DHEA AMALIA
Dhea Amalia
NIM E14150059
ABSTRAK
DHEA AMALIA. Model Penduga Biomassa Atas Permukaan Berbasis Citra
Resolusi Tinggi di Kalimantan Timur. Dibimbing oleh I NENGAH SURATI
JAYA.
Citra dengan resolusi spasial yang sangat tinggi cukup potensial digunakan
untuk penyusunan model penduga biomassa. Penelitian ini bertujuan untuk
merumuskan model penduga biomassa di hutan lahan kering dengan pendekatan
penginderaan jarak jauh. Model penduga biomassa disusun berdasarkan indeks
vegetasi yang memiliki korelasi dengan biomassa. Indeks vegetasi yang digunakan
pada penelitian ini yaitu Normalized Difference Vegetation Index (NDVI), Green
Normalized Difference Vegetation Index (GNDVI), Infrared Percentage
Vegetation Index (IPVI), dan Soil Adjusted Vegetation Index (SAVI). Hasil analisis
pada penelitian ini menunjukkan bahwa model terpilih untuk menduga kandungan
biomassa di PT Ratah Timber adalah B = 305.7599 SAVI4.968 dengan koefisien
determinasi (R2) sebesar 61.31% dan simpangan rata-rata (SR) sebesar 6.48%.
Secara keseluruhan, areal PT Ratah Timber didominasi potensi biomassa pada kelas
<15 ton/ha.
ABSTRACT
DHEA AMALIA. Estimation Model for Estimating the Above Ground Biomass of
Dryland Forest using High Resolution Imagery. Supervised by I NENGAH
SURATI JAYA.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Kehutanan
pada
Departemen Manajemen Hutan
Disetujui oleh
Diketahui oleh
Dr Ir Muhdin M Sc F Trop
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah yang berjudul “Model Penduga
Biomassa Atas Permukaan Berbasis Citra Resolusi Tinggi di Kalimantan Timur”
dapat diselesaikan dengan sebaik-baiknya. Penelitian dan penyusunan karya ilmiah
ini dilakukan dalam rangka melengkapi salah satu syarat kelulusan sebagai Sarjana
Kehutanan dari Departemen Manajemen Hutan, Fakultas Kehutanan, Institut
Pertanian Bogor (IPB).
Terima kasih penulis ucapkan kepada Prof Dr Ir I Nengah Surati Jaya, M Agr,
selaku dosen pembimbing atas nasihat, bimbingan dan arahan serta kesabarannya
dalam penyelesaian skripsi ini. Disamping itu, terima kasih juga disampaikan
kepada Ir Bakhrizal Bakri, M Si, Direktur Utama PT Ratah Timber yang berkenan
memberikan izin kepada penulis untuk melakukan penelitian di perusahaan tersebut
serta segenap karyawan yang membantu pelaksanaan penelitian. Penulis juga
mengucapkan terima kasih kepeda Bapak Yusron dari Lembaga Antariksa dan
Penerbangan Nasional (LAPAN) atas arahan dan bimbingannya terutama dalam
membantu pengumpulan data citra. Penghargaan terbesar penulis sampaikan kepada
ayah (Fatchurohim), Ibu (Ari Puntorini), Adik (Katrin Nastiti), dan seluruh keluarga
besar atas dukungan, doa, dan semangat yang diberikan.
Ungkapan terima kasih juga penulis sampaikan kepada Bapak Uus Saepul,
Teh Dewi, Teh Indah dan seluruh keluarga besar Laboratorium Remote Sensing dan
GIS atas semua ilmu, bantuan, dan motivasi yang telah diberikan. Terima kasih juga
penulis ucapkan kepada teman-teman satu bimbingan (Farhatuz Zhafira AR,
Rivanti Salma NR, Dodi Mivanto, M Iqbal Firdaus), Bella, Retno, Lilis, Kiki dan
kepada rekan – rekan Manajemen Hutan 52 serta semua pihak yang tidak mungkin
penulis sebutkan satu persatu atas semua ilmu, bantuan, saran, masukkan, dan
motivasi yang telah diberikan.
Semoga karya ilmiah ini bermanfaat.
