Radiometrik

Koreksi geometrik merupakan proses penyesuaian koordinat citra satelit

dengan peta dunia yang sesungguhnya. Posisi geografis citra pada saat

pengambilan data dapat menimbulkan distorsi karena perubahan posisi dan juga

ketinggian sensor. Akibat dari kesalahan geometrik ini, posisi piksel dari citra

satelit tidak sesuai dengan posisi sebenarnya. Untuk memperbaiki kesalahan

geometrik, dilakukan koreksi berdasarkan GCP (Ground Control Point). GCP

merupakan proses koreksi geometrik citra dengan cara membandingkan posisi

sebuah lokasi yang berada pada citra dengan posisi yang ada pada peta yang

sudah tersedia sebelumnya. GCP adalah suatu lokasi pada permukaan bumi yang

dapat diidentifikasi pada citra dan peta (Jensen, 1986).

Koreksi radiometrik merupakan proses untuk memperbaiki kualitas visual

citra, dalam hal memperbaiki nilai piksel yang tidak sesuai dengan nilai pantulan

atau pancaran spektral objek yang sebenarnya. Koreksi radiometrik yang

dilakukan pada penelitian ini yaitu Top of Atmosphere (ToA) Reflectance dan Sun

Elevation pada masing-masing saluran yang ada pada Citra Landsat 8. Adapun

algoritma ToA Reflectance adalah sebagai berikut (USGS, 2014):

(2)
 24

Keterangan:
= Hasil pengolahan ToA dengan menggunakan sudut pengambilan
matahari
= Nilai piksel (DN), diisi berdasarkan band yang digunakan
= Konstanta rescalling (REFLECTANCE_MULT_BAND_x) dimana x
adalah band yang digunakan
= Konstanta penambah (REFLECTANCE_ADD_BAND_x) dimana x
adalah band yang digunakan
SE = Sun Elevation

2. Interpretasi Tutupan Lahan

Interpretasi tutupan lahan dapat dilakukan secara visual maupun digital.

Interpretasi visual dilakukan untuk mengidentifikasi tutupan lahan yang terlihat

pada citra sebelum melakukan pengamatan lapangan. Identifikasi citra dilakukan

berdasarkan unsur-unsur karakteristik citra yaitu rona/warna, bentuk, tekstur, pola

dan ukuran. Interpretasi visual dilakukan pada citra hardcopy ataupun citra yang

tertayang pada monitor komputer (Somantri 2008). Penjelasan terkait unsur-unsur

interpretasi adalah sebagai berikut:

1) Rona atau warna (tone/color). Rona adalah tingkat kegelapan atau kecerahan

objek pada citra, sedangkan warna adalah wujud yang tampak oleh mata. Rona

ditunjukkan dengan gelap – putih. Pantulan rendah, ronanya gelap, pantulan

tinggi ronanya putih.

2) Bentuk (shape) adalah variabel kualitatif yang memberikan konfigurasi atau

kerangka suatu objek. Bentuk merupakan atribut yang jelas sehingga banyak

objek yang dapat dikenali berdasarkan bentuknya saja, seperti bentuk

memanjang, lingkaran, dan segi empat.

3) Ukuran (size) adalah atribut objek yang antara lain berupa jarak, luas, tinggi,

kemiringan lereng, dan volume.

 25

4) Kekasaran (texture) adalah frekuensi perubahan rona pada citra atau

pengulangan rona terhadap objek yang terlalu kecil untuk dibedakan secara

individual.

5) Pola (pattern) adalah hubungan susunan spasial objek. Pola merupakan ciri

yang menandai objek bentukan manusia ataupun alamiah.

Beberapa objek yang diinterpretasi melalui Citra Landsat 8 pada penelitian

ini yaitu:

Tabel 4. Objek Interpretasi

No Interpretasi Objek Simbol Definisi Spesifikasi

1 Ekosistem Mangrove Mg Hutan yang tumbuh Kenampakkan obyek
didaerah pantai atau ditandai dengan adanya
muara yang hutan mangrove yang
dipengaruhi oleh bertekstur halus dan
pasang surut air laut berwarna merah tua
(bakau, nipah dan (band 564) tidak terdapat
nibung yang berada di bekas tebangan. Pada
sekitar pantai, yang citra tampak adanya
belum menampakkan Sungai besar dan
bekas penebangan). Sungaikecil yang
Pada beberapa lokasi, membelah areal hutan
hutan mangrove berada mangrove.
lebih kepedalaman.
2 Ekosistem Non Nmg Hutan yang tumbuh Kenampakkan obyek
Mangrove didaerah dataran ditandai dengan adanya
rendah dan tidak hutan yang bertekstur
mendapatkan pengaruh halus dan
dari pasang surut air berwarna hijau muda,
laut. Ekosistem non hijau tua (band 564)
mangrove berupa tidak terdapat bekas
ekosistem savana, tebangan. Pada citra
ekosistem hutan lahan tidak ada kenampakan
kering yang berada sungai besar dan Sungai
dikawasan TNRAW. kecil yang membelah
areal hutan.
3 Lahan Terbangun Pm Lahan yang digunakan Dicirikan oleh
untuk pemukiman, sekumpulan pola
baik perkotaan, bangunan rapat di
pedesaan, industri, permukiman kota,
fasilitas umum dll, Jaringan jalan nampak
dengan padat. Permukiman di
memperlihatkan pedesaan lebih jarang
bentuk-bentuk yang dan terlihat adanya pola
jelas. jalan penghubung antar
kelompok permukiman.
 26

4 Lahan Tidak Npm Lahan kosong yang Dicirikan dengan adanya

Terbangun tidak ada aktivitas areal-areal kosong pada
pembangunan seperti citra.
pemukiman dan
fasilitas umum lainnya
namun tidak ditumbuhi
oleh vegetasi.
5 Awan Aw Kumpulan awan yang Dicirikan dengan
menutupi areal yang gumpalan berwarna putih
akan diinterpretasi. yang ada pada citra.
Sumber: Somantri (2008), dengan modifikasi penulis (2018)

3. Transformasi Indeks

Citra Landsat 8 yang telah diinterpretasi menjadi beberapa objek selanjutnya

dianalisis menggunakan metode transformasi indeks. Objek yang dianalisis adalah

ekosistem mangrove dan ekosistem hutan lahan kering. Transformasi indeks yang

digunakan dalam penelitian ini adalah Normalized Difference Vegetation Indeks

(NDVI) bertujuan untuk melihat kerapatan setiap ekosistem berdasarkan kelas

kerapatan yang telah ditentukan. Penggunaan NDVI pada penelitian ini

dikarenakan akurasi yang dimiliki lebih baik dibandingkan dengan transformasi

indeks yang lainnya. Ini dibuktikan dengan banyaknya penggunaan transformasi

NDVI pada penelitian-penelitian ilmiah yang telah diterbitkan.

4. Pengamatan Data Lapangan

Pengamaan lapangan dilakukan dengan menelusuri lokasi-lokasi

pengamatan yang telah ditentukan. Kegiatan yang dilakukan meliputi

pengambilan titik-titik pengamatan dan dokumentasi contoh-contoh vegetasi yang

ada. Kegiatan pengecekan lapangan dilakukan untuk memperoleh informasi

mengenai keadaan/kondisi lapangan secara nyata sebagai pelengkap informasi.

Pengamatan data lapangan juga dilakukan untuk pengambilan data-data primer

 27

penelitian yaitu data diameter untuk menghitung keliling pohon yang terdapat

pada titik-titik pengamatan.

F. Analisis Data

1. Analisis Normalized Difference Vegetation Index (NDVI)

Normalized Difference Vegetation Index (NDVI) adalah perhitungan citra

yang digunakan untuk mengetahui tingkat kehijauan, yang sangat baik sebagai

awal dari pembagian daerah vegetasi.Indeks vegetasi dapat digunakan untuk

pengukuran parameter biofisik seperti biomassa, klorofil, LAI (Leaf Area Index),

dan lain-lain (Jensen. 1986). Untuk memisahkan area vegetasi dan area non

vegetasi pada citra satelit, digunakan metode NDVI (Danoedoro. 1996) dengan

persamaan berikut:

(3)

Keterangan:
NDVI = Normalized difference vegetation index
IR = Band inframerah
R = Band merah

Citra landsat 8 yang sudah dianalisis menggunakan algoritma NDVI

selanjutnya dilakukan analisis regresi. Analisis Regresi atau biasa disingkat

sebagai anareg adalah metode yang digunakan untuk mengukur pengaruh variabel

bebas terhadap variabel tergantung. Analisis regresi juga bisa digunakan untuk

memprediksi variabel tergantung dengan menggunakan variabel bebas. Setelah itu

akan didapat citra baru yang sudah dianalisis, lalu diklasifikasikan menjadi

ekosistem hutan mangrove dan ekosistem hutan non mangrove. Setelah

diklasifikasikan, citra akan dikorelasikan dengan hasil perhitungan biomassa dan

 28

cadangan karbon berdasarkan pengamatan lapangan. Untuk memudahkan

melakukan interpretasi mengenai kekuatan hubungan antara dua variabel dapat

dilihat kriterianya pada (Tabel 5) (Liu dkk. 2004).

