MODEL PENDUGA BIOMASSA ATAS PERMUKAAN

BERBASIS CITRA RESOLUSI TINGGI

DI KALIMANTAN TIMUR

DHEA AMALIA

DEPARTEMEN MANAJEMEN HUTAN

FAKULTAS KEHUTANAN
INSTITUT PERTANIAN BOGOR
BOGOR
2019
 PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Model Penduga

Biomassa Atas Permukaan Berbasis Citra Resolusi Tinggi di Kalimantan Timur
adalah benar karya saya dengan arahan dari dosen pembimbing dan belum diajukan
dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang
berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari
penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di
bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, November 2019

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.

Kata kunci: biomassa, karbon, model penduga, penginderaan jauh, SAVI

ABSTRACT

DHEA AMALIA. Estimation Model for Estimating the Above Ground Biomass of
Dryland Forest using High Resolution Imagery. Supervised by I NENGAH
SURATI JAYA.

High spatial resolution imagery is quite potential for developing biomass

estimation model. The objective of this study is to establish an estimation model
for estimating the above ground biomass content of dryland forests by using a
digital-based imagery. The biomass estimation model was composed on the basis
of vegetation indices derived from SPOT 6 imagery. The vegetation indices
examined include Normalized Difference Vegetation Index (NDVI), Green
Normalized Difference Vegetation Index (GNDVI), Infrared Percentage
Vegetation Index (IPVI) and Soil Adjusted Vegetation Index (SAVI). The results
of the analysis showed that the best model obtained for estimating the biomass
content was B = 305.7599 SAVI4.968 with a coefficient of determination (R2) of
61.31% with mean deviation (SR) of 6.48%. In general, the study shows that the
study area is dominated by the vegetation having biomass content below 15 tons/ha.

Keywords: biomass, carbon, estimation model, remote sensing, SAVI

MODEL PENDUGA BIOMASSA ATAS PERMUKAAN
BERBASIS CITRA RESOLUSI TINGGI
DI KALIMANTAN TIMUR

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Kehutanan
pada
Departemen Manajemen Hutan

DEPARTEMEN MANAJEMEN HUTAN

FAKULTAS KEHUTANAN
INSTITUT PERTANIAN BOGOR
BOGOR
2019
Judul Skripsi : Model Penduga Biomassa Atas Permukaan Berbasis Citra
Resolusi Tinggi Di Kalimantan Timur
Nama : Dhea Amalia
NIM : E14150059

Disetujui oleh

Prof Dr Ir I Nengah Surati Jaya M Agr

Pembimbing

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.

Bogor, November 2019

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

1 Data peubah bebas dan peubah terikat untuk membangun model 23

2 Data peubah bebas dan peubah terikat untuk validasi model 25
3 Hasil uji normalitas Kolmogorov-Smirnov dengan sisaan data 26
4 Hasil uji heteroskedastisitas 26
 PENDAHULUAN

