PENALARAN BERBASIS KASUS UNTUK PENDUGAAN LUAS

BIDANG DASAR (LBDS) TEGAKAN JATI (Tectona grandis)

MENGGUNAKAN FOTO UDARA FORMAT KECIL

SKRIPSI

Oleh:

IZHAR AULIYA

15/377821/KT/07939

FAKULTAS KEHUTANAN

UNIVERSITAS GADJAH MADA

YOGYAKARTA

2019

i
PENALARAN BERBASIS KASUS UNTUK PENDUGAAN LUAS

BIDANG DASAR (LBDS) TEGAKAN JATI (Tectona grandis)

MENGGUNAKAN FOTO UDARA FORMAT KECIL

HALAMAN COVER

SKRIPSI

Oleh:

IZHAR AULIYA

15/377821/KT/07939

FAKULTAS KEHUTANAN

UNIVERSITAS GADJAH MADA

YOGYAKARTA

2019

ii
PENALARAN BERBASIS KASUS UNTUK PENDUGAAN LUAS

BIDANG DASAR (LBDS) TEGAKAN JATI (Tectona grandis)

MENGGUNAKAN FOTO UDARA FORMAT KECIL

HALAMAN JUDUL

SKRIPSI

Diajukan Kepada Fakultas Kehutanan Universitas Gadjah Mada

Untuk Memenuhi Sebagian dari Syarat-Syarat

Guna Memperoleh Gelar

Sarjana Kehutanan

Disusun Oleh:

IZHAR AULIYA

15/377821/KT/07939

FAKULTAS KEHUTANAN

UNIVERSITAS GADJAH MADA

YOGYAKARTA
2019

iii
 HALAMAN PENGESAHAN

PENALARAN BERBASIS KASUS UNTUK PENDUGAAN

LUAS BIDANG DASAR (LBDS) TEGAKAN JATI (Tectona grandis)
MENGGUNAKAN FOTO UDARA FORMAT KECIL

Izhar Auliya

15/377821/KT/07939

Telah Dipertahankan di Hadapan Dewan Penguji Fakultas Kehutanan

Universitas Gadjah Mada Yogyakarta dan Diterima untuk Memenuhi Sebagian
dari Persyaratan Memperoleh Derajat Sarjana Kehutanan
Pada Tanggal: ...............2019

Dosen Pembimbing I Dosen Pembimbing II

Dr. Wahyu Wardhana, S.Hut., M.Sc. Djoko Soeprijadi, S.Hut., M.Sc.

Anggota Dewan Penguji:

1. Dr. Wahyu Wardhana, S.Hut., M.Sc. ………………..

2. Djoko Soeprijadi, S.Hut., M.Sc. ………………..
3. Dr. Emma Soraya, S.Hut., M.For. ………………..
4. Dr. Senawi, M.P ………………..
Tanggal Pengesahan ………………………..

Mengesahkan
Fakultas Kehutanan Universitas Gadjah Mada
Dekan

Dr. Budiadi, S.Hut., M.Agr.Sc.

iv
 PERNYATAAN BEBAS PLAGIASI

Saya yang bertanda tangan di bawah ini :

Nama : Izhar Auliya

NIM : 15/377821/KT/07939
Tahun terdaftar : 2015
Program Studi : Manajemen Hutan
Fakultas/ Sekolah : Kehutanan/ Universitas Gadjah Mada

Menyatakan bahwa dalam dokumen ilmiah Skripsi ini tidak terdapat bagian dari
karya ilmiah lain yang telah diajukan untuk memperoleh gelar akademik di suatu
lembaga Pendidikan Tinggi, dan juga tidak terdapat karya atau pendapat yang
pernah ditulis atau diterbitkan oleh orang/ lembaga lain, kecuali yang secara
tertulis disitasi dalam dokumen ini dan disebutkan sumbernya secara lengkap
dalam daftar pustaka.

Dengan demikian saya menyatakan bahwa dokumen ilmiah ini bebas dari unsur-
unsur plagiasi dan apabila dokumen ilmiah Skripsi ini di kemudian hari terbukti
merupakan plagiasi dari hasil karya penulis lain dan/atau dengan sengaja
mengajukan karya atau pendapat yang merupakan hasil karya penulis lain, maka
penulis bersedia menerima sanksi akademik dan/atau sanksi hukum yang berlaku.

Yogyakarta, Desember 2019

Yang menyatakan,

Izhar Auliya

v
 HALAMAN PERSEMBAHAN

Puji Syukur kepada Allah SWT yang telah memberikan rahmat dan
karunia nya sehingga saya bisa menyelesaikan penelitian ini. Skripsi ini saya
persembahkan untuk:
1. Kedua orangtua saya, Bapak Ahmad Israfil Lubis dan Ibu Yayat Sumiati,
yang tidak henti-hentinya selalu mendoakan untuk kelancaran pengerjaan
penelitian saya, yang tiada henti-hentinya menanyakan kelanjutan dari
tugas akhir ini. Saya persembahkan ini semua untuk Papa dan Mama.
2. Adik saya, Raudhatul Jannah Lubis, terimakasih sudah tidak menanyakan
proses membuatan tugas akhir.
3. Bapak Wahyu Wardhana dan Bapak Djoko Soeprijadi selaku pembimbing
saya, yang tidak hanya bertindak sebagai pembimbing, tapi sekaligus juga
sebagai tempat berkeluh kesah bagi saya, yang telah dengan sangat sabar
membimbing saya dalam pengerjaan penelitian saya. Semoga Tuhan
membalas segala kebaikan bapak.
4. Bapak Senawi dan Ibu Emma Soraya selaku penguji penelitian saya,
terimakasih telah memberikan masukan dan bimbingannya dalam
penelitian ini.
5. Keluarga SISPH 2015, Yosa, Lur Zaki, Jefri, Agni, dan Nur yang selalu
menemani suka duka, yang selalu mencoba bersikap optimis atas semakin
majunya sang waktu dalam menelan masa studi, yang selalu memberi
semangat dan motivasi dalam hal apapun. Terimakasih atas waktu yang
telah kalian berikan selama ini kepada saya.
6. Pak Bambang dan Pak Rohmanudin selaku laboran yang sering saya repoti
7. Sobat-sobat “The Raid” yang tidak membantu dalam pembuatan laporan
ini namun kalian sudah menjadi rumah kedua bagi saya selama masa
perkuliahan ini.
8. Kakak-kakak SISPH yang selalu mengarahkan dan menyemangati saya,
Bang Alfi, Mas Rian, Mas Mike, Mbak Claire, Mbak Yoe, Bang Jon, Mas

vi
 Sans, Mas Luks, Mas Yaasiin, Mbak Angs, Mbak Ris dan Mbak Seren.
Adik-Adik SISPH yang selalu menggoda tapi di dalamnya terselubung
semangat untuk saya, Sebastian, Surya, Joddy, BTP, Tika, Cantigi, Vino,
Rifki, Dian, Fairuz, Aviv dan Resca.
9. Sahabat saya selama masa perkuliahan, Bagas, Bobby, Aji, Roy, dan anak
anak TA Family yang terlalu banyak apabila dituliskan satu per satu.
10. Teman-teman MH 2017 dan GF 2015, terimakasih atas dukungan dan doa
yang sudah diam-diam teman-teman panjatkan
11. Diajeng Maulid, yang rewel tetapi selalu siap sedia kapan saja untuk
mendukung saya, yang selalu memberi semangat dan motivasi untuk tidak
cepat menyerah serta selalu berusaha sebaik mungkin, terimakasih atas
segala hal sudah diluangkan untuk saya.
12. Dan semua orang yang belum sempat saya selipkan di halaman
persembahan ini yang sudah banyak membantu, membimbing, dan
mendoakan demi kelancaran penyusunan penelitian ini. Tuhan yang
membalas segala kebaikan kalian

vii
 KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas berkat
dan karunia-Nya, penulis dapat menyelesaikan Skripsi dengan judul “Pemodelan
Spasial Tingkat Kerentanan Kebakaran Hutan dan Lahan” untuk memperoleh
gelar Sarjana Kehutanan di Fakultas Kehutanan Universitas Gadjah Mada.
Dalam menyelesaikan skripsi ini, penulis mendapatkan bantuan dan
dukungan dari berbagai pihak. Oleh karena itu, penulis mengucapkan terimakasih
kepada:

1. Dr. Budiadi, S.Hut., M.Agr.Sc., selaku Dekan Fakultas Kehutanan

Universitas Gadjah Mada.
2. Dr. Wahyu Wardhanan S.Hut., M.Sc. dan Bapak Djoko Soeprijadi, S.Hut.,
M.Sc. selaku Dosen Pembimbing Skripsi yang telah memberikan arahan,
bimbingan, masukan dan doa selama proses penelitian dan penyusunan
skripsi ini.
3. Dr. Emma Soraya S.Hut., M.For., dan Dr. Senawi, M.P selaku Dosen Penguji
yang telah memberikan masukan untuk penyusunan skripsi ini.
4. Semua pihak yang tidak dapat penulis sebutkan satu per satu yang telah
memberikan doa dan dukungannya
Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Untuk itu
penulis mengharapkan kritik dan saran yang membangun. Semoga skripsi ini
dapat bermanfaat bagi khasanah ilmu pengetahuan.

Yogyakarta, Desember 2019

Izhar Auliya

viii
 DAFTAR ISI

HALAMAN COVER......................................................................................................ii
HALAMAN JUDUL......................................................................................................iii
HALAMAN PENGESAHAN........................................................................................iv
PERNYATAAN BEBAS PLAGIASI.............................................................................v
HALAMAN PERSEMBAHAN.....................................................................................vi
KATA PENGANTAR..................................................................................................viii
DAFTAR ISI..................................................................................................................vii
DAFTAR GAMBAR......................................................................................................ix
DAFTAR TABEL............................................................................................................x
DAFTAR LAMPIRAN..................................................................................................xi
ABSTRAK......................................................................................................................xii
ABSTRACT...................................................................................................................xiii
BAB I PENDAHULUAN................................................................................................1
1.1 Latar Belakang....................................................................................................1
1.2 Rumusan Masalah...............................................................................................4
1.3 Tujuan Penelitian................................................................................................4
1.4 Manfaat...............................................................................................................4
BAB II TINJAUAN PUSTAKA.....................................................................................5
2.1 Inventarisasi Hutan.............................................................................................5
2.2 Penginderaan Jauh..............................................................................................5
2.3 Penginderaan Jauh dengan Foto Udara Format Kecil........................................7
2.4 Inventarisasi Hutan dengan Penginderaan Jauh..................................................8
2.5 Case Based Reasoning........................................................................................9
2.6 Machine Learning.............................................................................................16
2.7 Support Vector Machine...................................................................................17
2.8 Uji Validasi.......................................................................................................17
2.8.1 Simpangan Agregat..............................................................................18
2.8.2 Simpangan Rata-rata............................................................................18
2.8.3 N-RMSE...............................................................................................19
BAB III METODE PENELITIAN...............................................................................21
3.1 Metode Penelitian.............................................................................................21
3.2 Lokasi dan Waktu.............................................................................................21
3.3 Alat dan Data Penelitian...................................................................................21
3.4 Prosedur Penelitian...........................................................................................22
3.4.1 Identifikasi dan Pengumpulan Data......................................................22

vii
 3.4.2 Pencarian Literatur...............................................................................23
3.4.3 Interpretasi Foto Udara.........................................................................23
3.4.4 Proses Perancangan Metode CBR........................................................24
3.4.5 Uji Validasi...........................................................................................26
3.5 Alur Penelitian..................................................................................................27
BAB IV KONDISI UMUM LOKASI PENELITIAN................................................28
4.1. Letak dan Wilayah............................................................................................28
4.2. Pembagian Blok KHDTK.................................................................................29
4.3. Kondisi Tanah dan Iklim..................................................................................29
4.4. Kondisi Tegakan di KHDTK UGM..................................................................30
BAB V RANCANGAN PENERAPAN........................................................................32
5.1 Representasi Kasus...........................................................................................32
5.2 Fase Retrieval untuk Estimasi LBDS...............................................................32
5.2 Fase Reuse.........................................................................................................33
BAB VI HASIL DAN PEMBAHASAN.......................................................................35
6.1 Implementasi CBR............................................................................................35
6.2 Uji Validasi.......................................................................................................40
6.3 Peluang CBR dalam Pendugaan LBDS............................................................46
BAB VII KESIMPULAN DAN SARAN.....................................................................49
7.1 Kesimpulan.......................................................................................................49
7.2 Saran.................................................................................................................49
DAFTAR PUSTAKA....................................................................................................50
LAMPIRAN...................................................................................................................54
Lampiran 1. Data Training.....................................................................................54
Lampiran 2. Data Validasi.....................................................................................65

viii
 DAFTAR GAMBAR

Gambar 2. 1 Siklus Case Based Reasoning

Gambar 2. 2 Alur Case Based Reasoning
Gambar 3. 1 Diagram Alur Penelitian
Gambar 6. 1 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 2 dan
LBDS Aktual.......................................................................................................................
Gambar 6. 2 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 3 dan LBDS
Aktual
Gambar 6. 3 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 4 dan LBDS
Aktual
Gambar 6. 4 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 5 dan LBDS
Aktual
Gambar 6. 5 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 6 dan LBDS
Aktual
Gambar 6. 6 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 7 dan LBDS
Aktual
Gambar 6. 7 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 8 dan LBDS
Aktual
Gambar 6. 8 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 9 dan LBDS
Aktual
Gambar 6. 9 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 10 dan LBDS
Aktual
Gambar 6. 10 Grafik Nilai IKTOP dengan Simpangan Agregat
Gambar 6. 11 Grafik Nilai IKTOP dengan Singangan Rata-rata
Gambar 6. 12 Grafik Nilai IKTOP dengan NRMSE...........................................................
Gambar 6. 13 Hasil Pendugaan Sebaran Rerata LBDS..................................................45

ix
 DAFTAR TABEL

Tabel 3. 1 Data Penelitian

Tabel 4. 1 Pembagian Blok KHDTK ..................………………………………………29
Tabel 4. 2 Luas Kelas Hutan KHDTK ........................................................................... 31
Tabel 6. 1 Nilai Validasi CBR Menggunakan SA, SR, dan NRMSE......
Tabel 6. 2 Peringkat Uji Validasi Pada Model Pendugaan

x
 DAFTAR LAMPIRAN

Lampiran 1 Data Training

Lampiran 2 Data Validasi

xi
PENALARAN BERBASIS KASUS UNTUK PENDUGAAN LUAS BIDANG DASAR
(LBDS) TEGAKAN JATI (Tectona grandis)
MENGGUNAKAN FOTO UDARA FORMAT KECIL

Oleh:
Izhar Auliya1
Wahyu Wardhana2
Djoko Soeprijadi2

Abstrak

Kegiatan inventarisasi hutan memerlukan waktu dan biaya yang tidak

sedikit, oleh karena itu diperlukan pendugaan potensi yang memanfaatkan
kelebihan foto udara. Penggunaan data foto udara digital format kecil sebagai
variabel penduga potensi LBDS dapat meningkatkan efisiensi dalam kegiatan
inventarisasi hutan. Salah satu metode yang dapat diterapkan adalah penalaran
berbasis kasus (case based reasoning/CBR). Penelitian ini bertujuan untuk
melihat kelayakan dari penggunaan CBR untuk pendugaan LBDS di hutan
tanaman jati (Tectona grandis) dengan menggunakan data hasil interpretasi foto
udara dan pengukuran terestris.