Tabel 5. Kriteria Kekuatan Hubungan Korelasi

Skor Hubungan Korelasi
0 Tidak ada korelasi
0.1 – 0.25 Korelasi sangat lemah
0.26 – 0.5 Korelasi cukup
0.51 – 0.75 Korelasi kuat
0.76 – 0.99 Korelasi sangat kuat
1 Korelasi sempurna
Sumber: Liu dkk (2004)

2. Analisis Alometrik

Penghitungan total cadangan karbon hutan didasarkan pada kandungan

biomasa dan bahan organik pada carbon pool. Pendugaan potensi biomassa

ditujukan untuk ekosistem hutan mangrove. Penetapan persamaan allometrik

dalam pendugaan karbon merupakan tahapan penting proses pendugaan karbon,

karena karbon dari hasil perhitungan allometrik akan diregresikan untuk

mendapatkan karbon pada indeks vegetasi. Dugaan cadangan karbon di setiap

spesies tidak hanya tergantung pada kondisi fisik vegetasi, tapi juga keberadaan

vegetasi itu sendiri. Misalnya vegetasi di hutan beriklim sedang, kurang tepat jika

diterapkan pada hutan hujan tropis. Biomassa pohon dihitung menggunakan

persamaan alometrik (Brown, 1997), yaitu:

(4)

Keterangan:
D = Diameter pohon setinggi dada (cm)

Perbedaan rumus Brown (1997) ini adalah tidak digunakannya tinggi

tegakan sebagai bagian dari estimasi biomasa tegakan.

 29

Terdapat perbedaan dalam menghitung cadangan karbon dari biomasa.

Hairiah dan Rahayu (2007), menyatakan bahwa rata-rata konsentrasi karbon

adalah 46% dari biomasa. Hal ini hampir sama dengan Wicaksono (2011), yang

menyatakan bahwa terdapat 0,464gC per 1 g biomasa atau 46,4% karbon dari

biomasa. Potter et al. (2008) dalam Ren (2011), berpendapat bahwa pada biomasa

terkandung 50% karbon. Untuk penelitian ini akan menggunakan 46% cadangan

karbon yang terkandung dalam setiap 100% biomasa, sesuai dengan penelitian

Hairiah dan Rahayu (2007). Penggunaan 46% cadangan karbon ini berdasarkan

asumsi bahwa penelitian yang dilakukan oleh Hairiah dan Rahayu (2007) adalah

di wilayah tropis, sehingga cocok dengan wilayah kajian penelitian.

3. Pendugaan Biomassa dan Cadangan Karbon Berdasarkan Ekosistem

Klasifikasi multispektral untuk ekosistem hutan pada penelitian ini terdiri

atas ekosistem hutan mangrove. Postclassification menggunakan metode

Maximum Likehood. Hasil kelas klasifikasi multispektral menjadi acuan

klasifikasi visual untuk mendapatkan luas wilayah ekosistem. Estimasi jumlah

karbon pada masing-masing penutup lahan diperoleh dengan mengkonversikan

nilai NDVI berdasarkan persamaan regresi dari plot sampel modeling Citra

Landsat 8. Estimasi cadangan karbon diperoleh dengan mengkonversikan

persamaan regresi pada plot sample modeling (Margaretha, 2013).

 30

G. Diagram Alir Penelitian

Citra Landsat 8 Peta RBI

Koreksi Geometrik

Koreksi Radiometrik

Subset Data Citra

Klasifikasi Tutupan Lahan Transformasi Indeks (NDVI)

Peta Sebaran Ekosistem Peta Kerapatan Vegetasi

Peta Penuntun Pengamatan Lapangan

Pengambilan Data Lapangan

Hasil Pengamatan

Uji Korelasi

Analisis Spasial

Peta Sebaran Biomassa dan

Cadangan Karbon di TNRAW
 IV. HASIL DAN PEMBAHASAN

A. Hasil

1. Gambaran Umum Lokasi Penelitian

Taman Nasional Rawa Aopa Watumohai (TNRAW) merupakan cagar alam

dengan beragam ekosistem hutan yang terdapat didalamnya seperti hutan

mangrove, hutan lahan kering, hutan hujan pegunungan rendah, hutan rawa air

tawar dan savana. TNRAW merupakan salah satu taman nasional tertua di

Indonesia karena pengukuhannya sebagai taman nasional bersamaan dengan

dikeluarkannya UU Konservasi Sumberdaya Alam Hayati dan Ekosistemnya yang

menjadi payung hukum pengelolaan taman nasional dan kawasan konservasi

lainnya di Indonesia.

TNRAW memiliki luas wilayah 105.194 Ha dengan ketinggian taman ini

bervariasi di atas permukaan laut hingga ketinggian 981 m. Terletak diantara

121°44’ - 122°44’ Bujur Timur dan 4°22’ - 4°39’ Lintang Selatan kawasan ini

menjadi tempat perlindungan satwa-satwa langka dan endemik. Tercatat ada 155

jenis burung dengan 37 jenis burung endemik dan 32 jenis burung langka. Hewan

langka seperti anoa, babirusa, buaya muara, rusa, musang sulawesi dan beberapa

jenis primata seperti tangkasi dan monyet hitam juga terdapat di kawasan ini.

Selain satwa langka, kawasan ini juga memiliki 323 spesies tanaman.

2. Identifikasi Kawasan Mangrove

Koreksi citra landsat 8 merupakan tahapan awal yang dilakukan sebelum

mengidentifikasi kawasan mangrove. Koreksi citra yang dilakukan adalah koreksi

geometrik dan koreksi radiometrik. Koreksi citra bertujuan untuk mengembalikan

31
 32

posisi citra agar sesuai dengan posisi sebenarnya dan mengembalikan nilai-nilai

piksel yang rusak karena adanya kesalahan pada perekaman gambar. Citra yang

telah terkoreksi masih dalam bentuk full scene dengan identitas citra Landsat ID

“LC81130632018236LGN00”.

Lembaran citra yang memiliki saluran sebanyak 11 saluran tersebut

dikompositkan menggunakan aplikasi ENVI 4.5 dengan teknik RGB dengan

memilih saluran 5-6-4. Pemilihan saluran 5-6-4 menjadi pertimbangan karena

dapat memudahkan proses interpretasi citra apabila dibandingkan dengan

komposit 4-3-2. Komposit ini mampu membedakan kawasan mangrove dan

kawasan non mangrove dengan sangat jelas. Selain itu, pemilihan saluran 5-6-4

juga menjadi pertimbangan karena saluran 4 (saluran merah) dan saluran 5

(saluran inframerah) akan digunakan untuk melakukan analisis Normalized

Different Vegetation Index (NDVI). Perbandingan warna komposit 4-3-2 dan 5-6-

4 dapat dilihat pada gambar 3.

Gambar 3. Perbandingan Warna Komposit Citra

 33

Hasil komposit saluran 5-6-4 citra Landsat 8 selanjutnya disimpan dalam

direktori penyimpanan sehingga menghasilkan citra yang berformat (.TIFF) lalu

dilakukan subset pada citra tersebut dengan memanfaatkan data vektor. Shapefile

kawasan TNRAW dengan total luas 105.194 ha menjadi acuan untuk melakukan

subset data citra. Subset data citra dilakukan dengan menggunakan tool Extract by

Mask pada aplikasi ArvGIS 10.2 sehingga citra yang masih full scene akan

terpotong berdasarkan shapefile kawasan TNRAW. Gambar 4 menunjukkan citra

yang belum tersubset dan citra yang telah tersubset.

a b

Gambar 4. Subset Citra (a) Citra Full Scene (b) Citra Telah Tersubset

Citra yang telah tersubset selanjutnya diinterpretasi untuk mengidentifikasi

kawasan mangrove yang ada di TNRAW. Teknik yang digunakan untuk

menginterpretasi adalah teknik interpretasi visual. Interpretasi visual dilakukan

dengan mengandalkan kemampuan penglihatan mata manusia. Interpretasi ini

dapat dilakukan karena citra yang akan diinterpretasi adalah citra yang telah

dikomposit sehingga kawasan mengrove lebih mudah dikenali.

 34

Sebaran hutan mangrove pada citra dapat dikenali dengan melihat warna

kemerahan pada citra dan juga posisi hutan yang berada disekitaran sungai.

Sebaran hutan mangrove tersebut selanjutnya didigitasi on screen menggunakan

software ArcGIS 10.2 sehingga menghasilkan shapefile baru yang berisi informasi

sebaran hutan mangrove yang ada dikawasan TNRAW. Berdasarkan shapefile

hasil digitasi on screen diketahui bahwa luas sebaran hutan mangrove dikawasan

TNRAW adalah 6.219 Ha. Sebaran hutan mangrove dikawasan TNRAW dapat

dilihat pada gambar 1.