Latar Belakang

Pemanasan global (global warming) merupakan peningkatan suhu rata-rata

global akibat dari konsentrasi gas rumah kaca yang berlebih di atmosfer.
Peningkatan gas rumah kaca ini dapat terjadi karena kegiatan manusia seperti
pembakaran bahan bakar minyak serta kebakaran hutan dan lahan yang
menghasilkan gas karbondioksida (CO2). Hutan memiliki andil dalam mereduksi
gas CO2 melalui penyerapan karbon di atmosfer serta penyimpanannya pada
tegakan, serasah, dan materi organik tanah lainnya (Hairiah dan Rahayu 2007).
Sekitar 50% dari total karbon di dalam hutan tersimpan pada vegetasi hutan dalam
bentuk biomassa, baik biomassa atas permukaan tanah, biomassa bawah permukaan
tanah, maupun karbon organik tanah. Oleh karena karbon sangat berhubungan
dengan biomassa, pendugaan biomassa dapat dilakukan untuk mengetahui
kandungan karbon dalam hutan.
Pendugaan biomassa dapat dilakukan dengan beberapa cara, yakni
pengambilan data contoh dengan pemanenan (destruktif), pengambilan data contoh
tanpa pemanenan (non-destruktif), pendugaan biomassa dengan penginderaan jauh,
serta melalui pembuatan model (Sutaryo 2009). Pengambilan data lapangan dapat
dilakukan dengan metode terestris, penginderaan jauh, maupun kombinasi terestris
dan penginderaan jauh. Menurut Jaya (2015), pengambilan data dengan
penginderaan jauh lebih menghemat biaya dan waktu pelaksanaannya, serta dapat
menjangkau wilayah yang lebih luas dibandingkan dengan metode terestris.
Perkembangan teknologi penginderaan jauh dapat digunakan untuk
mendukung kegiatan pemantauan hutan yang luas. Teknologi sistem sensor dan
algoritma pemrosesan sinyal digital memudahkan pengambilan informasi keadaan
bumi dengan lebih cepat dan lebih akurat (Sudiana dan Diasmara 2008).
Penggunaan teknologi penginderaan jauh untuk menduga potensi biomassa telah
dilakukan pada penelitian-penelitian sebelumnya, seperti pada penelitian
Hidayatullah (2015) menggunakan citra Landsat 8 pada tegakan jati, Qirom et al.
(2012) menggunakan citra ALOS PALSAR pada hutan tanaman akasia. Penelitian
ini menggunakan citra resolusi tinggi, yakni citra SPOT 6 multispektral dengan
resolusi spasial 6 meter.
Model pendugaan biomassa digunakan untuk membantu pendugaan besarnya
nilai biomassa vegetasi guna mempermudah prediksi tingkat produktivitas suatu
ekosistem. Model ini dibuat berdasarkan hubungan indeks vegetasi pada citra satelit
dengan nilai biomassa itu sendiri. Berdasarkan penelitian-penelitian sebelumnya,
nilai indeks vegetasi dapat menduga nilai biomassa dengan cukup baik. Antono
(2013) menemukan model penduga biomassa dengan indeks vegetasi NDVI
menggunakan citra ALOS AVNIR-2 yang memiliki koefisien determinasi sebesar
63.8%. Dewi (2018) menemukan model penduga biomassa pada hutan lahan kering
menggunakan citra resolusi tinggi yang memiliki nilai koefisien determinasi
sebesar 60.6%.
Adanya variasi keanekaragaman hayati di lokasi yang berbeda
memungkinkan menghasilkan model penduga biomassa yang berbeda. Oleh karena
itu penelitian ini dilakukan untuk menghasilkan model penduga biomassa atas
2

permukaan di hutan lahan kering Kalimantan Timur. Pembuatan model penduga

biomassa pada penelitian ini menggunakan empat pendekatan indeks vegetasi
(NDVI, GNDVI, IPVI, dan SAVI). Penggunaan beberapa indeks vegetasi ini
dimaksudkan untuk mendapatkan model terbaik untuk mengidentifikasi nilai
kandungan biomassa di areal kerja PT Ratah Timber Kalimantan Timur.

Tujuan Penelitian

Penelitian ini bertujuan untuk membangun model penduga biomassa atas

permukaan hutan lahan kering menggunakan citra SPOT 6 di areal kerja PT Ratah
Timber Kalimantan Timur.

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

Waktu dan Lokasi Penelitian

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

Gambar 1 Peta lokasi penelitian

Data, Alat, dan Software

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

Prosedur Analisis Data

Secara umum, tahapan penelitian pendugaan biomassa atas permukaan di

areal kerja PT Roda Mas Timber Kalimantan disajikan pada Gambar 2.

Mulai Persiapan

Pra-Pengolahan Citra SPOT 6

Penentuan Pembuatan citra

Plot Contoh sintesis

Pengambilan
Indeks
Data Lapang vegetasi

Pendugaan
Biomassa

Pembagian data Data penyusun model

Data Validasi Penyusunan

Model Model

Validasi Model Model Penduga

Biomassa

Pengujian Model

Pemilihan Model
Terbaik

Peta Sebaran Selesai

Biomassa

Gambar 2 Diagram alur penelitian

 5

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.