Dhea Amalia
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
Manfaat Penelitian 2
METODOLOGI 2
Waktu dan Lokasi Penelitian 2
Data, Alat, dan Software 3
Prosedur Analisis Data 4
HASIL DAN PEMBAHASAN 13
Uji Asumsi Klasik 13
Model Persamaan Penduga Biomassa 14
Validasi Model 16
Pemilihan Model Terbaik 17
SIMPULAN DAN SARAN 20
Simpulan 20
Saran 20
DAFTAR PUSTAKA 21
LAMPIRAN 23
RIWAYAT HIDUP 27
DAFTAR TABEL
1 Data penelitian 3
2 Karakteristik band citra SPOT 6 5
3 Persamaan alometrik pendugaan biomassa 6
4 Indeks vegetasi yang digunakan pada penelitian 8
5 Interval kriteria koefisien korelasi Pearson 10
6 Model penduga biomassa dengan citra satelit 11
7 Hasil korelasi antar indeks vegetasi dengan biomassa 14
8 Model persamaan penduga biomassa 16
9 Hasil uji validasi 17
10 Skor penentu persamaan terbaik 17
11 Potensi biomassa di PT Ratah Timber 18
DAFTAR GAMBAR
1 Peta lokasi penelitian 3
2 Diagram alur penelitian 4
3 Plot penelitian 6
4 Tingkat keutuhan pohon mati 7
5 Kenampakan indeks vegetasi (a) NDVI; (b) GNDVI; (c) IPVI; 9
6 Hubungan power biomassa dengan (a) NDVI; (b) GNDVI; 15
7 Hubungan eksponensial antara biomassa dengan (a) NDVI; 15
8 Peta sebaran biomassa 8 kelas 18
9 Perbandingan (a) peta sebaran biomassa; (b) olahan indeks vegetasi; (c)
citra asli; (d) kondisi lapangan 19
DAFTAR LAMPIRAN
Latar Belakang
Tujuan Penelitian
Manfaat Penelitian
Penelitian ini dapat dijadikan sebagai alat bantu pendugaan biomassa tegakan
secara cepat, mudah, dan murah. Selanjutnya penelitian ini dapat digunakan secara
multi waktu untuk mengetahui tren perubahan biomassa.
METODOLOGI
Penelitian ini dilaksanakan pada bulan Maret - Agustus 2019. Kegiatan ini
dilaksanakan dalam beberapa tahap, yaitu pra-pengolahan citra, pengambilan data
lapang, dan pengolahan data. Tahap pra-pengolahan citra dilaksanakan pada bulan
Februari 2019 dan pengolahan data dilaksanakan pada bulan Juni – Agustus 2019
yang bertempat di Laboratorium Remote Sensing dan GIS, Departemen Manajemen
Hutan, Fakultas Kehutanan, Institut Pertanian Bogor. Pengambilan data lapang
dilaksanakan pada bulan Maret – Mei 2019 di areal kerja PT Ratah Timber,
Kabupaten Mahakam Ulu, Kalimantan Timur. Secara geografis PT Ratah Timber
terletak antara 114˚ 55’ - 115˚ 30’ BT dan 0˚ 2’ LS - 0˚ 15’ LU.
3
Alat yang digunakan pada penelitian ini yaitu kompas, phi band, clinometer
(suunto), pita ukur, tali tambang, kamera, timbangan, oven, GPS, dan tallysheet.
Pengolahan data dilakukan dengan bantuan laptop yang dilengkapi peranti lunak
Microsoft Excel 2016, Minitab 2016, ArcGis 10.3, Q-Gis 3.0.2, IBM SPSS Statistics
25, dan ERDAS Imagine Software 2014.
Data yang digunakan dalam penelitian ini terdiri dari dua jenis data yaitu data
utama dan data pendukung (Tabel 1). Data utama yang digunakan dalam penelitian
ini berupa citra SPOT 6 dengan resolusi 6 meter perekaman Januari 2019, yang
mencakup kawasan Kabupaten Mahakan Ulu, Kalimantan Timur. Data pendukung
yang digunakan pada penelitian berupa data administrasi Kabupaten Mahakam Ulu
serta data berat jenis.
Tabel 1 Data penelitian
No Data Penelitian Sumber
Data Utama:
1 Citra SPOT 6 LAPAN
2 Data biomassa Pengukuran lapangan
3 Koordinat plot di lapangan Pengukuran lapangan
Data Pendukung:
1 Data Administrasi Kabupaten Mahakam Ulu PT Ratah Timber
2 Data berat jenis ICRAFT Database
4
Mulai Persiapan
Pengambilan
Indeks
Data Lapang vegetasi
Pendugaan
Biomassa
Pengujian Model
Pemilihan Model
Terbaik
Pra-pengolahan Citra
Pra pengolahan citra merupakan langkah awal dalam pengolahan citra satelit.
Beberapa langkah dalam pra-pengolahan citra meliputi import data citra, koreksi
geometrik, dan pemotongan citra.
Import Data
Proses import data merupakan pengolahan citra untuk mengubah format data
dari citra satelit sesuai dengan format data yang dibutuhkan untuk kepentingan
penelitian. Citra yang digunakan yaitu SPOT 6 tahun perekaman 2019. Proses
import data yang dilakukan yaitu mengubah format JP2000 menjadi format IMG
melalui perangkat lunak Erdas Imagine 2014. Resolusi spasial citra SPOT 6 yang
digunakan pada penelitian ini yaitu 6 m x 6 m pada band 1, 2, 3, dan 4. Karakteristik
dari masing-masing band pada citra SPOT 6 disajikan dalam Tabel 2.