3. Transformasi Indeks Vegetasi

Sebaran hutan mangrove dengan luas 6.219 Ha selanjutnya ditransformasi

indeks vegetasi. Indeks vegetasi adalah suatu algoritma yang diterapkan pada citra

multi saluran untuk menunjukkan aspek kerapatan vegetasi ataupun aspek lain

yang berkaitan dengan kerapatan, misalnya biomassa, Leaf Area Indeks (LAI),

konsentrasi klorofil dan fenomena vegetasi lainnya. Transformasi indeks vegetasi

yang digunakan untuk melihat kerapatan hutan mangrove adalah transformasi

NDVI. Transformasi NDVI dianalisis dengan memanfaatkan citra saluran merah

dan saluran inframerah. Transformasi NDVI diklasifikasi menjadi 3 kelas

kerapatan vegetasi yaitu kerapatan tinggi, kerapatan sedang dan kerapatan rendah.

Setiap kelas kerapatan memiliki nilai masing-masing untuk kerapatan tinggi 0,4 –

1, kerapatan sedang 0,2 – 0,39 dan kerapatan rendah 0 – 0,19. Pembagian skor

kelas kerapatan vegetasi dapat dilihat pada tabel 6.

 35

Tabel 6. Skor Kelas Kerapatan Vegetasi

No Tingkat Kelas Kerapatan Skor
1 Rendah 0 – 0,19
2 Sedang 0,2 – 0,39
3 Tinggi 0,4 – 1
Sumber: Wicaksosno (2011)

Analisis NDVI dilakukan dengan menggunakan aplikasi ENVI 4,5.

Vegetasi dengan tingkat kerapatan rendah diberi warna hijau, kerapatan sedang

warna kuning dan warna merah untuk vegetasi dengan kerapatan tinggi. Hasil dari

klasifikasi tingkat kerapatan vegetasi dengan menggunakan formula NDVI

menunjukkan bahwa 0,63 Ha hutan mangrove kerapatan rendah, 759,87 Ha hutan

mangrove kerapatan sedang dan 3.685,23 Ha hutan mangrove kerapatan tinggi.

Peta tingkat kerapatan vegetasi ekosistem mangrove dikawasan TNRAW dapat

dilihat pada gambar 5. Hutan mangrove dikawasan TNRAW menunjukkan

kondisi hutan yang masih lebat, jumlah individu yang tumbuh masih sangat

banyak karena tidak ada aktifitas alih fungsi lahan.

Tabel 7. Luasan Kelas Kerapatan Vegetasi

No Tingkat Kelas Kerapatan Luas (Ha) Luas (Piksel)
1 Rendah 0,63 17,93
2 Sedang 759,87 8.369,57
3 Tinggi 3.685,23 40.548,53
Sumber: Hasil analisis data (2018)

Tidak adanya aktifitas alih fungsi lahan dikawasan hutan mangrove

TNRAW disebabkan karena hutan tersebut berada dikawasan konservasi sesuai

dengan Undang-Undang No. 5 tahun 1990 tentang Konservasi Sumber Daya

Alam Hayati dan Ekosistemnya.

Gambar 5. Peta Indeks Kerapatan Vegetasi

36
 37

4. Pengukuran Biomassa dan Cadangan Karbon

Ukuran plot sampel sesuai dengan persamaan 1 harus 2 kali lebih besar atau

setara dengan ukuran piksel citra yang digunakan. Citra yang digunakan adalah

citra Landsat 8 dengan ukuran piksel 30 m X 30 m dan ukuran plot sampel sesuai

dengan ukuran piksel citra. Pengambilan titik koordinat pada plot sampel berada

ditengah-tengah plot sampel seperti pada gambar 6.

Y
Gambar 6. Lokasi Pengambilan Titik Koordinat
Jumlah plot sampel secara keseluruhan adalah 9 plot sampel dimana setiap

tingkat kerapatan vegetasi menggunakan 3 plot sampel. Tetapi, penelitian ini

hanya menggunakan 7 plot sampel untuk tingkat kerapatan vegetasi tinggi 3 pot

sampel, kerapatan vegetasi rendah 3 plot sampel dan kerapatan vegetasi rendah 1

plot sampel. Penentuan jumlah plot sampel ini berdasarkan banyaknya kelas

kerapatan pada analisis indeks vegetasi. Penentuan lokasi plot sampel berdasarkan

metode Stratified Random Sampling dimana setiap kelas mempunyai proporsi

untuk mewakilkan sampel pada proses pengambilan data lapangan. Lokasi plot

sampel ditentukan dengan akses terdekat dan termudah yang berada dikawasan

TNRAW, mengingat kawasan hutan mangrove di TNRAW menjadi habitat buaya

muara dan hewan buas lainnya seperti ular, kera hitam dan anoa.

Pengukuran biomassa dilakukan dengan mengukur dan mengambil nilai

keliling lingkar batang setinggi dada tiap-tiap individu mangrove yang masuk
 38

dalam plot sampel. Nilai keliling lingkar batang setinggi dada dibawah 10 cm

tidak diambil. Nilai dari masing-masing keliling lingkaran batang pohon

mangrove selanjutnya dikonversi menjadi nilai diameter sehingga dapat

digunakan untuk menghitung biomassa seperti pada persamaan 4. Berikut

ditampilkan beberapa foto proses pengambilan data lapangan.

b
 39

d
Gambar 7. (a,b,c,d) Proses Pengambilan Data Lapangan di Balai Taman Nasional
Rawa Aopa Watumohai (Dok. Pribadi). Koordinat 4030’14,8”, 12205’24,8”

Setelah melakukan pengukuran lapangan pada tiap-tiap kerapatan vegetasi,

diperoleh nilai biomassa untuk kerapatan vegetasi tinggi masing masing pada plot

sampel 1 sebanyak 135,997 Ton/Piksel, plot sampel 2 sebanyak 173,837

Ton/Piksel dan plot sampel 3 sebanyak 73,464 Ton/Piksel. Biomassa untuk

kerapatan vegetasi sedang masing-masing pada plot sampel 1 sebanyak 17,989

 40

Ton/Piksel, plot sampel 2 sebanyak 10,150 Ton/Piksel dan plot sampel 3

sebanyak 50,433 Ton/Piksel sedangkan biomassa untuk kerapatan vegetasi rendah

sebanyak 7,497 Ton/Piksel.

Tabel 8. Biomassa
Biomassa (Ton/Piksel) Berdasarkan Indeks Vegetasi
Plot Sampel
Tinggi Sedang Rendah
1 135,997 17,989 7,497
2 173,837 10,150 -
3 73,464 50,433 -
Sumber: Hasil analisis data (2018)

Hasil perhitungan biomassa selanjutnya digunakan untuk menghitung cadangan

karbon pada masing-masing plot sampel. Perhitungan cadangan karbon

merupakan nilai 46% dari total biomassa dalam plot sampel. Setelah melakukan

perhitungan, diperoleh nilai cadangan karbon untuk kerapatan vegetasi tinggi pada

plot 1 sebanyak 62,559 Ton/Piksel, plot 2 sebanyak 79,965 Ton/Piksel dan plot 3

sebanyak 33,793 Ton/Piksel. Untuk kerapatan vegetasi sedang pada plot 1

diperoleh cadangan karbon sebanyak 8,275 Ton/Piksel, pada plot 2 sebanyak

4,669 Ton/Piksel dan plot 3 sebanyak 23,199 Ton/Piksel. Sedangkan kerapatan

vegetasi rendah diperoleh cadangan karbon sebanyak 3,449 Ton/Piksel.

Tabel 9. Cadangan Karbon

Plot Sampel Cadangan Karbon (Ton/Piksel) Berdasarkan Indeks Vegetasi
Tinggi Sedang Rendah
1 62,559 8,275 3,449
2 79,965 4,669 -
3 33,793 23,199 -
Sumber: Hasil analisis data (2018)
 41

B. Pembahasan

1. Biomassa dan Cadangan Karbon

Kandungan biomassa tanaman mangrove terdiri dari biomassa diatas

permukaan tanah dan dibawah permukaan tanah. Biomassa diatas permukaan

tanah terdapat pada batang, ranting, daun, bunga dan buah sedangkan biomassa

dibawah permukaan tanah terdapat pada akar. Beberapa cara yang dilakukan

untuk menghitung biomassa yaitu sampling dengan pemanenan, sampling tanpa

pemanenan, pendugaan melalui penginderaan jauh dan pembuatan model

alometrik. Perhitungan biomassa dan cadangan karbon pada penelitian ini

menggunakan teknik penginderaan jauh dengan memanfaatkan citra multispektral

yaitu citra Landsat 8. Teknik penginderaan jauh digunakan karena lebih mudah

dan efisien untuk menghitung biomassa dan cadangan karbon dengan cakupan

wilayah yang sangat luas.