Prosedur Pengumpulan Data

Metode pemilihan plot contoh untuk pengambilan data lapangan dilakukan
dilakukan dengan purposive sampling berdasarkan kenampakan kerapatan dan
ukuran tajuk pada citra serta akseksibilitas. Data yang digunakan pada penelitian
ini berjumlah 100 data, dengan 66 data untuk pembuatan model penduga biomassa
dan 34 data untuk uji validasi model. Plot contoh pengukuran di lapangan berbentuk
persegi berukuran 25 m x 25 m untuk mengukur tingkat pohon dan necromass
(pohon mati rebah dan pohon mati berdiri). Subplot berukuran 10 m x 10 m
6

digunakan untuk mengukur tingkat tiang, subplot 5 m x 5 m untuk mengukur tingkat

pancang, subplot 2 m x 2 m untuk tingkat semai, dan subplot 1 m x 1 m untuk
mengukur tumbuhan bawah dan serasah. Data yang diambil pada pengukuran
lapang adalah titik koordinat plot, diameter setinggi dada (130 cm di atas
permukaan tanah), diameter ujung dan diameter pangkal untuk necromass, nama
jenis, serta berat basah pada tumbuhan bawah dan serasah. Pengambilan data
tingkat pohon, necromass, tiang, dan pancang bersifat non-destruktif (tidak
merusak), sedangkan pengambilan data tingkat semai, tumbuhan bawah dan serasah
bersifat destruktif (merusak).

Gambar 3 Plot penelitian

Prosedur Pengolahan Data

Pendugaan Biomassa
a. Perhitungan Biomassa Pohon, Tiang, dan Pancang.
Perhitungan biomassa pohon, tiang, dan pancang dilakukan dengan
menggunakan metode non-destruktif (tidak merusak) kemudian menggunakan
persamaan alometrik yang telah dikembangkan oleh peneliti sebelumnya di hutan
lahan kering Kalimantan Timur. Penelitian ini menggunakan rumus estimasi
biomasa pohon jenis rimba campuran berdasarkan persamaan alometrik menurut
Basuki et al. (2009) sebagai berikut :
Tabel 3 Persamaan alometrik pendugaan biomassa
Jenis pohon Persamaan alometrik R2
Dipterocarpus sp. ln B = -1.232 + 2.178 ln D 98.9%
Pohon komersil ln B = -1.498 + 2.234 ln D 98.1%
Rimba Campuran ln B = -1.201 + 2.196 ln D 96.3%
Keterangan: B = Biomassa (kg); D = Diameter (cm)
b. Perhitungan Biomassa Serasah dan Tumbuhan Bawah
Pengambilan contoh serasah dan tumbuhan bawah dilakukan dengan metode
destruktif pada sub-plot berukuran 1 m x 1 m. Serasah dan tumbuhan bawah
 7

dikumpulkan dan ditimbang berat totalnya. Sampel diambil sebanyak ± 100 g

sebagai berat contoh. Selanjutnya sampel tersebut dikeringkan menggunakan oven
pada kisaran suhu 105°C hingga mencapai berat konstan selama 1 x 24 jam. Sampel
hasil pengeringan ditimbang untuk mendapatkan berat kering sampel. Berat kering
total dapat dihitung menggunakan rumus sebagai berikut (Hairiah dan Rahayu
2007):

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.

(1) (2) (3)

Gambar 4 Tingkat keutuhan pohon mati
Sumber : Dewi (2018)
Keterangan:
1. Tingkat keutuhan pohon, tiang, dan pancang mati tanpa daun dengan faktor
koreksi 0.9.
2. Tingkat keutuhan pohon, tiang, dan pancang mati tanpa daun dan ranting dengan
faktor koreksi 0.8.
3. Tingkat keutuhan pohon, tiang, dan pancang mati tanpa daun, ranting, dan
cabang dengan faktor koreksi 0.7.

Pohon Mati Rebah

Perhitungan dilakukan dengan mengalikan volume pohon mati rebah
(dihitung menggunakan rumus Brereton) dengan kerapatan jenisnya (BSN 2011).
8