Metode penelitian menerapkan aplikasi basis data yang mengadopsi

prinsip dasar CBR. Implementasi metode CBR dilakukan dengan menggunakan
variabel berupa persen penutupan tajuk (C), diameter tajuk (D), dan jumlah pohon
(N). Proses pendugaan dilakukan dengan retrieving basis data berdasarkan
perhitungan indeks kemiripan dengan Euclidean distance. Kelayakan dari
penggunaan CBR dinilai uji validasi menggunakan simpangan agregat (SA),
simpangan rata-rata (SR), dan Normalized Root Mean Square Error (NRMSE).

Hasil penelitian menunjukkan bahwa metode CBR dapat diterapkan untuk

kasus pendugaan LBDS di hutan tanaman KHDTK UGM dengan SA sebesar
0,09, SR sebesar 8,01% dan NRMSE sebesar 2,53 untuk pendugaan dengan nilai
indeks kemiripan 2.

Kata kunci: Penalaran Berbasis Kasus, Tegakan Jati, Foto Udara Format Kecil
1
Mahasiswa Manajemen Hutan, Program Studi S1 Fakultas Kehutanan, UGM
2
Dosen Pengajar Manajemen Hutan, Program Studi S1 Fakultas Kehutanan, UGM
xii
CASE BASED REASONING on PREDICTING Tectona grandis STAND BASAL
AREA USING SMALL FORMAT AERIAL PHOTOGRAPHY

By:
Izhar Auliya1
Wahyu Wardhana2
Djoko Soeprijadi2

Abstract

Forest inventory activities require a lot of time and money, therefore it is

necessary to estimate the potential for utilizing the advantages of aerial
photography. The use of digital small format aerial photo data for estimating basal
area can improve efficiency in forest inventory activities. One method that can be
applied is case-based reasoning (CBR). CBR method is one of the techniques in
computer science that applies the principle of artificial intelligence to solve
problems by taking and adapting previous problem solutions to other similar
problems. This study aims to assess the feasibility of CBR to estimate basal area
on teak stands (Tectona grandis) by using aerial photo and terrestris data.

The research method uses basic data applications that apply the CBR
principle. The CBR method is implemented using variables such as percent crown
closure (C), canopy diameter (D), and number of trees (N). The estimation process
is carried out by retrieving the database based on the calculation of the similarity
index with Euclidean distance. To assess the feasibility of the use of CBR,
validation tests were carried out using aggregate deviation, average deviation, and
Normalized Root Mean Square Error (NRMSE).

The results showed that the CBR method could be applied to the case of
estimating basal area in UGM Forest Area with Special Purposes. This is shown
from the results of the validation test that shows SA 0,09, SR 8,01%, and NRMSE
2,53.

Keywords: Case Based Reasoning, Teak Stand, Small Format Aerial

Photography
1
Student Department of Forest Management, Faculty of Forestry, UGM
2
Lecturer, Department of Forest Management, Faculty of Forestry, UGM

xiii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Pemantauan perubahan kondisi suatu tegakan hutan merupakan

salah satu pemanfaatan dari teknik penginderaan jauh. Data kerapatan

vegetasi, luas lahan, dan keadaan di lapangan dapat dideteksi dengan

teknik penginderaan jauh, termasuk pendugaan potensi tegakan suatu

kawasan hutan. Dalam pelaksanaannya, inventarisasi hutan dapat

dilakukan secara terestris (ground survey), pengukuran menggunakan

teknologi penginderaan jauh (remote sensing), dan pengukuran dengan

menggabungkan kedua metode tersebut (Husch, 1987).

Pengukuran secara terestris dapat menghasilkan data yang lebih

akurat, namun membutuhkan waktu yang lama serta biaya dan tenaga yang

besar, metode ini cenderung memiliki non-sampling error yang

disebabkan kesalahan pengukuran oleh manusia. Berbeda dengan metode

terestris, metode penginderaan jauh dapat dilakukan dalam waktu yang

cepat dengan cakupan yang luas serta informasi yang didapat relatif lebih

lengkap. Namun demikian, metode ini memiliki keterbatasan yaitu

kesalahan penafsiran foto udara oleh manusia (Husch, 1987).

Penggabungan antara metode terestris dan penginderaan jauh

merupakan solusi dari kelebihan dan kekurangan dari kedua metode

tersebut (Simon, 1993). Pengukuran diameter tajuk, kerapatan, dan jumlah

1
 2

pohon dapat dilakukan melalui foto udara, sedangkan pengukuran terestris

diperlukan untuk memastikan hasil pengukuran melalui foto udara.

Metode terestris dan penginderaan jauh dapat dihubungkan oleh

model matematis yang dibangun dengan berbagai metode. Salah satu

komponen yang dibutuhkan adalah model penduga atribut tegakan

berdasarkan atribut peginderaan jauhnya. Azhari (2009) telah

melaksanakan penelitian pendugaan struktur tegakan dengan atribut

penduga dari hasil interpretasi citra SPOT 5 di hutan hujan tropis di

Kabupaten Bungo dan Kabupaten Solok Selatan dengan nilai R 2 masing-

masing 64,3% dan 66,5%. Kurniawan (2004) melaksanakan penelitian

dengan metode analisis regresi linier sederhana untuk pendugaan luas

bidang dasar tegakan dan kerapatan tegakan hutan rakyat di Kecamatan

Sumberjaya, Kabupaten Lampung Barat dengan data nilai reflektal citra

(digital number) SPOT 2 dan diperoleh nilai R2 masing-masing 60,9% dan

68,2%. Kedua penelitian tersebut menunjukkan bahwa permodelan

statistik dalam penerapan penginderaan jauh untuk pendugaan potensi

tegakan masih diperlukan pengembangan.

Soeprijadi (2014) menyatakan bahwa penerapan analisis statistik

untuk pendugaan potensi tegakan biasanya dibatasi oleh ketersediaan

fungsi matematis tertentu. Pada kondisi yang relatif kompleks, pemaksaan

penerapan fungsi matematis sebagai landasan permodelan akan

menurunkan kualitas dari model. Sementara itu, pendekatan lain seperti

sistem dinamik masih belum mampu diterapkan karena tingkat

 3

kerumitannya yang tinggi baik dalam hal penyediaan data, proses analisis

maupun interpretasi hasil analisisnya. Berhadapan dengan situasi ini, maka

diperlukan alternatif lain untuk pendugaan LBDS yang mampu

mengurangi kelemahan kedua metode. Salah satu metode yang dapat

diterapkan adalah penalaran berbasis kasus (case based reasoning).

Case Based Reasoning (CBR) merupakan salah satu metode

pendekatan berbasis pengetahuan untuk mempelajari dan memecahkan

masalah berdasarkan pengalaman/kasus pada masa lalu. Metode ini

merupakan salah satu teknik dalam ilmu komputer yang menerapkan

prinsip kecerdasan buatan untuk resolusi permasalahan dengan cara

mendapatkan ulang dan mengadaptasi solusi pemecahan dari

permasalahan-permasalahan lain yang memiliki kemiripan. Prinsip CBR

dapat diaplikasikan untuk pengambilan keputusan seperti diagnosis,

prediksi, penilaian, kendali proses, dan perancangan (Watson, 1997). CBR

memiliki kelebihan dapat diterapkan untuk mengorganisir data yang

diperlukan untuk membangun rule-based struktur tegakan dan

memungkinkan terjadinya penyempurnaan pengetahuan secara

incremental melalui adaptasi permasalahan baru. Berdasarkan kelebihan

tersebut, metode CBR memiliki peluang untuk menjadi alternatif yang

dapat digunakan untuk pendugaan struktur tegakan. Namun demikian,

sampai saat ini sejauh sepengetahuan penulis rancangan CBR dalam

bidang kehutanan baru diterapkan dalam kajian pendugaan longsor

(Handoko, 2010) dan pendugaan produksi getah pinus (Soeprijadi, 2009).