Kondisi hutan mangrove di kawasan TNRAW tetap terjaga kelestariannya

karena tidak adanya alih fungsi lahan berdampak pada biomassa dan cadangan

karbon dari hutan mangrove tersebut. Pertumbuhan tanaman mangrove yang terus

bertambah berbanding lurus dengan pertumbuhan biomassa dan cadangan karbon

pada hutan mangrove dikawasan TNRAW yang berdampak pada penyerapan gas

karbondioksida (CO2). Gas CO2 diserap oleh tanaman mangrove untuk melakukan

fotosintesis dan menghasilkan oksigen (O2) yang digunakan oleh manusia untuk

bernafas.
 42

Tabel 10. Biomassa dan Cadangan Karbon

Kelas Kerapatan Vegetasi Tinggi
Plot Sampel
Kerapatan Biomassa (Ton/Piksel) Cadangan Karbon (Ton/Piksel)
1 Tinggi 135,997 62,559
2 Tinggi 173,837 79,965
3 Tinggi 73,464 33,793
1 Sedang 17,989 8,275
2 Sedang 10,150 4,669
3 Sedang 50,433 23,199
1 Rendah 7,497 3,449
Sumber: Hasil analisis data (2018)

Biomassa dan cadangan karbon dimasing-masing plot sampel yaitu pada

plot 1 kerapatan vegetasi tinggi dengan lokasi 122 o5’24,8” dan 4o30’14,8”,

terdapat 118 individu tanaman mangrove dengan diameter batang setinggi dada

mulai dari 5,5 cm – 120 cm. Dari hasil perhitungan, diketahui jumlah biomassa

pada plot 1 sebanyak 135,997 Ton/Piksel dan cadangan karbon sebanyak 62,559

Ton/Piksel. Plot 2 ditandai pada lokasi 122 o5’46,4” dan 4o5’30,7”. Pada plot 2

terdapat 96 individu tanaman mangrove dengan diameter setinggi dada mulai dari

5,5 cm – 145 cm. Jumlah biomassa pada plot 2 sebanyak 173,837 Ton/Piksel dan

cadangan karbon sebanyak 79,965 Ton/Piksel. Lokasi plot 3 adalah 122o4’40,8”

dan 4o31’18,6”. Lokasi plot 3 terdapat 105 individu tanaman mangrove dengan

diameter setinggi dada mulai dari 5,5 cm – 108 cm. Jumlah biomassa pada plot 3

sebanyak 73,464 Ton/Piksel dan cadangan karbon sebanyak 33,793 Ton/Piksel.

Jumlah biomassa dan cadangan karbon untuk kerapatan sedang dihitung

dengan menggunakan 3 plot sampel dengan luas plot 1 piksel. Plot 1 diambil pada

lokasi 122o5’39,5” dan 4o30’37,6”, terdapat 52 individu tanaman mangrove

dengan diameter batang setinggi dada mulai dari 5,5 cm – 49 cm. Dari hasil

perhitungan, diketahui jumlah biomassa pada plot 1 sebanyak 17,989 Ton/Piksel

dan cadangan karbon sebanyak 8,275 Ton/Piksel. Plot 2 ditandai pada lokasi
 43

122o5’11,2” dan 4o31’8,9”. Pada plot 2 terdapat 61 individu tanaman mangrove

dengan diameter setinggi dada mulai dari 6 cm – 31 cm. Jumlah biomassa pada

plot 2 sebanyak 10,150 Ton/Piksel dan cadangan karbon sebanyak 4,669 Ton/

Piksel. Lokasi plot 3 adalah 122o4’11,7” dan 4o32’22,1”. Lokasi plot 3 terdapat 56

individu tanaman mangrove dengan diameter setinggi dada mulai dari 5,5 cm –

103,5 cm. Jumlah biomassa pada plot 3 sebanyak 50,433 Ton/Piksel dan cadangan

karbon sebanyak 23,199 Ton/Piksel.

Jumlah biomassa dan cadangan karbon untuk kerapatan rendah dihitung

dengan menggunakan 1 plot sampel dengan luas plot 1 piksel. Plot sampel dengan

indeks vegetasi kerapatan rendah diambil pada lokasi 122 o5’24,8” dan 4o30’14,8”,

terdapat 28 individu tanaman mangrove dengan diameter batang setinggi dada

mulai dari 6,5 cm – 36 cm. Dari hasil perhitungan, diketahui jumlah biomassa

pada plot 1 sebanyak 7,497 Ton/Piksel dan cadangan karbon sebanyak 3,449

Ton/Piksel.

Total perhitungan biomassa dan cadangan karbon berdasarkan hasil

perhitungan data lapangan ditiap kerapatan vegetasi dapat dilihat pada tabel 11.

Tabel 11. Total Biomassa dan Cadangan Karbon Perhitungan Data Lapangan
Kelas Kerapatan Vegetasi Biomassa (Ton/Piksel) Cadangan Karbon (Ton/Piksel)
Tinggi 383,344 176,317
Sedang 78,572 36,143
Rendah 7,497 3,449
Sumber: Hasil analisis data (2018)

Dapat dilihat pada tabel 8 dan 9 tentang biomassa dan cadangan karbon

bahwa setiap plot sampel memiliki jumlah biomassa dan cadangan karbon yang

berbeda-beda. Untuk kerapatan vegetasi tinggi, kandungan biomassa dan

cadangan karbon terbesar sampai terkecil pada masing-masing plot adalah plot 2
 44

kemudian plot 1 lalu plot 3. Untuk kerapatan vegetasi sedang, kandungan

biomassa dan cadangan karbon terbesar sampai terkecil pada masing-masing plot

sampel adalah plot 3 kemudian plot 1 lalu plot 2. Sedangkan untuk kerapatan

vegetasi rendah hanya menggunakan 1 plot sampel.

Perbedaan jumlah biomassa dan cadangan karbon ini disebabkan oleh

jumlah individu yang terdapat pada masing-masing plot sampel. Selain jumlah

individu, jumlah biomassa dan cadangan karbon juga dipengaruhi oleh nilai

diameter pada masing-masing individu tanaman mangrove pada plot sampel.

Kondisi tanah secara tidak langsung juga mempengaruhi jumlah biomassa dan

cadangan karbon. Jumlah biomassa dan cadangan karbon jauh lebih banyak jika

kondisi kesuburan tanahnya baik. Biomassa dan cadangan karbon terbesar pada

tanaman mangrove terdapat pada batang karena pada batang tanaman mangrove

terdapat lebih banyak lignin atau salah satu sel pembentuk kayu yang

mengandung karbon. Jumlah kayu pada batang lebih banyak dibandingkan pada

cabang atau ranting sehingga jumlah karbon yang tersimpan pada batang jauh

lebih banyak dibanding cabang atau ranting.

2. Sebaran Biomassa dan Cadangan Karbon

Biomassa yang terdapat dikawasan ekosistem mangrove TNRAW

keseluruhan masing-masing adalah 5.180.723,480 Ton untuk kerapatan vegetasi

tinggi, 219.204,618 Ton untuk kerapatan vegetasi sedang dan 134,421 Ton untuk

kerapatan vegetasi rendah. Sedangkan cadangan karbonnya adalah 2.383.132,800

Ton untuk kerapatan tinggi, 100.834,124 Ton untuk kerapatan sedang dan 61,833

Ton untuk kerapatan rendah. Nilai biomassa ini didapat dengan mengalikan
 45

jumlah rata-rata biomassa hasil pengukuran lapangan dengan luas areal

keseluruhan dari setiap kelas kerapatan vegetasi. Total biomassa dan cadangan

karbon kawasan ekosistem mangrove TNRAW dapat dilihat pada tabel 12.

Tabel 12. Total Biomassa dan Cadangan Karbon Ekosistem Mangrove

Kelas Kerapatan vegetasi Biomassa (Ton) Cadangan Karbon (Ton)
Tinggi 5.180.723,480 2.383.132,800
Sedang 219.204,618 100.834,124
Rendah 134,421 61,833
Sumber: Hasil analisis data (2018)

Biomassa dan cadangan karbon tiap-tiap kelas kerapatan vegetasi tersebar

diseluruh kawasan ekosistem mangrove TNRAW secara acak. Disebelah utara

atau kawasan ekosistem mangrove yang masih termasuk dalam wilayah

administrasi Kabupaten Konawe Selatan, sebaran biomassa dan cadangan karbon

untuk kelas kerapatan tinggi lebih banyak jika dibandingkan dengan kelas

kerapatan sedang. Sedangkan untuk wilayah selatan atau kawasan ekosistem

mangrove yang masih termasuk dalam wilayah administrasi Kabupaten Bombana,

sebaran biomassa dan cadangan karbon untuk kerapatan tinggi lebih banyak jika

dibandingkan dengan kelas kerapatan sedang dan rendah namun memiliki rasio

perbandingan yang lebih kecil apabila dibandingkan dengan sebaran biomassa dan

cadangan karbon dibagian utara. Gambaran sebaran biomassa dan cadangan

karbon kelas kerapatan vegetasi tinggi dapat dilihat pada gambar 8, sebaran

biomassa dan cadangan karbon kelas kerapatan vegetasi sedang pada gambar 9

dan gambar 10 untuk sebaran biomassa dan cadangan karbon kerapatan vegetasi

rendah.
Gambar 8. Peta Sebaran Biomassa Kerapatan Vegetasi Tinggi

46
Gambar 8. Peta Sebaran Biomassa Kerapatan Vegetasi Sedang

47
Gambar 8. Peta Sebaran Biomassa Kerapatan Vegetasi Rendah

48
 49

3. Uji Korelasi

Korelasi merupakan salah satu teknik analisis dalam statistik yang

digunakan untuk mencari hubungan antara dua variabel yang bersifat kuantitatif.