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

Pembuatan Indeks Vegetasi

Citra SPOT yang digunakan pada penelitian ini berupa citra SPOT 6 dengan
resolusi spasial 6 m. Citra SPOT 6 dibuat turunan citra berupa indeks vegetasi.
Menurut Jaya (2015), indeks vegetasi atau VI (vegetation index), merupakan nilai
yang diperoleh dari operasi matematis yang menggunakan piksel – piksel yang
berasal dari beberapa saluran yang terdapat pada citra optik. Indeks vegetasi ini
digunakan untuk menonjolkan informasi seperti kelas kerapatan vegetasi yang lebih
representatif dan signifikan. Sebuah indeks vegetasi terbentuk dari kombinasi
beberapa nilai spektral dengan cara menambahkan, membagi, atau mengalikan
dengan cara yang dirancang untuk menghasilkan nilai tunggal yang menunjukan
jumlah atau kekuatan vegetasi dalam piksel. Indeks vegetasi dianalisa berdasarkan
nilai-nilai kecerahan digital, dilakukan untuk percobaan mengukur biomassa atau
vegetatif (Campbell dan Wynne 2011). Indeks vegetasi yang digunakan dalam
penelitian ini adalah Normalized Difference Vegetation Index (NDVI), Green
Normalized Difference Vegetation Index (GNDVI), Infrared Percentage
Vegetation Index (IPVI), dan Soil Adjusted Vegetation Index (SAVI), yang
disajikan pada Tabel 4 dan Gambar 5.
Tabel 4 Indeks vegetasi yang digunakan pada penelitian
Indeks vegetasi Persamaan
NDVI Normalized Difference Vegetation Index NIR - RED
NIR + RED
GNDVI Green Normalied Difference Vegetation Index NIR - GREEN
NIR + GREEN
IPVI Infrared Percentage Vegetation Index NIR
NIR + RED
SAVI Soil Adjusted Vegetation Index NIR - RED
(1+L)
NIR + RED + L
Keterangan: NIR ( Near Infra Red) = band infra merah dekat; RED = band merah; GREEN =
band hijau; L = faktor kalibrasi tanah (0.5)
 9

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.

Uji Asumsi Klasik

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. Model regresi yang baik harus memiliki data
yang terdistribusi normal, tidak menunjukkan gejala heteroskedastisitas, dan
memiliki hubungan yang erat antar peubahnya.
1. Uji Normalitas
Uji normalitas dilakukan untuk mendeteksi sebaran data. Menurut
Rakhmawati (2012), normalitas merupakan suatu distribusi yang menunjukkan
sebagian besar sebaran data yang berada pada nilai di tengah. Penelitian ini
menggunakan metode Kolmogorov Smirnov pada taraf nyata 5% (0.05). Data
dikatakan menyebar normal apabila nilai KS-hitung < KS-tabel. Berikut rumus
yang digunakan:

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:

H0 : β = 0 , peubah terikat Y tidak dipengaruhi oleh peubah bebas X

H1 : β ≠ 0, peubah terikat Y dipengaruhi oleh peubah bebas X

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

(R2) bernilai 1 artinya peubah bebas mampu memberikan informasi yang

dibutuhkan untuk memprediksi semua variasi peubah terikat. Qirom dan Supriyadi
(2012) menyatakan bahwa semakin tinggi koefisien determinasi, semakin baik
model yang dihasilkan.
3. Koefisien Determinasi Terkoreksi (R2 adj)
Koefisien determinasi terkoreksi (R2 adj) adalah koefisien determinasi yang
telah dilakukan penyesuaian terhadap derajat bebas jumlah kuadrat regresi (JKR)
dan jumlah kuadrat totalnya (JKT). Penggunaan koefisien determinasi terkoreksi
(R2 adj) dalam pengujian untuk meningkatkan keyakinan penerimaan model yang
dibuat.
4. Simpangan Baku (s)
Simpangan baku (Standard deviation) merupakan nilai yang menunjukkan
penyimpangan data diukur dari nilai rata-ratanya. Model dikatakan baik jika
memiliki nilai simpangan baku yang rendah. Semakin kecil nilai simpangan baku
maka nilai dugaannya akan semakin teliti.