 4

Belum ada rancang bangun CBR untuk pendugaan LBDS dengan data

atribut penginderaan jauh.

1.2 Rumusan Masalah

CBR memiliki peluang untuk digunakan sebagai penduga potensi

LBDS karena dapat menutupi keterbatasan fungsi matematis yang dimiliki

oleh pendugaan dengan penginderaan jauh dan terestris. Oleh karena itu,

penelelitian ini diarahkan untuk menjawab bagaimana penggunaan CBR

dalam pendugaan LBDS tegakan jati di KHDTK UGM dan bagaimana

kelayakannya sebagai alternatif dalam pendugaan potensi tegakan dengan

metode penginderaan jauh dan terestris.

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah yang ada, maka penelitian ini

ditujukan untuk mengkuantifikasikan kelayakan penerapan metode Case

Based Reasoning pada pendugaan luas bidang dasar tegakan jati di

KHDTK UGM.

1.4 Manfaat

Penelitian ini diharapkan dapat membantu untuk penaksiran

potensi berupa LBDS dari tegakan jati yang betada di KHDTK UGM yang

kemudian informasi tersebut dapat dijadikan bahan pertimbangan untuk

kegiatan perencanaan pengelolaan KHDTK UGM.

 BAB II

TINJAUAN PUSTAKA

2.1 Inventarisasi Hutan

Inventarisasi hutan dapat diartikan sebagai kegiatan untuk

menguraikan kuantitas dan kualitas pohon – pohon hutan serta berbagai

karakteristik areal tanah tempat tumbuhnya (Husch, 1987). Dalam

pelaksanaan inventarisasi hutan, masalah waktu, dana, dan tenaga adalah

vital, dan pada banyaknya kasus hal ini menjadi aspek pengendali

perencanaan. Masalah ini tidak timbul begitu saja tetapi memasuki seluruh

rangkaian kegiatan. Untuk itu diperlukan suatu metode yang sesuai dengan

tujuan inventarisasi.

Metode tersebut perlu dirancang dengan memperhatikan elemen –

elemen inventarisasi hutan seperti: luas areal, kuantitas dan karakteristik

kayu, riap kayu, penaksiran volume pohon yang masih berdiri, dan

keluaran hasil dari tegakan. Setiap informasi tersebut dapat diperoleh

dengan teknik pengambilan data terestris, penginderaan jauh ataupun

teknik yang merupakan gabungan dari keduanya.

2.2 Evaluasi Potensi

Evaluasi potensi (Evapot) merupakan hasil dari kegiatan risalah

hutan yang menampilkan potensi dalam bentuk kuantitattif yang umumnya

berbentuk tabel evapot. Tabel evapot berisi informasi tentang keadaan

5
 6

lapangan dari segi dimensi tegakan, topografi lapangan hingga

ketersediaan dari tegakan (Yulia, 2016).

Pada penelitian ini, digunakan data evapot yang berasal dari KU

IVup. Penggunaan KU IVup dikarenakan bentuk petak ukur lapangan

yang cukup besar yaitu seluas 0,1 Ha. KU I-III tidak digunakan karena

akan menimbulkan variasi untuk luasan petak ukur yang akan dilakukan

interpretasi dari foto udara. KU IVup yang memiliki petak ukur dengan

luas 0,1 Ha juga akan memudahkan interpretasi karena perbedaan variasi

warna pada foto udara akan semakin banyak, sehingga klasifikasi akan

lebih mudah dilakukan.

2.3 Penginderaan Jauh

Penginderaan jauh merupakan ilmu, seni, serta metode untuk

memperoleh informasi dari objek yang jauh tanpa diperlukan adanya

kontak langsung (Konecny, 2003). Lindgren (1985) mengemukakan

bahwa penginderaan jauh merupakan teknik variasi teknik yang

dikembangkan untuk perolehan dan analisis informasi tentang bumi.

Informasi tersebut berbentuk radiasi elektromagnetik yang dipantulkan

dan dipancarkan dari permukaan bumi.

Terdapat empat komponen dasar dari sistem penginderaan jauh

yaitu target, sumber energi, alur transmisi dan sensor. Komponen tersebut

bekerja sama untuk mengukur dan merekam informasi mengenai objek

tanpa mengadakan kontak langsung. Sumantri (2008) mengemukakan

alasan penggunaan citra penginderaan jauh sebagai berikut :

 7

1. Citra memberikan gambaran fenomena di permukaan bumi dengan

wujud dan letak yang identik dengan kondisi sebenarnya.

2. Citra menggambarkan fenomena di permukaan bumi yang relatif

lengkap pada daerah luas dan permanen.

3. Dapat digunakan untuk pengolahan lebih lanjut dalam bentuk 3D

jika dilakukan pengamatan dengan streoskop atau digital.

4. Citra dapat memberikan informasi secara cepat pada daerah yang

sulit dijangkau.

2.4 Penginderaan Jauh dengan Foto Udara Format Kecil

Foto Udara Format Kecil (FUFK) adalah metode yang

menggunakan kamera standar non-metrik sebagai instrumen pemotretan

dan dapat digunakan dalam kegiatan pemetaan foto udara untuk daerah

yang luasnya relatif kecil (Gularso, 2015). Penginderaan jauh dalam

perekaman objek, didasarkan pada pantulan tenaga alami (matahari),

sehingga disebut dengan sistem pasif. Foto udara menggunakan λ 0,3 – 0,9

μm yang terbagi menjadi beberapa spektrum dan terbagi lagi menjadi

beberapa saluran (band). Berdasarkan pada pembagian spektrum maupun

saluran, maka hasil dari citra dengan sistem foto udara dibagi menjadi foto

ultraviolet, foto ortokromatik, foto pankromatik, dan foto inframerah.

Proses perencanaan, pelaksanaan, serta tahap akhir foto udara format kecil

tidak serumit proses foto udara konvensional meskipun area cakupannya

tidak begitu luas. FUFK menggunakan film format kecil, jadi yang
 8

membedakan cara ini dengan cara konvensional adalah film yang

digunakannya, pada kamera udara metrik menggunakan kamera khusus

dengan film ukuran 23 cm x 23 cm, sementara FUFK menggunakan

kamera yang ada di pasaran pada umumnya (kamera 35 mm atau kamera

digital). Dengan bantuan GPS, setiap frame foto mempunyai koordinat

sehingga akan mempermudah proses selanjutnya dan juga meningkatkan

akurasi setiap foto tersebut dengan hasil akhir mosaik foto tetap terkontrol.

Kualitas foto udara diantaranya ditunjukkan oleh ukuran dan

ketajaman objek, resolusi foto, tata ruang, tipe film, dan teknik

interpretasi. Resolusi foto udara didefinisikan sebagai jarak terpendek dari

objek yang masih dapat dibedakan dalam foto udara. Semakin tinggi

resolusi foto, maka semakin baik kualitas foto yang berarti foto tersebut

dapat membedakan objek hingga ukuran kecil.

2.5 Inventarisasi Hutan dengan Penginderaan Jauh

Inventarisasi dengan penginderaan jauh mengandalkan variabel

yang dianggap merepresentasikan kondisi tegakan untuk kemudian

dilakukan pendugaan LBDS tegakan. Variabel penduga LBDS tegakan ini

yang diestimasi atau diperkirakan dapat diukur atau ditafsir secara

langsung melalui foto udara adalah persen penutupan tajuk (C); diameter

tajuk (D); dan jumlah pohon (N) (Jaya, 2002).