Hubungan dua variabel tersebut dapat terjadi karena adanya hubungan sebab

akibat atau dapat pula terjadi karena kebetulan saja. Dua variabel dikatakan

berkorelasi apabila perubahan pada variabel yang satu akan diikuti perubahan

pada variabel yang lain secara teratur dengan arah yang sama (korelasi positif)

atau berlawanan arah (korelasi negatif).

Korelasi sebagai sebuah analisis memiliki berbagai jenis menurut

tingkatannya. Beberapa tingkatan korelasi yang telah dikenal selama ini antara

lain adalah korelasi sederhana, korelasi parsial dan korelasi ganda. Korelasi

sederhana merupakan suatu teknik statistik yang dipergunakan untuk mengukur

kekuatan hubungan antara dua variabel dan juga untuk dapat mengetahui bentuk

hubungan keduanya dengan hasil yang bersifat kuantitatif. Korelasi parsial adalah

suatu metode pengukuran keeratan hubungan antara variabel bebas dan variabel

tidak bebas dengan mengontrol salah satu variabel bebas untuk melihat korelasi

natural antara variabel yang tidak terkontrol. Korelasi ganda adalah bentuk

korelasi yang digunakan untuk melihat hubungan antara tiga variabel atau lebih

variabel.

Nilai korelasi berkisar antara (-1) – 1, nilai mendekati -1 atau mendekati 1

berarti hubungan antara dua variabel semakin kuat. Sebaliknya, jika nilai

mendekati nol berarti hubungan antara dua varibel semakin lemah. Nilai positif
 50

menunjukkan hubungan searah (x naik, maka y naik) sementara nilai negatif

menunjukkan hubungan terbalik (x naik, maka y turun).

Korelasi yang digunakan pada penelitian ini adalah korelasi sederhana untuk

melihat kekuatan hubungan hasil perhitungan biomassa berdasarkan persamaan 4

dengan hasil perhitungan biomassa berdasarkan hasil konversi persamaan regresi

untuk estimasi biomassa yang diteliti oleh Willy Margaretha pada tahun 2013

yaitu:

Biomassa = (NDVI – 0,5274) / 0,1663) (5)

Variabel yang digunakan adalah nilai biomassa dari kedua persamaan

tersebut. Uji korelasi dua variabel tersebut, dilakukan dengan menggunakan

aplikasi microsoft office excel pada setiap plot sampel masing-masing indeks

kerapatan vegetasi dengan persamaan 6.

(=CORREL(array1;array2)) (6)

Hasil uji korelasi dari variabel tersebut adalah 0,71 yang berarti kedua

variabel menunjukkan korelasi kuat.

 V. KESIMPULAN DAN SARAN

A. Kesimpulan

Kesimpulan yang dapat diambil dari penelitian ini adalah:

1) Sebaran ekosistem mangrove di Taman Nasional Rawa Aopa Watumohai

(TNRAW) teridentifikasi sebesar 0,63 Ha kerapatan vegetasi rendah, 759,87

Ha kerapatan vegetasi sedang dan 3.685,23 Ha kerapatan vegetasi tinggi.

2) Total biomassa yang ada dikawasan ekosistem mangrove di Taman Nasional

Rawa Aopa Watumohai (TNRAW) adalah 5.400.062,52 Ton dan cadangan

karbon sebesar 2.484.028,76 Ton.

B. Saran

Setelah menyelesaikan penelitian ini, peneliti ingin memberikan beberapa

saran sebagai berikut:

1) Perlu dilakukan penelitian lebih lanjut untuk mengembangkan persamaan

alometrik perhitungan biomassa dan cadangan karbon dikawasan ekosistem

mangrove dengan menggunakan Citra Landsat 8.

2) Pemilihan citra satelit sangat mempengaruhi tingkat ketelitian dalam

menghitung jumlah biomassa dan cadangan karbon melalui teknologi

penginderaan jauh. Semakin kecil resolusi spasial citra yang digunakan maka

tingkat ketelitian hasil perhitungan semakin tinggi dan sebaliknya, semakin

besar resolusi spasial citra yang digunakan maka tingkat ketelitian hasil

perhitungan semakin rendah.

51
 DAFTAR PUSTAKA

Anaya, J.S.A., Chuvieco, E., 2009, Aboveground Biomass Assessment in

Colombia: A Remote Sensing Approach, Forest Ecology and Management,
257:1237-1246.

Brown, S., 1997, Estimating Biomass and BiomassChange of Tropical Forest.

Forestry Paper 134 FAO, USA.

Campbell, J.B., 2002, Introduction to Remote Sensing, The Guilford Press, New
York.

Danoedoro, P., 1996, Pengolahan Citra Digital: Teori dan Aplikasinya dalam
Bidang Penginderaan Jauh, Fakultas Geografi Universitas Gajah Mada,
Yogyakarta.

Danoedoro, P., 2012, Pengantar Penginderaan Jauh Digital, Penerbit Andi,

Yogyakarta.

Gitelson, A.A., Kaufman, Y.J., Stark, R.R.D., 2002, Novel Algorithms for
Estimation of Vegetation Fraction, Remote Sensing of Environment,
80:76-87.

Hairiah, K., Murdiyarso, D., 2007, Alih Guna Lahan dan Neraca Karbon
Teresterial, World Agroforestry Centre ICRAF Southeast Asia Regional
Office.

Hairiah, K., Rahayu, S., 2007, Pengukuran Karbon Tersimpan di Berbagai

Macam Penggunaan Lahan, World Agroforestry Centre ICRAF Southeast
Asia Regional Office.

IPCC., 2007, The Fourth Assessment Report Climate Change, IPCC.

Jaya, I.N.S., 2010, Analisis Citra Digital: Perspektif Penginderaan Jauh Untuk
Pengelolaan Sumber Daya Alam, Fakultas Kehutanan Institut Pertanian
Bogor, Bogor.

Jensen, J.R., 1986, Introductory Digital Image Processing: A Remote Sensing

Perspective, Pearson Pentice Hall, New Jersey.

Kamal. M., 2010, Panduan Tutorial dan Analisis Citra Digital, Fakultas Geografi
Universitas Gajah Mada, Yogyakarta.

Kaufman, Y.J., Tanre, D., 1992, Atmospherically Resistant Vegetation Index

(ARVI) for EOS-MODIS, IEEE Transaction on Geoscience and Remote
Sensing, 30(2):261-270.
 53

Ketterings, Q.M., Coe, R., Norwijk, M.V., Ambagu, Y., Palm, C.A., 2001,
Reducing Uncertainty In The Use of Allometric Biomass Equation For
Predicting Aboveground Tree Biomass In Mixed Secondary Forests, Forest
Ecology and Management, 120:199-209.

Lillesan, T.M,, Kiefer, R.W., 1990, Penginderaan Jauh dan Interpretasi Citra,
Gajah Mada University Press, Yogyakarta.

Liu, G.R., Liang, C.K., Kuo, T.H., Huang, S.J., 2004, Comparison of the NDVI,
ARVI and AFRI Vegetation Index, Along with Their Relation with the AOD
using SPOT4 Vegetation Data, TAO, (15):15-31.

Margaretha, E.W., 2013, Estimasi Cadangan Karbon VegetasiTegakandi Kota

Yogyakarta DanSekitarnya Berbasis Alos Avnir-2, Fakultas Geografi
Universitas Gajah Mada, Yogyakarta.

McCoy., 2005,Field Methods in Remote Sensing, The Guilford Press.

Murti., Sgit, H.B.S., Sutanto., Sinaga, M., 2002, Koreksi Pengaruh Lereng
Terhadap Nilai Spektral Tanaman Karet pada Citra Landsat Thematic
Mapper, Technosains, 15(3):435-447.

Qi, J., Chehbouni, A., 1994, A Modified Soil Adjusted Vegetation Index, Remote
Sensing Enviroment, 48: 119-126.

Ren, Y., Wei, X., 2011, Relationship between vegetation carbon storage and
urbanization: A case study of Xiamen, China, Forest Ecology and
Management, 261:1214-1223.

Steininger, M.K., 2000, Satellite Estimation of Tropical secondary Forest

Aboveground Biomass : Data From Brazil and Bolivia, International
Journal Remote Sensing, 21(6):1139-1157.