Uji Validasi Model

Setelah model secara statistik dapat diterima, maka perlu dilakukan uji
validasi terhadap model tersebut. Uji validasi dilakukan dengan menggunakan 34
data lapangan. Validasi model dilakukan untuk mengetahui penyimpangan hasil
pendugaan biomasa model (nilai harapan atau E) dengan pendugaan biomasa
lapang (nilai observasi atau O) dan sebagai dasar penentuan model pendugaan
terbaik. Uji validasi dinilai dari nilai simpangan agregat (SA), simpangan rata-rata
(SR), Root Mean Square Error (RMSE), nilai bias (e), dan uji χ² (chi-square).
Kriteria validasi model tersebut telah digunakan peneliti sebelumnya, seperti
penelitian Yuwono et al. (2015) dan Yusandi (2015). Model yang lolos uji validasi
adalah model dengan nilai SA antara -1 sampai 1, nilai SR kurang dari 10%, nilai
RMSE rendah, dan nilai bias mendekati nilai 0 (Yuwono et al 2015). Selain itu
model lolos uji validasi jika memiliki nilai chi square (ꭓ2) hitung lebih kecil dari
nilai chi square (ꭓ2) tabel. Rumus yang digunakan tiap kriteria sebagai berikut :
∑𝐸− ∑𝑂
1. SA = ( )
∑𝐸

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

Pemilihan Model Regresi Terbaik

Penyusunan peringkat model regresi berdasarkan acuan kriteria-kriteria uji
dilakukan untuk mendapatkan model regresi terbaik. Penyusunan peringkat
dilakukan dengan memberikan skor/bobot pada model-model yang diperoleh.
Model regresi terbaik adalah model dengan nilai koefisien determinasi (R2 dan
R2adj) yang tinggi, memiliki nilai simpangan baku (s) yang rendah, lolos dari nilai
F-hitung, serta memiliki nilai-nilai uji validasi sesuai yang disarankan mulai dari
SA, SR, RMSE, e, dan χ2. Rumus yang digunakan dalam pemberian skor adalah:

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

Peta Sebaran Potensi Biomassa

Peta sebaran biomassa dibuat berdasarkan model terpilih yang memiliki skor
tertinggi. Kelas biomasa ditentukan berdasarkan metode Equal Interval. Pembagian
kelas ini mempertimbangkan distribusi sebaran biomassa yang ada di lapangan.
Pembuatan peta sebaran dilakukan dengan bantuan software Erdas Imagine 2014
dan ArcGis 10.3.

HASIL DAN PEMBAHASAN

Uji Asumsi Klasik

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

Tabel 7 Hasil korelasi antar indeks vegetasi dengan biomassa

NDVI GNDVI IPVI SAVI BIOMASS
NDVI -
GNDVI 0.989 -
IPVI 1.000 0.989 -
SAVI 1.000 0.989 1.000 -
BIOMASS 0.754 0.748 0.754 0.754 -

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.

Model Persamaan Penduga Biomassa

Pendugaan potensi biomassa menggunakan 100 data plot contoh, dengan 66
data untuk penyusunan model dan 34 data untuk validasi model. Penyusunan model
dilakukan berdasarkan indeks vegetasi yang memenuhi syarat uji statistik
parametrik. Model yang digunakan dalam penelitian ini disusun dalam bentuk
eksponensial dan power. Hubungan antara indeks vegetasi dengan biomassa lapang
disajikan pada Gambar 6 dan Gambar 7. Hasil analisis regresi antara peubah X
(indeks vegetasi) dengan peubah Y (biomassa) menghasilkan model yang tersaji
pada Tabel 8.

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

Tabel 8 Model persamaan penduga biomassa

Jenis Kode Persamaan s R2 R2adj Fhit Ftab
M1 B = 2291.587 NDVI4.972 0.357 61.31% 60.71% 101.43 3.99
Power

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

M6 B = 7.76901 ℮7.063 GNDVI 0.365 59.47% 58.84% 93.92 3.99

M7 B = 0.000332 ℮16.48 IPVI 0.364 59.57% 58.94% 94.92 3.99
M8 B = 0.237 ℮1.267 SAVI 0.364 59.56% 58.93% 94.28 3.99

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

Validasi model bertujuan untuk membandingkan data observasi lapang

dengan data dugaan dari model. Uji validasi ditentukan berdasarkan nilai-nilai
simpangan agregat (SA), simpangan rata-rata (SR), Root Mean Square Error
(RMSE), nilai bias (e), dan uji χ² (chi-square) yang disajikan pada Tabel 9.
Berdasarkan hasil uji validasi pada Tabel 9, semua model memiliki nilai SA pada
kisaran 0.35 hingga 0.36 dan nilai SR yang berkisar antara 6.48 hingga 6.68,
sehingga memenuhi kriteria uji validasi. Nilai RMSE menunjukkan kedekatan nilai
penduga dengan nilai aktual di lapangan. Menurut Manik et al (2012), semakin
rendah nilai RMSE menunjukkan kedekatan nilai dugaan dengan nilai aktual di
lapangan semakin tinggi. Nilai RMSE terendah sebesar 11.88 pada model M1 dan
M4.
 17