Tabel 2 Karakteristik band citra SPOT 6
Panjang gelombang Resolusi spasial
Saluran
(nm) (m)
Band 1 - Blue 450 - 520 6
Band 2 - Green 530 - 590 6
Band 3 - Red 625 - 695 6
Band 4 - Near Infra Red (NIR) 760 - 890 6
Sumber : Dewi (2018)
Koreksi Geometrik
Koreksi geometrik merupakan upaya memperbaiki kesalahan perekaman
secara geometrik agar citra yang dihasilkan mempunyai sistem koordinat dan skala
yang seragam (Parman 2010). Proses rektifikasi dilakukan dengan reproject citra
untuk mengubah proyeksi citra menjadi Universal Transverse Mercator (UTM)
zona 50N dan datum yang digunakan adalah World Geodetic System (WGS) 84.
Penggabungan Citra
Penggabungan citra merupakan penggabungan beberapa citra ke dalam satu
citra pada suatu kenampakan yang utuh dari suatu wilayah. Penggabungan citra
dilakukan untuk memperoleh wilayah sehingga sesuai dengan lokasi penelitian.
Pemotongan Citra
Pemotongan citra merupakan pembatasan citra yang akan digunakan
berdasarkan batas areal perusahaan sehingga sesuai dengan lokasi penelitian. Tahap
ini dilakukan untuk mempermudah kegiatan analisis pada lokasi penelitian yang
akan diamati. Pemotongan citra dilakukan dengan batas areal studi di PT Ratah
Timber dengan menggunakan Software Erdas Imagine 2014.
𝐵𝐾𝑠 𝑥 𝐵𝐵𝑡
BKT =
𝐵𝐵𝑠
Keterangan:
BKT : Berat kering total (g) BBs : Berat basah sampel (g)
BKs : Berat kering sampel (g) BBt : Berat basah total (g)
c. Perhitungan Nekromassa
Pohon Mati Berdiri
Pengukuran nekromassa di lapangan dilakukan pada pancang, tiang, dan
pohon mati. Biomassa pohon mati berdiri tingkat 1, tingkat 2, dan tingkat 3 diduga
menggunakan rumus-rumus alometrik biomassa yang sesuai dengan tingkat
pancang, tiang, dan pohon dikalikan faktor koreksi tiap tingkat keutuhan pohon
mati (BSN 2011). Tingkat keutuhan pohon disajikan pada Gambar 4.
Bkm = (0.25 л ( dp du )2 x p) x ρ
2 x 100
Keterangan:
Bkm : Biomassa kayu mati (kg)
Dp : Diameter rata - rata pangkal pohon mati (cm)
Du : Diameter rata - rata ujung pohon mati (cm)
p : Panjang pohon mati (m)
ρ : Kerapatan jenis (kg/m3)
Л : 3.14
2 3
(a) (b)
(c) (d)
Gambar 5 Kenampakan indeks vegetasi (a) NDVI; (b) GNDVI; (c) IPVI;
(d) SAVI
Nomor 1 pada Gambar 5 menunjukkan kenampakan bayangan awan pada
citra hasil olahan indeks vegetasi, nomor 2 menunjukkan sungai, dan nomor 3
menunjukkan tutupan lahan berupa hutan. Berdasarkan Gambar 5 terlihat bahwa
kenampakan bayangan awan dan sungai pada tiap indeks vegetasi mengalami
perbedaan. Bayangan awan pada citra olahan NDVI terlihat lebih gelap
dibandingkan dengan citra olahan yang lainnya. Begitu pula kenampakan tutupan
lahan pada tiap indeks vegetasi yang mempunyai kecerahan yang berbeda-beda.
KS = | Fn(Yi – 1) – Fo(yi)|
10
Keterangan:
KS : Nilai Kolmogorov Smirnov
Fn(Yi – 1) : Frekuensi persentase kumulatif pada waktu sebelum i
Fo(yi)| : Frekuensi data sebaran normal pada saat i
Data dikatakan menyebar secara normal jika memiliki nilai KS > 0.05. Hasil
uji normalitas pada penelitian ini menunjukan bahwa data indeks vegetasi yang
berdistribusi normal terdapat pada NDVI, GNDVI, IPVI, dan SAVI. Data yang
lolos uji normalitas ini kemudian dapat digunakan untuk uji selanjutnya. Hasil Uji
normalitas disajikan pada Lampiran 3.