Pendugaan LBDS tegakan melalui foto udara dapat dilakukan

dengan menggunakan model-model pendugaan potensi yang menyatakan

hubungan antara LBDS tegakan dan variabel-variabel yang ditaksir

 9

melalui foto udara. Model-model pendugaan ini dapat dinyatakan dalam

bentuk : (1) Persamaan matematis atau persamaan regresi; (2) Tabel

volume; (3) Grafik.

Pengukuran dari dimensi vertikal dan horizontal dibutuhkan dalam

interpretasi foto udara. Interpretasi foto udara dilakukan dengan cara

mengukur diameter tajuk (D), jumlah pohon (N), serta persen tutupan

tajuk (C) untuk melakukan estimasi potensi dari lokasi diteliti. Sebagai

contoh, dalam pemetaan jenis kayu, rata – rata dari diameter kayu harus

diketahui, namun tidak memungkinkan apabila dilakukan dengan

pengukuran terestris. Sehingga, diperlukan tabel konversi yang telah

dikembangkan untuk memprediksi diameter batang kayu berdasarkan

variabel yang dapat diukur melalui foto udara seperti, diameter tajuk (D),

jumlah pohon (N), dan persen tutupan tajuk (C). Hal serupa juga dapat

diterapkan dalam pendugaan LBDS dan volume pohon (Paine, 2012).

2.6 Case Based Reasoning

Case based Reasoning (CBR) merupakan salah satu metode

pendekatan berbasis pengetahuan untuk mempelajari dan memecahkan

masalah berdasarkan pengalaman/kasus pada masa lalu. Pengalaman yang

lalu dikumpulkan dan disimpan dalam tempat yang disebut “Basis Kasus”.

Basis Kasus adalah kumpulan kasus-kasus yang pernah terjadi (Dalis,

2016).

CBR adalah metode yang digunakan untuk mengimplementasikan

sistem diagnosa intelligent ke dalam aplikasi di dunia nyata. CBR juga

 10

dapat digunakan untuk menganalisis suatu masalah sesuai dengan kasus

yang dihadapi dan untuk selanjutnya mengklasifikasikan kasus tersebut

berdasarkan pada pengalaman masa lalu dilakukan pengklasifikasian. Cara

kerja CBR adalah dengan membandingkan kasus baru dengan kasus lama,

jika kasus baru tersebut mempunyai kemiripan dengan kasus lama maka

CBR akan melakukan adaptasi dengan memasukkan kasus baru tersebut ke

dalam basis kasus, sehingga secara tidak langsung pengetahuan CBR

bertambah (Rismawan, 2012).

Kelebihan dari CBR yaitu memungkinkan penggunaan contoh

kasus masa lalu untuk mengakuisisi pengetahuan dan akhirnya diketahui

pokok permasalahannya. Selain itu CBR juga dapat mencari solusi dari

permasalahan tersebut berdasarkan dari pengalaman kasus pada masa lalu

sehingga segala permasalahan yang serupa dapat diselesaikan untuk

selanjutnya kasus serta solusinya disimpan dan kemudian dapat digunakan

kembali untuk memecahkan kasus baru, jika kasus tersebut hampir sama

atau mungkin sama dengan kasus terdahulu. Menurut Aamodt & Plaza

(1994), secara garis besar kerangka kerja dari metode CBR dapat

digambarkan dengan dua bagian, yaitu :

1. Siklus CBR yang berbentuk lingkaran,

2. Struktur tugas untuk CBR.

Aamodt & Plaza (1994) mengatakan bahwa, siklus dari CBR dapat

digambarkan secara sederhana seperti Gambar 2.1

 11

Gambar 2.1 Siklus Case Based Reasoning

Sumber : Aamodt & Plaza (1994)
Secara sederhana, siklus dari CBR terbagi menjadi kedalam empat

tahapan, sebagai berikut:

1. Retrieve, merupakan proses untuk mendapatkan kembali kasus

terdahulu yang serupa dengan kasus yang saat ini terjadi. Retrieve

diterapkan dalam prinsip kemiripan (Similiarity). Similiarity

diterapkan menggunakan Euclidean Distance dengan rumus sebagai

berikut:

√
n
d pq= ∑ w2j ¿ ¿¿.......................................................................(1)
j=1

Keterangan :

d pq : Jarak Euclidean dari kasus p dan q

 12

x pj : Nilai terstandarisasi dari atribut j kasus p, dimana nilainya

berkisar dari 0 s.d. 1 yang dihitung dengan membagi nilai

atribut j kasus p tersebut dengan nilai maksimumnya.

w 2j : Bobot dari atribut j yang dihitung berdasarkan hirarkinya.

Retrieve dapat dijabarkan lebih lanjut sebagai proses untuk

mendapatkan kasus-kasus yang mirip dibandingkan dengan kumpulan

kasus-kasus di masa lalu. Dimulai dengan tahapan mengenali masalah

dan berakhir ketika kasus yang ingin dicari solusinya telah ditemukan

serupa dengan kasus yang telah ada. Tahapan yang ada pada retrieve

ini antara lain:

a. Identify (mengidentifikasi kasus),

b. Search (mencari kumpulan kasus dimasa lalu),

c. Initial match (membandingkan kasus yang baru dengan kasus yang

terjadi dimasa lalu), dan

d. Select (memilih kasus yang mirip).

2. Reuse, merupakan proses untuk menggunakan kembali informasi dan

pengetahuan dalam kasus terdahulu untuk menyelesaikan masalah

yang dihadapi. Reuse suatu kasus dari basis data dalam konteks kasus

baru terfokus pada dua aspek yaitu: perbedaan antara kasus yang ada

dengan kasus yang baru dan bagian mana dari retrieve case yang dapat

digunakan pada kasus yang baru. Ada dua tahap yang digunakan untuk

reuse kasus yang telah ada yaitu:

 13

a. Copy (mengambil dan mengumpulkan kasus yang berbeda dengan

kasus yang pernah dihadapi), dan

b. Adapt (mencari solusi yang tepat dan menyimpannya untuk

digunakan di masa mendatang).

3. Revise, merupakan proses memperbaiki solusi yang telah ada

sebelumnya. Terdapat dua tugas utama dari tahapan ini yaitu:

a. Evaluate Solution (Evaluasi solusi) adalah proses evaluasi yang

didapatkan setelah membandingkan solusi yang didapat dengan

keadaan yang sebenarnya. Hal ini biasanya tahapan di luar dari

metode CBR. Pada tahap evaluasi ini sering memerlukan waktu

yang panjang tergantung dari aplikasi apa yang sedang

dikembangkan, dan

b. Repair Fault (Perbaikan suatu kasus) meliputi pengenalan

kesalahan dari solusi yang dibuat dan mengambil atau membuat

penjelasan tentang kesalahan tersebut.

4. Retain, merupakan proses penyimpanan kasus baru dan solusinya

untuk digunakan dalam menyelesaikan kasus berikutnya. Retain

dilakukan dengan cara memakai solusi yang terakhir sebagai bagian

dari solusi untuk kasus baru. Pada tahap ini terjadi suatu proses

penggabungan dari solusi kasus baru yang tepat ke basis kasus yang

telah ada. Retain dipecah menjadi 3 tahap, yaitu;

a. Extract (memperbaharui kasus lama dengan kasus baru tanpa

melihat solusinya. Jika kasus tersebut sudah diselesaikan dengan

 14

menggunakan kasus sebelumnya, maka kasus baru atau kasus lama

akan dibuat sama atau mirip untuk memasukkan atau

menggolongkan kasus tersebut),

b. Index (memberikan index solusi yang baru diinput), dan

c. Integrate (memperbaharui data kasus dan solusi yang sudah ada

dengan kasus dan solusi yang baru, jika tidak ada kasus baru dan

index sudah dibuat, maka kasus yang sudah ada akan dimodifikasi

indexnya).