Tabel 9 Hasil uji validasi

Indikator Uji Validasi
Kode
SA SR (%) RMSE (%) e ꭓ2 hit ꭓ2 tabel
M1 0.35 6.48 11.88 2.80 1.39 46.194
M2 0.36 6.65 12.19 3.12 1.44 46.194
M3 0.36 6.53 11.92 2.74 1.40 46.194
M4 0.35 6.48 11.88 2.79 1.39 46.194
M5 0.36 6.55 11.95 2.69 1.40 46.194
M6 0.36 6.68 12.17 3.00 1.43 46.194
M7 0.36 6.56 11.93 2.64 1.40 46.194
M8 0.36 6.55 11.96 2.70 1.41 46.194

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

Pemilihan model terbaik dilakukan dengan mempertimbangkan hasil uji

validasi. Model terbaik ditentukan melalui skoring. Model regresi penduga
biomassa terbaik dipilih berdasarkan skor yang paling tinggi. Model persamaan
terbaik disajikan pada Tabel 10.

Tabel 10 Skor penentu persamaan terbaik

Skor
Kode Total Ranking
SA SR e RMSE s R2 ꭓ2
M1 8.0 8.0 5.6 8.0 6.9 6.9 8.0 51.4 2
M2 1.7 2.2 1.0 1.0 8.0 8.0 1.0 22.9 7
M3 7.0 6.4 6.4 7.1 3.6 3.7 6.9 41.1 3
M4 8.0 8.0 5.7 8.0 6.9 6.9 8.0 51.5 1
M5 6.2 5.5 7.1 6.3 1.3 1.3 5.9 33.7 5
M6 1.0 1.0 2.7 1.4 1.0 1.0 1.9 10.0 8
M7 6.5 5.4 8.0 6.8 1.3 1.3 6.2 35.5 4
M8 6.1 5.5 7.0 6.3 1.3 1.3 5.9 33.4 6
Hasil perhitungan skor pada Tabel 10 menunjukkan bahwa model regresi
penduga biomassa terbaik adalah model power dengan peubah SAVI (M4) yang
memiliki persamaan regresi B = 305.7599 SAVI4.968. Model M4 memiliki nilai
koefisien determinasi (R2) sebesar 61.31%. Hal ini dapat diartikan bahwa model
persamaan power dengan peubah SAVI mampu menjelaskan variasi sebaran
biomassa sebesar 61.31%.
18

Peta Sebaran Biomassa

Gambar 8 Peta sebaran biomassa 8 kelas

Peta sebaran biomassa pada PT Ratah Timber dibuat berdasarkan model yang
terpilih yaitu M4. Sebaran biomassa dikelompokkan menjadi 8 kelas berdasarkan
metode Equal Interval. Metode Equal Interval membagi kelas dengan jangkauan
nilai atribut yang sama besar disetiap kelasnya. Pembagian kelas ini didasarkan
pada pertimbangan distribusi sebaran potensi biomassa di lapangan. Potensi
biomassa setiap kelas disajikan pada Tabel 11.
Tabel 11 Potensi biomassa di PT Ratah Timber
Potensi Biomassa
Kode Luas (ha) Luas (%)
(ton/ha)
B1 < 15 18 678.5 18
B2 15 - 30 16 101.7 16
B3 30 - 45 13 936.6 14
B4 45 - 60 11 559.4 11
B5 60 - 75 9 207.1 9
B6 75 - 90 7 056.5 7
B7 90 - 105 5 224.3 5
B8 > 105 13 125.1 13
Non Hutan - 7 088.6 7
Tabel 11 menunjukkan bahwa terdapat variasi luas potensi biomassa setiap
kelasnya. Kelas B1 dengan potensi biomassa <15 ton/ha memiliki luasan terbesar,
yakni 18 678.5 ha. Sedangkan luas terendah pada B7 dengan potensi biomassa 90 -
105 ton/ha yakni 5 224.3 ha. Kondisi lapangan dan tampilan pada citra asli serta
citra olahan indeks vegetasi disajikan pada Gambar 9.
 1 (a) (b) (c)* (d)** (e)*** (f)