2. Uji Heterokedastisitas
Uji heterokedastisitas dilakukan untuk mengetahui ada tidaknya
ketidaksamaan varian dari residual pada model regresi linier. Model regresi yang
baik adalah yang tidak terjadi heterokedastisitas atau yang homokedastisitas
(Ghozali 2012). Uji heteroskedastisitas pada penelitian ini dilakukan dengan
metode Glejser. Jika nilai probabilitas lebih besar dari alpha (Sig. > α) maka tidak
terjadi heteroskedastisitas. Hasil uji heteroskedastisitas data untuk indeks vegetasi
yang digunakan disajikan pada Lampiran 4. Berdasarkan hasil uji
heteroskedastisitas Glejser menunjukan nilai P-value >0.05 maka dapat
disimpulkan bahwa model regresi tidak terjadi gejala heteroskedastisitas atau
memiliki kesamaan antara varians dari residual suatu pengamatan ke pengamatan
lainnya.
3. Uji Korelasi
Uji korelasi dilakukan untuk mengetahui adanya hubungan antar peubah
beserta arah hubungannya. Nilai koefisien korelasi (r) menunjukkan keeratan
hubungan peubah bebas terhadap peubah terikatnya pada hubungan linier (Nugroho
et al. 2008). Nilai koefisien korelasi (r) dapat dihitung dengan menggunakan rumus:
∑𝑥𝑖𝑦𝑗−(∑𝑥𝑖 )(∑𝑦𝑗)/𝑛
r=
√{∑𝑥𝑖 2−(∑𝑥𝑖)2 /𝑛} { ∑𝑦𝑗 2 − (∑𝑦𝑗 2 )/𝑛}
Keterangan:
r : Nilai korelasi
xi : Nilai indeks vegetasi atau persen tutupan tajuk
yj : Nilai potensi biomassa dari unit-unit contoh
n : Jumlah unit contoh
Penelitian ini menggunakan uji korelasi Pearson. Koefisien korelasi Pearson
disajikan pada Tabel 5. Selang nilai korelasi (r) berkisar antara -1 sampai dengan 1.
Koefisien korelasi bernilai negatif mempunyai makna hubungan antara dua peubah
yang diuji bersifat berbanding terbalik, begitu juga sebaliknya.
Tabel 5 Interval kriteria koefisien korelasi Pearson
Nilai r Pearson Kriteria
0.00 s.d. 0.29 Korelasi sangat rendah
0.30 s.d. 0.49 Korelasi lemah
0.50 s.d. 0.69 Korelasi cukup
0.70 s.d. 0.79 Korelasi kuat
0.80 s.d. 1.00 Korelasi sangat kuat
Sumber : Sugiyono (2004)
11
Penyusunan Model
Penyusunan model penduga biomassa didasarkan atas peubah bebas nilai
indeks vegetasi pada Citra SPOT 6, yaitu NDVI, GNDVI, IPVI, dan SAVI. Analisis
hubungan antara peubah bebas dan peubah terikat menggunakan model
eksponensial dan model power.
Power : B = a Xb
Eksponensial : B = a e (bX)
Keterangan:
B : Biomassa (ton/ha)
a & b : Koefisien regresi
X : Indeks vegetasi atau persen tutupan tajuk
Tabel 6 Model penduga biomassa dengan citra satelit
Tutupan
No Model Persamaan R2 (%) Peneliti
Lahan
1 𝐵 = 3880.4061 𝑒 (0.2502 HV) HA 56 Agustina (2013)
2 B = 0.000903 e12.8 GNDVI HT 67.4 Sardianto (2017)
3 𝐵 = 0.857 𝑒 11.918𝐴 𝑅𝑉𝐼 HA 61.9 Noor’an (2015)
4 𝐵 = 2.7135 𝑒(10.554 RGI) HM 79 Ayuningdyah (2018)
Keterangan: HA = Hutan Alam, HT = Hutan Tanaman, HM = Hutan Mangrove
Uji Koefisien Regresi
Uji koefisien regresi bertujuan untuk mengetahui ada tidaknya pengaruh yang
signifikan peubah bebas (X) terhadap peubah terikat (Y). Kriteria dan rumus yang
digunakan pada penelitian ini merujuk pada penelitian-penelitian sebelumnya
seperti Dewi (2018) dan Yusandi (2015). Pengujian persamaan - persamaan regresi