Sutaryo, D., 2009, Penghitungan Biomasa: Sebuah pengantar untuk studi karbon
dan perdagangan karbon, Wetlands International Indonesia Programme.

Suwargana, N., 2013, Resolusi Spasial, Temporal dan Spektral Pada Citra Satelit
Landsat, Spot dan Ikonos, Jurnal Ilmiah Widya, 1 (2):167-174.

Thoha, A.S., 2008, Karakteristik Citra Satelit, Fakultas Pertanian Universitas

Sumatera Utara, Medan.

United States Geological Survey [USGS], 2014, Landsat 8 OLI (Operational Land
Imager) and TIRS (Thermal Infrared Sensor), http://landsat.usgs.gov (akses
tanggal 5 November 2017).
 54

Wicaksono, P., Danoedoro, P., Hartono., Nehren, U., Ribble, L., 2011,
Prelimenary Work of Mangrove Ecosystem Carbon Stock Mapping in Small
Islands Using Remote Sensing: Above and Below Ground Carbon Stock
Mapping on Medium Resolution Satellite Image. Remote Sensing for
Agriculture, Ecosystems and Hydrology (XIII).
 56

Lampiran 1. Citra Landsat 8

Metadata:

"Image courtesy of the U.S. Geological Survey"

Landsat Scene Id = "LC81130632018236LGN00"

File Date = 2018-08-29

 57

Lampiran 2. Perhitungan Biomassa dan Cadangan Karbon

Plot 1. Kerapatan Vegetasi Tinggi
Koordinat = 12205’24,8” dan 4030’14,8”
Biomassa = 135,997 Ton/Piksel
Cadangan Karbon = 62,559 Ton/Piksel

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

1 27,000 13,500 96,245 0,096
2 88,000 44,000 1884,002 1,884
3 32,000 16,000 155,842 0,156
4 31,000 15,500 142,681 0,143
5 84,000 42,000 1695,978 1,696
6 30,000 15,000 130,140 0,130
7 29,000 14,500 118,221 0,118
8 240,000 120,000 16391,490 16,391
9 79,000 39,500 1474,921 1,475
10 43,000 21,500 341,605 0,342
11 90,000 45,000 1981,740 1,982
12 82,000 41,000 1605,692 1,606
13 63,000 31,500 871,865 0,872
14 41,000 20,500 302,241 0,302
15 40,000 20,000 283,490 0,283
16 57,000 28,500 686,705 0,687
17 52,000 26,000 549,482 0,549
18 30,000 15,000 130,140 0,130
19 123,000 61,500 3953,045 3,953
20 178,000 89,000 8741,372 8,741
21 95,000 47,500 2236,953 2,237
22 64,000 32,000 904,898 0,905
23 73,000 36,500 1230,145 1,230
24 28,000 14,000 106,922 0,107
25 25,000 12,500 76,753 0,077
26 19,000 9,500 33,181 0,033
27 16,000 8,000 19,778 0,020
28 21,000 10,500 45,221 0,045
29 36,000 18,000 214,698 0,215
30 84,000 42,000 1695,978 1,696
 58

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

31 142,000 71,000 5394,812 5,395
32 209,000 104,500 12268,041 12,268
33 26,000 13,000 86,188 0,086
34 38,000 19,000 247,852 0,248
35 73,000 36,500 1230,145 1,230
36 26,000 13,000 86,188 0,086
37 25,000 12,500 76,753 0,077
38 28,000 14,000 106,922 0,107
39 21,000 10,500 45,221 0,045
40 17,000 8,500 23,625 0,024
41 53,000 26,500 575,685 0,576
42 72,000 36,000 1191,522 1,192
43 19,000 9,500 33,181 0,033
44 102,000 51,000 2620,332 2,620
45 52,000 26,000 549,482 0,549
46 37,000 18,500 230,965 0,231
47 19,000 9,500 33,181 0,033
48 32,000 16,000 155,842 0,156
49 59,000 29,500 745,941 0,746
50 67,000 33,500 1007,725 1,008
51 52,000 26,000 549,482 0,549
52 11,000 5,500 9,860 0,010
53 21,000 10,500 45,221 0,045
54 79,000 39,500 1474,921 1,475
55 98,000 49,000 2397,532 2,398
56 53,000 26,500 575,685 0,576
57 24,000 12,000 67,938 0,068
58 27,000 13,500 96,245 0,096
59 29,000 14,500 118,221 0,118
60 12,000 6,000 10,602 0,011
61 41,000 20,500 302,241 0,302
62 26,000 13,000 86,188 0,086
63 83,000 41,500 1650,525 1,651
64 75,000 37,500 1309,253 1,309
65 216,000 108,000 13146,978 13,147
66 25,000 12,500 76,753 0,077
67 24,000 12,000 67,938 0,068
68 24,000 12,000 67,938 0,068
 59

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

69 28,000 14,000 106,922 0,107
70 31,000 15,500 142,681 0,143
71 53,000 26,500 575,685 0,576
72 54,000 27,000 602,508 0,603
73 52,000 26,000 549,482 0,549
74 17,000 8,500 23,625 0,024
75 83,000 41,500 1650,525 1,651
76 81,000 40,500 1561,481 1,561
77 15,000 7,500 16,553 0,017
78 14,000 7,000 13,948 0,014
79 19,000 9,500 33,181 0,033
80 28,000 14,000 106,922 0,107
81 20,000 10,000 38,890 0,039
82 11,000 5,500 9,860 0,010
83 21,000 10,500 45,221 0,045
84 46,000 23,000 405,308 0,405
85 72,000 36,000 1191,522 1,192
86 13,000 6,500 11,965 0,012
87 52,000 26,000 549,482 0,549
88 61,000 30,500 807,661 0,808
89 64,000 32,000 904,898 0,905
90 52,000 26,000 549,482 0,549
91 51,000 25,500 523,901 0,524
92 82,000 41,000 1605,692 1,606
93 109,000 54,500 3034,141 3,034
94 22,000 11,000 52,172 0,052
95 31,000 15,500 142,681 0,143
96 78,000 39,000 1432,572 1,433
97 72,000 36,000 1191,522 1,192
98 70,000 35,000 1116,140 1,116
99 17,000 8,500 23,625 0,024
100 19,000 9,500 33,181 0,033
101 38,000 19,000 247,852 0,248
102 67,000 33,500 1007,725 1,008
103 52,000 26,000 549,482 0,549
104 17,000 8,500 23,625 0,024
105 79,000 39,500 1474,921 1,475
106 75,000 37,500 1309,253 1,309
 60

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

107 102,000 51,000 2620,332 2,620
108 27,000 13,500 96,245 0,096
109 28,000 14,000 106,922 0,107
110 90,000 45,000 1981,740 1,982
111 12,000 6,000 10,602 0,011
112 65,000 32,500 938,553 0,939
113 76,000 38,000 1349,738 1,350
114 35,000 17,500 199,053 0,199
115 12,000 6,000 10,602 0,011
116 129,000 64,500 4384,121 4,384
117 89,000 44,500 1932,561 1,933
118 87,000 43,500 1836,065 1,836

Plot 2. Kerapatan Vegetasi Tinggi

Koordinat = 122013’46,4” dan 4050’30,7”
Biomassa = 173,837 Ton/Piksel
Cadangan Karbon = 79,965 Ton/Piksel

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

1 76,000 38,000 1349,738 1,350
2 69,000 34,500 1079,381 1,079
3 72,000 36,000 1191,522 1,192
4 80,000 40,000 1517,890 1,518
5 78,000 39,000 1432,572 1,433
6 79,000 39,500 1474,921 1,475
7 56,000 28,000 658,018 0,658
8 52,000 26,000 549,482 0,549
9 30,000 15,000 130,140 0,130
10 24,000 12,000 67,938 0,068
11 54,000 27,000 602,508 0,603
12 108,000 54,000 2973,162 2,973
13 231,000 115,500 15132,881 15,133
14 90,000 45,000 1981,740 1,982
15 94,000 47,000 2184,668 2,185
16 118,000 59,000 3610,892 3,611
17 207,000 103,500 12022,505 12,023
18 87,000 43,500 1836,065 1,836
 61