Metode CBR menggunakan solusi dari kasus pada masa

lampau untuk diterapkan pada permasalahan baru yang ditunjukkan

oleh suatu kasus. Secara keseluruhan proses yang dilakukan dalam

metode CBR dapat dilihat pada Gambar 2.2

 15

Gambar 2.2 Alur Case Based Reasoning

Sumber: Handoko, 2010
 16

2.7 Machine Learning

Permasalahan yang sering timbul dalam pengolahan citra

penginderaan jauh adalah dimensi data yang besar sehingga sangat sulit

diselesaikan dengan metode tradisional. Machine learning adalah teknik

untuk melakukan inferensi terhadap data dengan pendekatan matematis.

Inti machine learning adalah untuk membuat model (matematis) yang

merefleksikan pola-pola data. Machine learning merupakan cabang dari

ilmu kecerdasan buatan yang berfokus pada pembangunan dan studi

sebuah sistem agar mampu belajar dari data-data yang diperolehnya.

Menurut Arthur Samuel (1959), machine learning adalah bidang studi

yang memberikan kemampuan program komputer untuk belajar tanpa

secara eksplisit diprogram. Adapun tujuan dari machine learning adalah

mempelajari suatu contoh pola serta kemudian menggeneralisasikan

menjadi contoh baru.

Diperlukan data untuk mengaplikasikan teknik dari machine

learning, tanpa adanya data maka algoritma machine learning tidak dapat

bekerja. Data yang ada biasanya dibagi menjadi dua, yaitu data training

dan data validasi. Data training digunakan untuk melatih algoritma,

sedangkan data validasi digunakan untuk mengetahui performa algoritma

yang telah dilatih sebelumnya ketika menemukan data baru yang belum

pernah dilihat (Fikriya, 2017). Pada penelitian kali ini, data dipisahkan

menjadi data training 70%, dan data validasi 30% (Nobertus, 2013).
 17

Ciri khas dari machine learning adalah adanya proses pelatihan,

pembelajaran, atau training. Oleh karena itu machine learning

membutuhkan data untuk dipelajari yang disebut sebagai data training.

Metode machine learning yang paling populer yaitu Sistem Pengambil

Keputusan, Support Vector Machine (SVM), dan Neural Network

(Ahmad, 2017).

2.8 Support Vector Machine

Support Vector Maching (SVM) merupakan pendekatan masalah

klasifikasi dengan dasar batas antar objek klasifikasi yang didefinisikan

sebagai batas antara keputusan (batas antar objek klasifikasi) dan salah

satu sampel. Batas keputusan dipilih untuk menjadi batas yang

dimaksimalkan. Algoritma yang diterapkan pada metode SVM dalam

mendapatkan informasi mengenai suatu objek permukaan bumi yaitu

dengan melakukan pemisahan antara satu objek dengan objek lainnya yang

didasari oleh suatu konsep kernel yang bekerja atas dasar jarak euclidean

pada feature space multi-dimensi (Kohram, 2008).

2.9 Uji Validasi

Uji validasi adalah uji yang digunakan untuk menyatakan derajat

ketepatan alat ukur penelitian terhadap isi sebenarnya yang diukur.

Validitas berhubungan dengan suatu peubah mengukur apa yang

seharusnya diukur (Sugiharto dan Sitinjak, 2006).

 18

Terdapat beberapa perhitungan yang biasa digunakan untuk

menghitung kesalahan dalam model pendugaan. Perhitungan ini dapat

digunakan untuk membandingkan model pendugaan yang berbeda serta

untuk mengawasi pendugaan berjalan dengan benar.

2.9.1 Simpangan Agregat

Simpangan agregat merupakan selisih antara jumlah LBDS aktual

(LBDSa) dan LBDS dugaan (LBDSt) yang diperoleh berdasarkan dari hasil

pendugaan, sebagai presentase terhadap LBDS aktual. Persamaan yang

baik memiliki nilai simpangan agregat (SA) yang berkisar dari -1 sampai

+1 (Spurr, 1952). Nilai SA dapat dihitung dengan rumus, sebagai berikut :

( )
n n

∑ LBDS ti−∑ LBDSai

i=1 i=1
SA= n ..........................................(2)
∑ LBDS ti
i=1

Keterangan :

SA : Simpangan Agregat

LBDSti : LBDS dugaan ke-i

LBDSai : LBDS aktual ke-i

2.9.2 Simpangan Rata-rata

Simpangan rata-rata merupakan rata-rata jumlah dari nilai mutlak

selisih antara jumlah LBDS dugaan (LBDSt) dan LBDS aktual (LBDSa),

proporsional terhadap jumlah LBDS dugaan (LBDSt). Nilai simpangan

 19

rata-rata yang baik adalah tidak lebih dari 10% (Spurr, 1952). Simpangan

rata-rata dapat dihitung dengan rumus, sebagai berikut :

[ ]
n
LBDS ti−LBDS ai
∑ LBDS ti ...............................(3)
i=1
SR= x 100 %
n

Keterangan :

SR : Simpangan Rata-rata

LBDSti : LBDS dugaan ke-i

LBDSai : LBDS aktual ke-i

n : Jumlah data

2.9.3 N-RMSE

Untuk mengetahui tingkat akurasi dari hasil prediksi yang

diperoleh dengan metode CBR terhadap data validasi, dilakukan validasi

hasil menggunakan Normalized Root Mean Square Error (NRMSE). Nilai

kesalahan (error) digunakan untuk mengetahui besarnya simpangan nilai

dugaan terhadap nilai aktual. Kecocokan model dikatakan semakin baik

apabila nilai NRMSE mendekati 0 (Adhani, 2014). NRMSE dihitung

dengan rumus sebagai berikut :

√
n
1
∑ ( LBDS a−LBDS t )2 ......................................(4)
n i=1
NRMSE=
σy

Keterangan :
 20

NRMSE : Normalized Root Mean Square Error

LBDSt : LBDS dugaan

LBDSa : LBDS aktual

σy : Standar Deviasi dari prediksi

 BAB III

METODE PENELITIAN

3.1 Metode Penelitian

Penelitian ini menggunakan pendekatan kuantitatif eksplanatif

untuk menjelaskan kelayakan penggunaan CBR dalam menduga LBDS

dengan variabel berupa hasil interpretasi foto udara. CBR merupakan salah

satu metode pendugaan yang dianggap sederhana untuk diterapkan dalam

analisis data dengan dimensi variabel yang banyak (Satria, 2017).

3.2 Lokasi dan Waktu

Penelitian ini dilakukan dalam dua tahap yaitu interpretasi foto

udara dan pengolahan data. Data terestris diperoleh dari Laboratorium

Spasial dan Pemetaan Hutan berdasarkan hasil dari pengukuran lapangan

pada Juli-Agustus 2016 di KHDTK UGM dan interpretasi foto udara

dilakukan pada Mei 2019. Persiapan dan pengolahan data dilakukan di

Laboratorium Sistem Informasi Spasian dan Pemetaan Hutan,

Departemen Manajemen Hutan, Fakultas Kehutanan Universitas Gadjah

Mada, Yogyakarta.