dilakukan dengan kriteria sebagai berikut :
1. Analisis Keragaman
Analisis keragaman dilakukan untuk mengetahui keberartian hubungan
antara peubah pada citra dengan biomassa di lapangan. Uji-F merupakan pengujian
signifikansi secara simultan dari peubah terikat yang bertujuan untuk mengetahui
apakah peubah bebas mempunyai pengaruh yang signifikan terhadap peubah
terikatnya. Uji-F dilakukan pada tingkat kepercayaan 95% (α = 0.05). Adapun
hipotesis yang dibangun adalah:
Keputusan uji :
Jika Fhitung ≤ Ftabel : Terima H0 pada taraf nyata α
Jika Fhitung > Ftabel : Tolak H0 pada taraf nyata α
2. Koefisien Determinasi (R2)
Nilai koefisien (R2) diterminasi digunakan untuk mengetahui presentase
peubah bebas dapat menjelaskan peubah terikat. Menurut Santoso (2015), uji
koefisien determinasi dilakukan untuk menunjukkan besaran model dalam
menerangkan peubah terikat. Nilai koefisien determinasi (R 2) berada pada rentang
0 – 1. Koefisien determinasi (R2) bernilai 0 menunjukkan bahwa peubah bebas tidak
mampu menjelaskan variasi-variasi peubah terikatnya. Jika koefisien determinasi
12
𝐸−𝑂
∑
𝐸
2. 𝑆𝑅 = ( ) 𝑥 100 %
𝑛
(𝑂−𝐸)2
∑
3. 𝑅𝑀𝑆𝐸 = √ 𝐸
x 100%
𝑛
(𝑂−𝐸)2
4. e = ∑ 𝐸
𝑥 100 %
𝑛
(𝑂−𝐸)2
5. 𝑥 2 ℎ𝑖𝑡 = ∑ 𝐸
Keterangan :
O : Nilai observasi / nilai aktual
E : Nilai harapan
13
𝑁𝑢−𝑚𝑎𝑥
Skor = (min − 𝑚𝑎𝑥 𝑥 (𝑛 − 1)) + 1
Keterangan:
NU : Nilai uji dari setiap kriteria
Max : Nilai terbesar dari setiap kriteria
Min : Nilai terkecil dari setiap kriteria
n : Jumlah model yang diuji
Uji asumsi klasik merupakan syarat yang harus dipenuhi sebelum melakukan
uji statistik parametrik. Uji asumsi klasik terdiri dari uji normalitas data, uji
heterokedastisitas, dan uji korelasi. Uji normalitas data dilakukan dengan uji
Kolmogorov Smirnov karena uji ini sesuai untuk jumlah data yang digunakan pada
penelitian. Dahlan (2009) menyatakan bahwa uji Kolmogorov Smirnov cocok
digunakan untuk sampel yang berjumlah lebih dari 50. Hasil uji normalitas pada
penelitian ini menunjukkan bahwa indeks vegetasi yang tersebar normal adalah
NDVI, GNDVI, IPVI, dan SAVI.
Uji heterokedastisitas Glejser menunjukkan signifikansi terbesar pada indeks
vegetasi GNDVI, sebesar 0.858 dan nilai terkecil pada SAVI sebesar 0.266. Nilai
signifikansi (sig) > 0.05 berarti tidak terjadi gejala heterokedastisitas atau memiliki
kesamaan varian dari residual. Ghozali (2012) menyatakan bahwa model regresi
yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas.
Uji korelasi dilakukan antara peubah bebas dan peubah terikatnya. Model
penduga biomassa dibangun berdasarkan korelasi antara nilai biomassa lapangan
dengan indeks vegetasi. Hasil uji korelasi Pearson pada penelitian ini disajikan
pada Tabel 7.
14
Berdasarkan hasil uji korelasi Pearson pada Tabel 7, indeks vegetasi yang
digunakan sebagai peubah memiliki korelasi yang kuat dengan biomassa yaitu
berada pada kisaran 0.7. Nilai koefisien korelasi indeks vegetasi dengan biomassa
bernilai positif. Hal ini menunjukkan bahwa apabila nilai indeks vegetasi
mengalami peningkatan, akan diiringi dengan peningkatan nilai biomassa, begitu
pula sebaliknya.