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

19 14,000 7,000 13,948 0,014
20 12,000 6,000 10,602 0,011
21 65,000 32,500 938,553 0,939
22 90,000 45,000 1981,740 1,982
23 67,000 33,500 1007,725 1,008
24 83,000 41,500 1650,525 1,651
25 98,000 49,000 2397,532 2,398
26 12,000 6,000 10,602 0,011
27 98,000 49,000 2397,532 2,398
28 68,000 34,000 1043,242 1,043
29 15,000 7,500 16,553 0,017
30 18,000 9,000 28,092 0,028
31 133,000 66,500 4683,925 4,684
32 60,000 30,000 776,490 0,776
33 98,000 49,000 2397,532 2,398
34 32,000 16,000 155,842 0,156
35 25,000 12,500 76,753 0,077
36 29,000 14,500 118,221 0,118
37 52,000 26,000 549,482 0,549
38 37,000 18,500 230,965 0,231
39 19,000 9,500 33,181 0,033
40 32,000 16,000 155,842 0,156
41 59,000 29,500 745,941 0,746
42 67,000 33,500 1007,725 1,008
43 52,000 26,000 549,482 0,549
44 11,000 5,500 9,860 0,010
45 21,000 10,500 45,221 0,045
46 79,000 39,500 1474,921 1,475
47 98,000 49,000 2397,532 2,398
48 53,000 26,500 575,685 0,576
49 24,000 12,000 67,938 0,068
50 27,000 13,500 96,245 0,096
51 56,000 28,000 658,018 0,658
52 58,000 29,000 716,012 0,716
53 58,000 29,000 716,012 0,716
54 81,000 40,500 1561,481 1,561
55 108,000 54,000 2973,162 2,973
56 53,000 26,500 575,685 0,576
 62

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

57 40,000 20,000 283,490 0,283
58 290,000 145,000 24299,740 24,300
59 67,000 33,500 1007,725 1,008
60 165,000 82,500 7440,053 7,440
61 78,000 39,000 1432,572 1,433
62 77,000 38,500 1390,845 1,391
63 77,000 38,500 1390,845 1,391
64 76,000 38,000 1349,738 1,350
65 54,000 27,000 602,508 0,603
66 97,000 48,500 2343,385 2,343
67 66,000 33,000 972,828 0,973
68 27,000 13,500 96,245 0,096
69 88,000 44,000 1884,002 1,884
70 32,000 16,000 155,842 0,156
71 31,000 15,500 142,681 0,143
72 84,000 42,000 1695,978 1,696
73 30,000 15,000 130,140 0,130
74 29,000 14,500 118,221 0,118
75 240,000 120,000 16391,490 16,391
76 79,000 39,500 1474,921 1,475
77 43,000 21,500 341,605 0,342
78 90,000 45,000 1981,740 1,982
79 82,000 41,000 1605,692 1,606
80 63,000 31,500 871,865 0,872
81 41,000 20,500 302,241 0,302
82 40,000 20,000 283,490 0,283
83 57,000 28,500 686,705 0,687
84 52,000 26,000 549,482 0,549
85 30,000 15,000 130,140 0,130
86 123,000 61,500 3953,045 3,953
87 178,000 89,000 8741,372 8,741
88 95,000 47,500 2236,953 2,237
89 64,000 32,000 904,898 0,905
90 73,000 36,500 1230,145 1,230
91 28,000 14,000 106,922 0,107
92 32,000 16,000 155,842 0,156
93 18,000 9,000 28,092 0,028
94 40,000 20,000 283,490 0,283
 63

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

95 14,000 7,000 13,948 0,014
96 34,000 17,000 184,028 0,184

Plot 3. Kerapatan Vegetasi Tinggi

Koordinat = 12204’40,8” dan 4031’18,6”
Biomassa = 73,464 Ton/Piksel
Cadangan Karbon = 33,793 Ton/Piksel

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

1 26,000 13,000 86,188 0,086
2 38,000 19,000 247,852 0,248
3 73,000 36,500 1230,145 1,230
4 26,000 13,000 86,188 0,086
5 25,000 12,500 76,753 0,077
6 28,000 14,000 106,922 0,107
7 21,000 10,500 45,221 0,045
8 17,000 8,500 23,625 0,024
9 53,000 26,500 575,685 0,576
10 72,000 36,000 1191,522 1,192
11 19,000 9,500 33,181 0,033
12 109,000 54,500 3034,141 3,034
13 52,000 26,000 549,482 0,549
14 37,000 18,500 230,965 0,231
15 19,000 9,500 33,181 0,033
16 32,000 16,000 155,842 0,156
17 59,000 29,500 745,941 0,746
18 67,000 33,500 1007,725 1,008
19 52,000 26,000 549,482 0,549
20 11,000 5,500 9,860 0,010
21 21,000 10,500 45,221 0,045
22 79,000 39,500 1474,921 1,475
23 98,000 49,000 2397,532 2,398
24 53,000 26,500 575,685 0,576
25 24,000 12,000 67,938 0,068
26 27,000 13,500 96,245 0,096
27 29,000 14,500 118,221 0,118
28 12,000 6,000 10,602 0,011
 64

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

29 41,000 20,500 302,241 0,302
30 26,000 13,000 86,188 0,086
31 83,000 41,500 1650,525 1,651
32 75,000 37,500 1309,253 1,309
33 216,000 108,000 13146,978 13,147
34 25,000 12,500 76,753 0,077
35 24,000 12,000 67,938 0,068
36 24,000 12,000 67,938 0,068
37 28,000 14,000 106,922 0,107
38 31,000 15,500 142,681 0,143
39 53,000 26,500 575,685 0,576
40 54,000 27,000 602,508 0,603
41 52,000 26,000 549,482 0,549
42 17,000 8,500 23,625 0,024
43 83,000 41,500 1650,525 1,651
44 81,000 40,500 1561,481 1,561
45 15,000 7,500 16,553 0,017
46 14,000 7,000 13,948 0,014
47 19,000 9,500 33,181 0,033
48 28,000 14,000 106,922 0,107
49 20,000 10,000 38,890 0,039
50 11,000 5,500 9,860 0,010
51 21,000 10,500 45,221 0,045
52 46,000 23,000 405,308 0,405
53 72,000 36,000 1191,522 1,192
54 13,000 6,500 11,965 0,012
55 52,000 26,000 549,482 0,549
56 61,000 30,500 807,661 0,808
57 64,000 32,000 904,898 0,905
58 87,000 43,500 1836,065 1,836
59 14,000 7,000 13,948 0,014
60 12,000 6,000 10,602 0,011
61 65,000 32,500 938,553 0,939
62 90,000 45,000 1981,740 1,982
63 67,000 33,500 1007,725 1,008
64 83,000 41,500 1650,525 1,651
65 98,000 49,000 2397,532 2,398
66 12,000 6,000 10,602 0,011
 65

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

67 98,000 49,000 2397,532 2,398
68 68,000 34,000 1043,242 1,043
69 15,000 7,500 16,553 0,017
70 18,000 9,000 28,092 0,028
71 133,000 66,500 4683,925 4,684
72 60,000 30,000 776,490 0,776
73 98,000 49,000 2397,532 2,398
74 32,000 16,000 155,842 0,156
75 25,000 12,500 76,753 0,077
76 29,000 14,500 118,221 0,118
77 52,000 26,000 549,482 0,549
78 37,000 18,500 230,965 0,231
79 19,000 9,500 33,181 0,033
80 32,000 16,000 155,842 0,156
81 59,000 29,500 745,941 0,746
82 67,000 33,500 1007,725 1,008
83 52,000 26,000 549,482 0,549
84 11,000 5,500 9,860 0,010
85 21,000 10,500 45,221 0,045
86 79,000 39,500 1474,921 1,475
87 98,000 49,000 2397,532 2,398
88 21,000 10,500 45,221 0,045
89 29,000 14,500 118,221 0,118
90 28,000 14,000 106,922 0,107
91 34,000 17,000 184,028 0,184
92 21,000 10,500 45,221 0,045
93 38,000 19,000 247,852 0,248
94 36,000 18,000 214,698 0,215
95 42,000 21,000 321,612 0,322
96 12,000 6,000 10,602 0,011
97 19,000 9,500 33,181 0,033
98 62,000 31,000 839,452 0,839
99 54,000 27,000 602,508 0,603
100 21,000 10,500 45,221 0,045
101 30,000 15,000 130,140 0,130
102 31,000 15,500 142,681 0,143
103 52,000 26,000 549,482 0,549
104 34,000 17,000 184,028 0,184
 66

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

105 20,000 10,000 38,890 0,039

Plot 1. Kerapatan Vegetasi Sedang

Koordinat = 12205’39,5” dan 4030’37,6”
Biomassa = 17,989 Ton/Piksel
Cadangan Karbon = 8,275 Ton/Piksel

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

1 21,000 10,500 45,221 0,045
2 27,000 13,500 96,245 0,096
3 12,000 6,000 10,602 0,011
4 68,000 34,000 1043,242 1,043
5 65,000 32,500 938,553 0,939
6 43,000 21,500 341,605 0,342
7 12,000 6,000 10,602 0,011
8 14,000 7,000 13,948 0,014
9 32,000 16,000 155,842 0,156
10 23,000 11,500 59,745 0,060
11 26,000 13,000 86,188 0,086
12 38,000 19,000 247,852 0,248
13 73,000 36,500 1230,145 1,230
14 26,000 13,000 86,188 0,086
15 25,000 12,500 76,753 0,077
16 28,000 14,000 106,922 0,107
17 21,000 10,500 45,221 0,045
18 17,000 8,500 23,625 0,024
19 53,000 26,500 575,685 0,576
20 72,000 36,000 1191,522 1,192
21 19,000 9,500 33,181 0,033
22 32,000 16,000 155,842 0,156
23 59,000 29,500 745,941 0,746
24 67,000 33,500 1007,725 1,008
25 52,000 26,000 549,482 0,549
26 11,000 5,500 9,860 0,010
27 21,000 10,500 45,221 0,045
28 79,000 39,500 1474,921 1,475
29 98,000 49,000 2397,532 2,398
 67