3.3 Alat dan Data Penelitian

Alat yang digunakan dalam penelitian ini adalah:

1. Software ENVI 5.1

2. Software Arcmap 10.3
3. Software Microsoft Excel
4. Software Microsoft Access

21
 22

5. Alat Tulis
Data yang digunakan dalam penelitian ini disajikan pada Tabel 3.1

Tabel 3. 1 Data Penelitian

No. Data Sumber
1. Shapefile administrasi KHDTK Laboratorium Sistem Informasi
UGM Spasial dan Pemetaan Hutan dan
Pengelola KHDTK UGM
2. Foto udara format kecil wilayah Laboratorium Sistem Informasi
KHDTK UGM tahun 2016 Spasial dan Pemetaan Hutan dan
Pengelola KHDTK UGM
3. Data risalah hutan KU IVup Laboratorium Sistem Informasi
KHDTK UGM tahun 2016 Spasial dan Pemetaan Hutan
4. Data persentase penutupan tajuk Analisis Data
pohon dalam plot sampel
5. Data rata-rata diameter tajuk Analisis Data
pohon dalam plot sampel
6. Data jumlah pohon jati pada plot Analisis Data
sampel

3.4 Prosedur Penelitian

3.4.1 Identifikasi dan Pengumpulan Data

Pada tahap ini dilakukan identifikasi terhadap penelitian yang akan

dilakukan dan pengumpulan data yang sesuai dengan penelitian. Pada

pengumpulan data, data yang digunakan adalah data hasil risalah hutan di

KHDTK UGM pada tahun 2016 dan foto udara wilayah KHDTK UGM

tahun 2016.

Penelitian ini menggunakan dua metode pengambilan data yaitu

metode terestris dan metode penginderaan jauh. Metode terestris dilakukan

untuk mendapatkan data dan kondisi lapangan aktual, data tersebut

 23

merupakan data sekunder pada penelitian ini yang berasal dari

Laboratorium SISPH. Sedangkan untuk metode penginderaan jauh

dilakukan dengan cara menginterpretasi foto udara untuk mendapatkan

variabel-variabel yang digunakan untuk menduga LBDS melalui foto

udara antara lain adalah persen penutupan tajuk (C), diameter tajuk (D),

dan jumlah pohon (N) yang merupakan data primer pada penelitian ini.

3.4.2 Pencarian Literatur

Tahapan ini merupakan percarian terhadap landasan teori yang

menjadi landasan dari penelitian ini. Tahap ini dilakukan dengan cara

mencari literatur dari buku maupun jurnal tentang penelitian tentang

inventarisasi dengan menggunakan foto udara dan penelitian yang

menerapkan metode serupa yaitu case based reasoning.

3.4.3 Interpretasi Foto Udara

Interpretasi foto udara dilakukan dengan menggunakan klasifikasi

support vector machine yang terdapat di software ENVI 5.1 untuk

mendapatkan data persen penutupan tajuk pohon (C). Untuk mendapatkan

data rata-rata diameter tajuk (D) dan jumlah pohon (N) dilakukan digitasi -

on screen pada foto udara.

Tahapan penentuan persen penutupan tajuk (C) dalam penelitian

ini dilakukan dengan klasifikasi support vector machine untuk

membedakan luasan bertajuk dan non-tajuk pada setiap plot contoh yang

diambil. Kerapatan tajuk yang didapatkan akan ditampilkan dalam bentuk

persentase penutupan tajuk terhadap plot contoh yang seluas 0,129 Ha.
 24

Diameter tajuk (D) didapatkan dengan mengukur foto udara secara

langsung menggunakan feature polyline pada Arcmap yang kemudian

diambil rata-rata diameter tajuk dari 5 pohon pada setiap plot contoh.

Penentuan diameter tajuk memerlukan ketelitian yang tinggi dalam

membedakan tajuk yang berada dalam suatu plot contoh. Spurr (1960)

menerangkan bahwa kesalahan terbesar terjadi dalam pengukuran diameter

tajuk pohon pada foto udara apabila tajuk pohon terlihat kecil dan

berkelompok, sehingga sukar untuk menentukan batas antara tajuk satu

dengan yang lainnya. Seperti pengukuran diameter tajuk, perhitungan

jumlah pohon (N) juga dilakukan secara langsung melalui foto udara

menggunakan feature point pada Arcmap.

3.4.4 Proses Perancangan Metode CBR

Perancangan metode CBR mengikuti siklus CBR yang terdiri dari

representasi kasus, retrieve, reuse, revise, dan retain. Namun, pada

penelitian ini, tahap revise dan retain tidak dilakukan karena data risalah

hutan merupakan data lapangan sehingga tidak dapat dilakukan perbaikan.

Berikut merupakan tahapan dalam perancangan metode CBR yang

dilaksanakan:

1. Representasi Kasus

Tahap ini merupakan tahapan dimana dilakukan input informasi ke

dalam sistem dengan cara menentukan variabel-variabel pendugaan LBDS

tegakan. Variabel-variabel tersebut merupakan persen penutupan tajuk

(C); diameter tajuk (D); dan jumlah pohon (N). Representasi dilakukan
 25

dengan cara menyusun tabel pengorganisasian besaran C,D dan N hasil

interpretasi dan hasil risalah hutan di lapangan.

2. Retrieve

Tahap ini dilakukan dengan cara membuat query untuk mengukur

indeks kemiripan yang diwakilkan dengan besaran nilai euclidean

distance dengan memodifikasi berdasarkan prinsip kemiripan rumus pada

persamaan (1) dan memberikan bobot yang sama pada setiap atribut

penduganya karena tidak dilakukan uji atribut yang paling berpengaruh.

Berikut rumus dari perhitungan euclidean distance:

d= √(Ct −C a ) +( Dt −Da) +¿ ¿.........................................................(5)

2 2

Keterangan:
d : Euclidean Distance
Ct : Persen tutupan tajuk prediksi
Ca : Persen tutupan tajuk kasus
Dt : Diameter tajuk prediksi
Da : Diameter tajuk kasus
Nt : Jumlah pohon prediksi
Na : Jumlah pohon kasus
Nilai dari euclidean distance menunjukkan kedekatan antar kasus, dengan

nilai mendekati 0 menunjukkan bahwa antar kasus memiliki kedekatatan

yang tinggi sehingga diketahui kedua kasus memiliki nilai variabel yang

mendekati.

3. Reuse
 26

Tahap ini dilakukan dengan cara membangun query untuk

menemukan indeks kemiripan tertinggi yaitu dengan mengambil kasus

yang memiliki indeks kemiripan tertinggi dengan kasus referensi.

Percobaan yang dilakukan dengan menerapkan 2 hingga 10 kemiripan

tertinggi yang selanjutnya akan disebut IKTOP 2 sampai IKTOP 10.

Pemilihan n-kemiripan tertinggi didasarkan pada trial and error dengan

pemilihan secara acak. Penggunaan select top akan berdampak pada

akurasi hasil prediksi. Hasil prediksi LBDS diperoleh dari rerata akuisisi

LBDS dari referensi kasus pada masing-masing percobaan kemiripan

tertinggi.

3.4.5 Uji Validasi

Uji validasi dilakukan dengan cara menghitung ketepatan prediksi

berdasarkan perbandingan antara nilai prediksi dan nilai aktual dari LBDS

tegakan. Pada uji validasi digunakan SA, SR, dan N-RMSE untuk

mengukur tingkat kesalahan pada model pendugaan yang dilakukan. N-

RMSE akan memberikan nilai besarnya kesalahan pada suatu model

pendugaan yang menunjukkan tingkat perbedaan antara nilai prediksi

terhadap nilai aktual. Secara visual, keseluruhan tahapan dapat dilihat pada

Gambar 3.1.
 27

3.5 Alur Penelitian

Gambar 3. 1 Diagram Alur Penelitian

 BAB IV

KONDISI UMUM LOKASI PENELITIAN

4.1. Letak dan Wilayah

Penelitian ini dilaksanakan di Kawasan Hutan Dengan Tujuan

Khusus (KHDTK) UGM yang merupakan hutan pendidikan dan pelatihan

Universitas Gadjah Mada sejak tahun 2016 yang ditetapkan berdasarkan

Keputusan Menteri Lingkungan Hidup dan Kehutanan Nomor

SK.632/Menlhk/Setjen/PLA.0/8/2016. KHDTK UGM meliputi kawasan

Bagian Hutan Getas dan Bagian Hutan Ngandong yang merupakan

lingkup dari penelitian ini.