500 500
400 400
R² = 0.6131 R² = 0.6165
BIOMASSA (TON/HA)
BIOMASSA (TON/HA)
300 300
200 200
100 100
0 0
0.00 0.40 0.80 0.00 0.40 0.80
NDVI GNDVI
(a) (b)
15
500 500
400 400
R² = 0.6131
BIOMASSA (TON/HA)
BIOMASSA (TON/HA) R² = 0.603
300 300
200 200
100 100
0 0
0.60 0.70 0.80 0.90 0.40 0.60 0.80 1.00 1.20
IPVI SAVI
(c) (d)
Gambar 6 Hubungan power biomassa dengan (a) NDVI; (b) GNDVI;
(c) IPVI; (d) SAVI
500 500
400 400
R² = 0.5957 R² = 0.5947
BIOMASSA (TON/HA)
BIOMASSA (TON/HA)
300 300
200 200
100 100
0 0
0.20 0.40 0.60 0.80 0.00 0.40 0.80
NDVI GNDVI
(a) (b)
500 500
400 400
BIOMASSA (TON/HA)
R² = 0.5957 R² = 0.5956
BIOMASSA (TON/HA)
300 300
200 200
100 100
0 0
0.60 0.80 1.00 0.40 0.80 1.20
IPVI SAVI
(c) (d)
Gambar 7 Hubungan eksponensial antara biomassa dengan (a) NDVI;
(b) GNDVI; (c) IPVI; (d) SAVI
16
3.077
M2 B = 2241.723 GNDVI 0.355 61.65% 61.06% 102.9 3.99
13.27
M3 B = 3449.553 IPVI 0.361 60.30% 59.68% 97.19 3.99
M4 B = 305.7599 SAVI4.968 0.357 61.31% 60.71% 101.42 3.99
M5 B = 1.262 ℮8.24 NDVI 0.364 59.57% 58.94% 94.29 3.99
Eksponensial
Uji koefisien regresi dilakukan untuk memilih model terbaik, dengan melihat
nilai simpangan baku, nilai koefisien determinasi, serta nilai F hitung model. Nilai
simpangan baku (s) menunjukkan rata-rata jarak penyimpangan titik-titik data
diukur dari nilai data tersebut. Simpangan baku pada semua model yang diuji
memiliki nilai yang beragam. Nilai simpangan baku terbesar yaitu pada model M6
sebesar 0.365, sedangkan nilai simpangan baku terkecil pada model M2 sebesar
0.355. Rosdianto dan Toifur (2011) menyatakan bahwa semakin kecil nilai
simpangan baku, maka semakin baik model yang dihasilkan.
Koefisien determinasi (R2) yang disajikan pada Tabel 8 menunjukkan
besarnya peubah X dapat menjelaskan keragaman dari peubah terikat Y. Semakin
besar nilai koefisien determinasi, semakin baik model yang dihasilkan. Nilai
koefisien determinasi terbesar yaitu pada model M2 sebesar 61.65%. Hal tersebut
menunjukkan bahwa 61.65% variasi peubah terikat biomassa dapat dijelaskan oleh
peubah bebas GNDVI dan sisanya dijelaskan oleh peubah lain yang tidak
digunakan pada penelitian ini.
Berdasarkan hasil uji koefisien regresi pada Tabel 8, semua model yang diuji
memiliki nilai F hitung yang lebih besar dari nilai F tabel. Hal ini menunjukkan
bahwa peubah bebas memiliki pengaruh terhadap peubah terikat (Widyaningdyah
2001).
Validasi Model
Hasil uji nilai bias menunjukkan nilai terendah sebesar 2.64 pada model
eksponensial M7 dengan peubah IPVI. Nilai bias merupakan penyimpangan nilai
dugaan dari nilai aktual lapangannya. Semakin rendah nilai bias, model yang
dihasilkan semakin baik. Berdasarkan Tabel 9, semua nilai ꭓ2 hitung lebih rendah
dari nilai ꭓ2 tabel pada selang kepercayaan 95%. Hal tersebut menunjukkan bahwa
biomassa hasil dugaan tidak berbeda nyata dengan biomassa aktualnya sehingga
model dapat digunakan.
Pemilihan Model Terbaik
19
20
Simpulan
Indeks vegetasi SAVI yang diturunkan dari citra SPOT 6 resolusi 6 m dapat
digunakan untuk membangun model penduga sediaan biomassa atas permukaan
dengan persamaan B = 305.7599 SAVI4.968. Model ini cukup teliti dengan nilai
simpangan agregat (SA) model yang terpilih sebesar 0.35 dan nilai simpangan rata-
rata (SR) 6.48%.
Saran
DAFTAR PUSTAKA
Agustina TL. 2013. Model penduga biomassa hutan alam lahan kering
menggunakan Citra ALOS PALSAR resolusi 50 m di areal kerja PT. Trisetia
Intiga[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Antono HT. 2013. Estimasi pendugaan biomassa hutan sekunder dan daerah
reklamasi menggunakan data Citra ALOS PALSAR. Statistika 13(2):93 - 101.
Ayuningdyah NE. 2018.Model pendugaan biomassa mangrove menggunakan citra
resolusi tinggi SPOT 6 di Kabupaten Kubu Raya, Kalimantan Barat[skripsi].
Bogor (ID): Institut Pertanian Bogor.
Basuki TM, Van Laake PE, Skidmore AK, Hussin YA. 2009. Allometric equation
for estimating the above ground biomass in tropical lowland Dipterocarp
forest. Forest Ecology and Management. 257:1684-1694.
[BSN] Badan Standardisasi Nasional. 2011. Pengukuran dan Penghitungan
Cadangan Karbon Pengukuran Lapangan untuk Penaksiran Cadangan
Karbon Hutan (Ground Based Forest Carbon Acounting). Jakarta (ID): BSN.