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

30 53,000 26,500 575,685 0,576
31 24,000 12,000 67,938 0,068
32 27,000 13,500 96,245 0,096
33 56,000 28,000 658,018 0,658
34 21,000 10,500 45,221 0,045
35 38,000 19,000 247,852 0,248
36 36,000 18,000 214,698 0,215
37 42,000 21,000 321,612 0,322
38 12,000 6,000 10,602 0,011
39 19,000 9,500 33,181 0,033
40 62,000 31,000 839,452 0,839
41 54,000 27,000 602,508 0,603
42 21,000 10,500 45,221 0,045
43 30,000 15,000 130,140 0,130
44 31,000 15,500 142,681 0,143
45 52,000 26,000 549,482 0,549
46 34,000 17,000 184,028 0,184
47 20,000 10,000 38,890 0,039
48 22,000 11,000 52,172 0,052
49 31,000 15,500 142,681 0,143
50 29,000 14,500 118,221 0,118
51 20,000 10,000 38,890 0,039
52 18,000 9,000 28,092 0,028

Plot 2. Kerapatan Vegetasi Sedang

Koordinat = 12205’11,2 dan 4031’8,9”
Biomassa = 10,150 Ton/Piksel
Cadangan Karbon = 4,669 Ton/Piksel

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

1 32,000 16,000 155,842 0,156
2 31,000 15,500 142,681 0,143
3 28,000 14,000 106,922 0,107
4 24,000 12,000 67,938 0,068
5 23,000 11,500 59,745 0,060
6 23,000 11,500 59,745 0,060
7 28,000 14,000 106,922 0,107
8 19,000 9,500 33,181 0,033
 68

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

9 19,000 9,500 33,181 0,033
10 17,000 8,500 23,625 0,024
11 21,000 10,500 45,221 0,045
12 35,000 17,500 199,053 0,199
13 53,000 26,500 575,685 0,576
14 24,000 12,000 67,938 0,068
15 27,000 13,500 96,245 0,096
16 56,000 28,000 658,018 0,658
17 21,000 10,500 45,221 0,045
18 38,000 19,000 247,852 0,248
19 36,000 18,000 214,698 0,215
20 42,000 21,000 321,612 0,322
21 12,000 6,000 10,602 0,011
22 19,000 9,500 33,181 0,033
23 62,000 31,000 839,452 0,839
24 54,000 27,000 602,508 0,603
25 21,000 10,500 45,221 0,045
26 30,000 15,000 130,140 0,130
27 31,000 15,500 142,681 0,143
28 52,000 26,000 549,482 0,549
29 34,000 17,000 184,028 0,184
30 20,000 10,000 38,890 0,039
31 22,000 11,000 52,172 0,052
32 31,000 15,500 142,681 0,143
33 29,000 14,500 118,221 0,118
34 20,000 10,000 38,890 0,039
35 18,000 9,000 28,092 0,028
36 21,000 10,500 45,221 0,045
37 23,000 11,500 59,745 0,060
38 23,000 11,500 59,745 0,060
39 24,000 12,000 67,938 0,068
40 36,000 18,000 214,698 0,215
41 34,000 17,000 184,028 0,184
42 23,000 11,500 59,745 0,060
43 54,000 27,000 602,508 0,603
44 32,000 16,000 155,842 0,156
45 17,000 8,500 23,625 0,024
46 32,000 16,000 155,842 0,156
 69

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

47 31,000 15,500 142,681 0,143
48 52,000 26,000 549,482 0,549
49 34,000 17,000 184,028 0,184
50 20,000 10,000 38,890 0,039
51 22,000 11,000 52,172 0,052
52 31,000 15,500 142,681 0,143
53 29,000 14,500 118,221 0,118
54 20,000 10,000 38,890 0,039
55 18,000 9,000 28,092 0,028
56 42,000 21,000 321,612 0,322
57 32,000 16,000 155,842 0,156
58 21,000 10,500 45,221 0,045
59 31,000 15,500 142,681 0,143
60 23,000 11,500 59,745 0,060
61 40,000 20,000 283,490 0,283

Plot 3. Kerapatan Vegetasi Sedang

Koordinat = 12204’11,7 dan 4032’22,1”
Biomassa = 50,443 Ton/Piksel
Cadangan Karbon = 23,199 Ton/Piksel

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

1 90,000 45,000 1981,740 1,982
2 94,000 47,000 2184,668 2,185
3 118,000 59,000 3610,892 3,611
4 207,000 103,500 12022,505 12,023
5 87,000 43,500 1836,065 1,836
6 14,000 7,000 13,948 0,014
7 12,000 6,000 10,602 0,011
8 65,000 32,500 938,553 0,939
9 90,000 45,000 1981,740 1,982
10 67,000 33,500 1007,725 1,008
11 83,000 41,500 1650,525 1,651
12 98,000 49,000 2397,532 2,398
13 12,000 6,000 10,602 0,011
14 98,000 49,000 2397,532 2,398
15 68,000 34,000 1043,242 1,043
 70

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

16 15,000 7,500 16,553 0,017
17 18,000 9,000 28,092 0,028
18 19,000 9,500 33,181 0,033
19 32,000 16,000 155,842 0,156
20 59,000 29,500 745,941 0,746
21 67,000 33,500 1007,725 1,008
22 52,000 26,000 549,482 0,549
23 11,000 5,500 9,860 0,010
24 21,000 10,500 45,221 0,045
25 79,000 39,500 1474,921 1,475
26 98,000 49,000 2397,532 2,398
27 53,000 26,500 575,685 0,576
28 24,000 12,000 67,938 0,068
29 27,000 13,500 96,245 0,096
30 29,000 14,500 118,221 0,118
31 12,000 6,000 10,602 0,011
32 41,000 20,500 302,241 0,302
33 26,000 13,000 86,188 0,086
34 83,000 41,500 1650,525 1,651
35 75,000 37,500 1309,253 1,309
36 54,000 27,000 602,508 0,603
37 52,000 26,000 549,482 0,549
38 17,000 8,500 23,625 0,024
39 83,000 41,500 1650,525 1,651
40 81,000 40,500 1561,481 1,561
41 15,000 7,500 16,553 0,017
42 14,000 7,000 13,948 0,014
43 19,000 9,500 33,181 0,033
44 28,000 14,000 106,922 0,107
45 20,000 10,000 38,890 0,039
46 11,000 5,500 9,860 0,010
47 21,000 10,500 45,221 0,045
48 46,000 23,000 405,308 0,405
49 72,000 36,000 1191,522 1,192
50 13,000 6,500 11,965 0,012
51 20,000 10,000 38,890 0,039
52 22,000 11,000 52,172 0,052
53 31,000 15,500 142,681 0,143
 71

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

54 29,000 14,500 118,221 0,118
55 20,000 10,000 38,890 0,039
56 13,000 6,500 11,965 0,012

Plot 1. Kerapatan Vegetasi Rendah

Koordinat = 12205’24,8” dan 4030’14,8”
Biomassa = 7,497 Ton/Piksel
Cadangan Karbon = 3,449 Ton/Piksel

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

1 24,000 12,000 67,938 0,068
2 28,000 14,000 106,922 0,107
3 31,000 15,500 142,681 0,143
4 20,000 10,000 38,890 0,039
5 18,000 9,000 28,092 0,028
6 21,000 10,500 45,221 0,045
7 23,000 11,500 59,745 0,060
8 23,000 11,500 59,745 0,060
9 24,000 12,000 67,938 0,068
10 36,000 18,000 214,698 0,215
11 34,000 17,000 184,028 0,184
12 23,000 11,500 59,745 0,060
13 54,000 27,000 602,508 0,603
14 32,000 16,000 155,842 0,156
15 17,000 8,500 23,625 0,024
16 32,000 16,000 155,842 0,156
17 31,000 15,500 142,681 0,143
18 72,000 36,000 1191,522 1,192
19 13,000 6,500 11,965 0,012
20 52,000 26,000 549,482 0,549
21 61,000 30,500 807,661 0,808
22 64,000 32,000 904,898 0,905
23 52,000 26,000 549,482 0,549
24 51,000 25,500 523,901 0,524
25 43,000 21,500 341,605 0,342
26 37,000 18,500 230,965 0,231
27 33,000 16,500 169,625 0,170
 72

No Keliling (Cm) Diameter (Cm) Biomassa (Kg) Biomassa (Ton)

28 23,000 11,500 59,745 0,060

Lampiran 3. Perhitungan Uji Korelasi