2 (a) (b) (c)* (d)** (e)*** (f)

3 (a) (b) (c)* (d)** (e)*** (f)

Gambar 9 Perbandingan (a) peta sebaran biomassa; (b) olahan indeks vegetasi; (c,d,e) citra SPOT 6; (d) kondisi lapangan
pada biomassa tinggi (1); sedang (2); rendah (3)

Kombinasi band SPOT 6 (RGB) : *RED-GREEN-BLUE; ** NIR-RED-GREEN; ***RED-NIR-GREEN

19
20

Berdasarkan pembagian kelas pada Tabel 11, 8 kelas sebaran biomassa

dikelompokkan menjadi biomassa rendah, sedang, dan tinggi. Kelompok biomassa
rendah terdiri dari kelas B1 dan kelas B2, biomassa sedang terdiri dari kelas B3, B4,
dan B5, sedangkan kelas B6, B7, dan B8 termasuk kelompok biomassa tinggi.
Gambar 9 menunjukkan perbandingan biomassa rendah, sedang dan tinggi pada
peta sebaran biomassa, citra olahan indeks vegetasi (SAVI), citra asli, serta kondisi
di lapangan. Biomassa tinggi pada peta sebaran biomassa ditunjukkan dengan
warna hijau, biomassa sedang berwarna kuning hingga hijau muda, dan biomassa
rendah berwarna merah hingga jingga. Vegetasi pada citra olahan indeks vegetasi
mendekati warna putih. Semakin tinggi nilai biomassa, maka warna yang
ditampilkan semakin terang, sedangkan jalan dan sungai berwarna gelap. Tampilan
pada citra asli terlihat perbedaan yang jelas antara vegetasi dan non vegetasi.
Kondisi lapangan pada kelompok biomassa tinggi ditunjukkan dengan banyaknya
jumlah pohon dan diameter yang besar. Kelompok biomassa sedang dan rendah
memiliki beberapa variasi, seperti jumlah pohon sedikit dengan diameter besar,
jumlah pohon banyak namun diameter kecil, ataupun dipenuhi dengan liana dan
belukar.
Peta sebaran yang dihasilkan dari model penduga biomassa terbaik memiliki
sebaran kelas biomassa yang menyerupai kondisi aktual di lapangan. Hal ini dapat
dimanfaatkan untuk perencanaan kegiatan pengelolaan hutan di areal yang diteliti.
Adanya peta sebaran biomassa ini memudahkan penentuan lokasi biomassa tinggi
dan biomassa rendah, yang kemudian dapat dijadikan acuan dalam perencanaan
pemanenan hutan. Perencanaan pemanenan hutan yang dimaksud dimulai dari
pembukaan jalan hingga penebangan dan pengangkutan.

SIMPULAN DAN SARAN

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

Untuk penerapan di tempat lain, penulis menyarankan untuk melaksanakan

verifikasi kembali guna mengetahui keterhandalan model di tempat implementasi.
 21

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)

Indeks Vegetasi Biomassa

No
NDVI GNDVI IPVI SAVI (ton/ha)
36 0.726 0.583 0.863 1.089 356.71
37 0.651 0.506 0.825 0.976 342.60
38 0.641 0.497 0.820 0.961 320.13
39 0.661 0.520 0.831 0.991 310.55
40 0.602 0.459 0.801 0.902 291.26
41 0.598 0.442 0.799 0.897 266.96
42 0.577 0.425 0.788 0.865 260.06
43 0.672 0.531 0.836 1.008 246.26
44 0.662 0.500 0.831 0.992 242.71
45 0.618 0.466 0.809 0.927 234.93
46 0.575 0.408 0.787 0.862 224.75
47 0.622 0.468 0.811 0.932 220.33
48 0.614 0.468 0.807 0.921 214.98
49 0.675 0.533 0.838 1.013 207.32
50 0.577 0.404 0.789 0.865 197.54
51 0.611 0.458 0.806 0.916 187.17
52 0.584 0.429 0.792 0.876 175.11
53 0.556 0.396 0.778 0.834 159.89
54 0.592 0.428 0.796 0.888 155.04
55 0.588 0.437 0.794 0.881 152.32
56 0.605 0.454 0.802 0.907 144.90
57 0.570 0.389 0.785 0.854 143.23
58 0.610 0.450 0.805 0.914 139.68
59 0.518 0.344 0.759 0.777 131.78
60 0.524 0.354 0.762 0.786 119.24
61 0.598 0.436 0.799 0.897 114.08
62 0.588 0.423 0.794 0.882 105.78
63 0.584 0.427 0.792 0.875 96.99
64 0.589 0.427 0.795 0.883 87.74
65 0.511 0.337 0.756 0.767 64.68
66 0.427 0.245 0.713 0.639 25.46
 25