Campbell JB, Wynne RH. 2011. Introduction to Remote Sensing (5th Ed.). New
York (US): The Guilford Press.
Dahlan MS. 2009. Statistik untuk Kedokteran dan Kesehatan, Edisi 4 (Deskriptif,
Bivariat dan Multivariat, dilengkapi Aplikasi dengan Menggunakan SPSS).
Jakarta (ID): Salemba Medika.
Dewi NMTG. 2018. Model penduga biomassa hutan lahan kering menggunakan
citra resolusi tinggi berbasis piksel dan visual di Kalimantan Timur[skripsi].
Bogor (ID) : Institut Pertanian Bogor.
Ghozali I. 2012. Aplikasi Analisis Multivariate dengan Program IBM SPSS 20.
Semarang (ID): Badan Penerbit Universitas Diponegoro.
Hairiah K, Rahayu A. 2007. Pengukuran karbon tersimpan di berbagai macam
penggunaan lahan. Bogor (ID): World Agroforestry Center.
Hidayatullah MI. 2015. Pendugaan potensi biomassa atas tegakan jati (Tectona
Grandis Linn. F) menggunakan Citra Landsat 8 Di BKPH Wilangan Selatan,
KPH Saradan[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Jaya INS. 2015. Analisis Citra Digital: Perspektif Penginderaan Jauh untuk
Pengelolaan Sumberdaya Alam. Bogor (ID): Fakultas Kehutanan IPB.
Manik TK, Rosadi RB, Karyanto A. 2012. Evaluasi metode Penman-Monteith
dalam menduga laju evapotranspirasi standar (ET0) di dataran rendah Propinsi
Lampung, Indonesia. Jurnal Keteknikan Pertanian 26(2):121-128.
Noor’an RF. 2015. Model pendugaan sediaan karbon menggunakan citra Landsat 8
di Taman Nasional Bromo Tengger Semeru[tesis]. Bogor (ID): Institut
Pertanian Bogor.
Nugroho S, Akbar S, Vusvitasari R. 2008. Kajian hubungan koefisien korelasi
pearson (r), spearman-rho (ρ), kendall-tau (τ), gamma (g) , dan somers (dyx).
Jurnal Gradien 4(2):372-381.
Parman S. 2010. Deteksi perubahan garis pantai melalui citra penginderaan jauh di
pantai utara Semarang Demak. Jurnal Geografi: Media Informasi
Pengembangan dan Profesi Kegeografian 7(1).
22
Qirom MA, Saleh MB, Kuncahyo B. 2012. Aplikasi citra ALOS PALSAR untuk
pendugaan simpanan karbon di hutan tanaman akasia. Jurnal Penelitian Hutan
Tanaman 9(3) : 121-134.
Qirom MA, Supriyadi S. 2012. Penyusunan model penduga volume pohon jenis
jelutung rawa (Dyera polyphylla (Miq) V. Steenis). Jurnal Penelitian Hutan
Tanaman 9(3):141-153.
Rakhmawati M. 2012. Hubungan biomassa penutup lahan dengan indeks vegetasi
di Kabupaten Mamuju Utara Sulawesi Barat. Globe 14(2): 157 – 169.
Rosdianto H, Toifur M. 2011. Analisis kualitas rangkaian penyearah gelombang
penuh melalui kriteria nilai simpangan baku. Prosiding Seminar Nasional
Sains dan Pendidikan Sains 2(2).
Santoso G. 2015. Determinan koefisien respon laba. Jurnal Ekonomi dan
Bisnis 2(2):69-85.
Sardianto. 2017. Model penduga biomasa tegakan sengon (Paraserianthes
falcataria) berbasis citra Landsat 8 Oli di IUPHHK-HT Trans PT Belantara
Subur Kalimantan Timur[skripsi]. Bogor (ID): Departemen Manajemen
Hutan Fakultas Kehutanan IPB.
Sudiana D, Diasmara E. 2008. Analisis indeks vegetasi menggunakan data satelit
NOAA/AVHRR dan TERRA/AQUA-MODIS. Seminar on Intelligent
Technology and Its Applications.
Sugiyono. 2004. Metode Penelitian Bisnis. Bandung (ID) : Alfabeta.
Sutaryo D. 2009. Perhitungan Biomassa, Sebuah Pengantar untuk Studi Karbon
dan Perdagangan Karbon. Bogor (ID): Wetlands International Indonesia
Programme.
Widyaningdyah AU. 2001. Analisis faktor-faktor yang berpengaruh terhadap
earnings management pada perusahaan go public di Indonesia. Jurnal
Akuntansi dan Keuangan 3(2):89-101.
Yusandi S. 2015. Model pendugaan biomassa hutan mangrove menggunakan citra
resolusi sedang di areal kerja BSN Group Kalimantan Barat[skripsi]. Bogor
(ID): Institut Pertanian Bogor.
Yuwono T, Jaya INS, Elias. 2015. Model penduga massa karbon hutan rawa
gambut menggunakan Citra ALOS PALSAR. Jurnal Penelitian Hutan dan
Konservasi Alam 12(1):45-58.
23
LAMPIRAN
Lampiran 1 Data peubah bebas dan peubah terikat untuk membangun model
Indeks Vegetasi Biomassa
No
NDVI GNDVI IPVI SAVI (ton/ha)
1 0.727 0.589 0.864 1.091 465.10
2 0.690 0.536 0.845 1.035 431.57
3 0.675 0.533 0.838 1.012 362.58
4 0.612 0.461 0.806 0.918 346.75
5 0.729 0.590 0.865 1.093 321.23
6 0.644 0.494 0.822 0.966 313.83
7 0.597 0.444 0.799 0.895 308.71
8 0.592 0.421 0.796 0.887 266.98
9 0.592 0.423 0.796 0.888 261.20
10 0.635 0.481 0.817 0.952 255.94
11 0.592 0.433 0.796 0.887 243.16
12 0.595 0.435 0.797 0.892 235.26
13 0.598 0.442 0.799 0.897 225.75
14 0.594 0.445 0.797 0.890 222.65
15 0.661 0.514 0.830 0.991 215.53
16 0.642 0.478 0.821 0.963 208.92
17 0.571 0.428 0.786 0.856 200.12
18 0.601 0.451 0.801 0.902 187.26
19 0.598 0.440 0.799 0.896 178.14
20 0.541 0.370 0.771 0.811 166.66
21 0.583 0.427 0.792 0.874 157.43
22 0.549 0.377 0.775 0.823 152.81
23 0.596 0.444 0.798 0.894 145.52
24 0.591 0.466 0.795 0.886 144.10
25 0.582 0.430 0.791 0.873 141.66
26 0.596 0.426 0.798 0.894 132.53
27 0.600 0.445 0.800 0.900 122.50
28 0.538 0.380 0.769 0.806 114.30
29 0.591 0.451 0.795 0.886 108.08
30 0.574 0.396 0.787 0.861 99.31
31 0.542 0.362 0.771 0.812 88.91
32 0.552 0.378 0.776 0.828 75.81
33 0.540 0.374 0.770 0.809 27.16
34 0.685 0.539 0.842 1.026 438.03
35 0.670 0.519 0.835 1.005 412.24
24
Lampiran 1 (lanjutan)
Lampiran 2 Data peubah bebas dan peubah terikat untuk validasi model
Indeks Vegetasi Biomassa
No
NDVI GNDVI IPVI SAVI (ton/ha)
1 0.658 0.504 0.829 0.987 467.24
2 0.632 0.485 0.816 0.948 435.96
3 0.678 0.534 0.839 1.016 381.87
4 0.728 0.589 0.864 1.091 350.83
5 0.629 0.486 0.814 0.943 338.53
6 0.609 0.468 0.804 0.912 314.06
7 0.639 0.477 0.819 0.958 309.72
8 0.639 0.494 0.820 0.959 284.42
9 0.703 0.567 0.851 1.054 265.96
10 0.652 0.508 0.826 0.977 258.57
11 0.608 0.450 0.804 0.911 245.12
12 0.653 0.506 0.826 0.978 240.42
13 0.627 0.470 0.814 0.940 228.87
14 0.661 0.510 0.830 0.991 223.95
15 0.623 0.476 0.811 0.934 218.42
16 0.572 0.407 0.786 0.858 211.68
17 0.668 0.525 0.834 1.002 201.68
18 0.620 0.475 0.810 0.929 190.30
19 0.569 0.424 0.785 0.853 178.92
20 0.576 0.414 0.788 0.864 169.10
21 0.583 0.440 0.791 0.874 157.80
22 0.564 0.403 0.782 0.846 154.47
23 0.617 0.466 0.809 0.925 147.34
24 0.564 0.404 0.782 0.845 144.43
25 0.617 0.457 0.809 0.926 143.02
26 0.521 0.332 0.760 0.780 137.10
27 0.588 0.430 0.794 0.882 128.28
28 0.602 0.437 0.801 0.902 117.07
29 0.565 0.417 0.783 0.847 110.89
30 0.552 0.392 0.776 0.827 100.91
31 0.580 0.429 0.790 0.870 95.17
32 0.592 0.431 0.796 0.887 86.42
33 0.564 0.391 0.782 0.845 53.24
34 0.531 0.370 0.766 0.796 19.39
26
RIWAYAT HIDUP