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

Lampiran 3 Hasil uji normalitas Kolmogorov-Smirnov dengan sisaan data

NDVI GNDVI IPVI SAVI
N 100 100 100 100
Derajat Kepekaan 0.05 0.05 0.05 0.05
Kolmogorov Smirnov 0.75 0.73 0.75 0.75
P-value > 0.150 > 0.150 > 0.150 > 0.150
Normalitas N N N N
Keterangan : N = Normal

Lampiran 4 Hasil uji heteroskedastisitas

Indeks Vegetasi Signifikansi Keterangan
NDVI 0.348 TT
GNDVI 0.858 TT
IPVI 0.318 TT
SAVI 0.266 TT
Keterangan : TT = Tidak terjadi heterokedastisitas
 27

RIWAYAT HIDUP

Penulis yang dilahirkan pada tanggal 24 Agustus 1997 di Magelang, Jawa

Tengah adalah anak pertama dari dua bersaudara dari pasangan Bapak Fatchurohim
dan Ibu Ari Puntorini. Penulis memulai jenjang pendidikan formal di TK PGRI
Kajangkoso (2002-2003) SD Negeri Pakis 1 (2003-2009), SMP Negeri 1 Tegalrejo
(2009-2012), SMA Negeri 2 Kota Magelang (2012-2015). Pada tahun 2015, penulis
diterima di Departemen Manajemen Hutan Fakultas Kehutanan, Institut Pertanian
Bogor melalui jalur seleksi Seleksi Nasional Masuk Perguruan Tinggi Negeri
(SNMPTN).
Sebagai mahasiswa, penulis pernah menjadi asisten mata kuliah Teknik
Inventarisasi Sumberdaya Hutan serta mata kuliah Geomatika dan Inderaja
Kehutanan pada tahun 2018. Selain itu, penulis pernah aktif di organisasi Forest
Management Student Club (FMSC) sebagai sekretaris II pada kepengurusan 2016-
2017 dan menjadi staf Divisi Keprofesian pada periode berikutnya. Penulis pernah
mengikuti Praktik Umum Kehutanan (PUK) di Baturaden, Cilacap, dan Gunung
Walat pada tahun 2017, dan Praktik Kerja Lapang (PKL) di PT Ratah Timber,
Kalimantan Timur pada tahun 2019. Kegiatan sosial yang pernah diikuti penulis
yaitu Bina Cinta Lingkungan IPB pada tahun 2016 dan Bina Hutan Rakyat pada
tahun 2017.
Selain dalam organisasi, penulis juga aktif dalam kepanitiaan seperti IPB
Green Environment Ambassador sebagai anggota divisi acara pada tahun 2016,
Semarak Kehutanan sebagai anggota divisi Dokumentasi, Dekorasi, Ticketing pada
tahun 2016, Managers Night sebagai anggota divisi Dekorasi, Dokumentasi, dan
Desain pada tahun 2016, Seminar Nasional Manajemen Hutan sebagai anggota
divisi acara pada tahun 2017, serta National Environmental and Social Talk sebagai
Bendahara 1 pada tahun 2018.
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada
Program Studi Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor,
penulis menyusun skripsi berjudul “Model Penduga Biomassa Atas Permukaan
Menggunakan Citra Resolusi Tinggi di Kalimantan Timur” di bawah bimbingan
Prof Dr I Nengah Surati Jaya, M Agr.