KHDTK UGM secara geografis terletak diantara 7o15’16” LS

sampai 7o22’55” LS dan 111o19’25” BT sampai 111o27’43” BT. Secara

administratif KHDTK UGM berada diantara dua provinsi, yaitu Provinsi

Jawa Tengah dan Provinsi Jawa Timur.

Wilayah KHDTK UGM berbatasan dengan:

Sebelah Utara : Desa Gempol, Desa Tlogotuwung dan Desa Ngrawoh.

Sebelah Timur : Desa Ngelo, Desa Kalang dan Desa Banyu Urip.

Sebelah Selatan : Desa Kalang, Desa Pitu, Desa Dumplengan, dan Desa

Selopuro.

28
 29

Sebelah Barat : Desa Ngancar, Desa Papungan, Desa Karanggeneng dan

Desa Gempol.

4.2. Pembagian Blok KHDTK

KHDTK UGM terdiri dari 5 blok pengelolaan. Adapun lima blok

tersebut sebagai berikut:

Tabel 4. 2 Pembagian Blok KHDTK

Nama Blok Luas (Ha)
Blok Hutan Tua 2.541,28
Blok Khusus 18.05
Blok Pemanfaatan 100.12
Blok Perlindungan 1.127,82
Blok Rehabilitasi 7.113,68
Total 10.091
Sumber : Surat Keputusan (SK) Menteri Lingkungan Hidup dan Kehutanan RI
Nomor 632/Menlhk/Setjen/PLA.0/8/2016

4.3. Kondisi Tanah dan Iklim

KHDTK UGM memiliki tanah dengan jenis vertisol. Tanah jenis

ini memiliki daya kembang-kerut yang cukup tinggi. Pada musim hujan,

tanah tersebut akan mengembang, sementara pada musim kemarau tanah

vertisol akan mengerut. Tanah vertisol memiliki warna abu-abu sampai

hitam dan memiliki tekstur lempung berliat hingga liat. Biasanya tanah

dengan jenis ini memiliki kedalaman solum antara 100 hingga 200 cm

dengan struktur keras di bagian atas dan sedikit gumpal di bagian bawah,

dengan konsistensi teguh atau keras bila kering.

 30

Iklim di KHDTK UGM diwakili oleh 4 kecamatan yang berada di

sekitarnya yaitu Kecamatan Kradenan, Kecamatan Randublatung dan

Kecamatan Jati yang terletak di Kabupaten Blora serta Kecamatan Pitu

yang terletak di Kabupaten Ngawi. Berdasarkan hal tersebut curah hujan di

KHDTK UGM berkisar antara 0 – 470 mm/bulan (BPS Jawa Tengah dan

BPS Jawa Timur, 2018).

4.4. Kondisi Tegakan di KHDTK UGM

KHDTK UGM memiliki tegakan yang terdiri dari kelas hutan KUI

sampai KUVIII, serta terdapat beberapa kelas hutan yang tidak produktif

antara lain TBK, TK, dan TKL. KHDTK UGM didominasi oleh kelas

hutan KUI dengan tanaman pokok berupa jati seluas 3645 Ha. Selain itu,

untuk kelas hutan tidak produktif didominasi oleh TBK dengan luas 2.215

Ha. Berikut rincian mengenai kondisi kelas hutan di KHDTK UGM:

 31

Tabel 4.2 Luas Kelas Hutan KHDTK

No Kelas Hutan Luas (Ha)
1 HL 0,38
2 HTKh 25,39
3 KPKH 2,24
4 KPS 492,60
5 KTn 1,30
6 KUI 3645,63
7 KUII 2284,16
8 KUIII 954,37
9 KUIV 39,36
10 KUV 86,37
11 KUVI 10,24
12 KUVII 6,11
13 KUVIII 19,81
14 LDTI 13,26
15 LTJL 7,44
16 MR 13,93
17 TBK 2215,51
18 TBP 0,83
19 TJKL 49,98
20 TK 955,11
21 TKL 76,95
 BAB V

RANCANGAN PENERAPAN

Perancangan penerapan CBR dalam pendugaan potensi LBDS

tegakan jati mengacu pada siklus CBR seperti pada Gambar 2.1, dimana

kasus baru ditambahkan pada basis kasus yang kemudian dipanggil

kembali untuk dijadikan kasus referensi untuk pendugaan LBDS tegakan

jati. Adapun tahapan dari perancangan penerapan CBR untuk pendugaan

tegakan jati terdiri dari representasi kasus, fase retrieval, dan fase reuse.

5.1 Representasi Kasus

Representasi kasus pada penelitian ini dilakukan dengan

menentukan atribut LBDS tegakan dan atribut penduganya. Atribut LBDS

tegakan terdiri dari informasi lapangan berupa rerata diameter pohon di

lapangan dan N lapangan. Atribut penduga yang digunakan adalah hasil

interpretasi foto udara yaitu persen tutupan tajuk (C), diameter tajuk (D),

dan jumlah pohon (N). Pengorganisasian kasus merupakan tahapan

dimana data dibagi dua menjadi data training dan data validasi. Data

training merupakan data yang digunakan untuk membangun model dan

data validasi merupakan data yang digunakan untuk menerapkan model

yang telah dibangun.

5.2 Fase Retrieval untuk Estimasi LBDS

Proses ini dilakukan dengan pembangunan query berbasis SQL

yang merepresentasikan perhitungan indeks kemiripan, yaitu euclidean

distance. Euclidean distance dihitung berdasarkan nilai kemiripan atau

32
 33

kedekatan jarak data training dengan data validasi. Adapun rumus yang

digunakan pada perhitungan euclidean distance dapat dilihat pada

Persamaan (1), rumus tersebut diterapkan dalam query sebagai berikut:

SELECT Sqr(([Training]![C_Training]-[Validasi]!

[C_Validasi])^2+([Training]![D_Training]-[Validasi]!

[D_Validasi])^2+([Training]![N_Training]-[Validasi]!

[N_Validasi])^2) AS ED, Training.Kode_Training,

Training.C_Training, Training.[LBDS/Ha Training],

Training.D_Training, Validasi.Kode_Validasi,

Validasi.C_Validasi, Validasi.[LBDS/Ha Validasi],

Validasi.D_Validasi

FROM Training, Validasi;

5.2 Fase Reuse

Fase reuse dimulai dengan pengembangan query berbasis SQL

yang berupa select top. LBDS hasil prediksi diperoleh dari nilai rerata

akuisisi LBDS hasil select top. Query SELECT TOP digunakan untuk

memilih data training yang memiliki nilai kedekatan terbaik dengan data

valiadsi. Pemilihan dilakukan berdasarkan nilai K yang digunakan. Berikut

contoh dari query SELECT TOP untuk nilai K=1:

SELECT a.Kode_Validasi, a.Kode_Training, a.ED, a.

[LBDS/Ha Training], a.[LBDS/Ha Validasi]
FROM Euclidean_Distance AS a
WHERE (((a.ED) In (SELECT TOP 1 b.ED
 34

FROM Euclidean_Distance AS b
WHERE b.Kode_Validasi = a.Kode_Validasi
ORDER BY ED ASC
)))
ORDER BY a.Kode_Validasi;
Dari hasil query tersebut, didapatkan satu nilai terdekat antara data

training dengan data validasi yang selanjutnya nilai LBDS dari data

training dirata-ratakan menjadi hasil dugaan dengan query sebagai berikut:

SELECT Avg(K1.[LBDS/Ha Training]) AS

[AvgOfLBDS/Ha Training]
FROM K1;
Hasil query SELECT TOP dijumlahkan untuk selanjutnya digunakan

dalam uji validasi dengan query sebagai berikut:

SELECT Sum(K1.[LBDS/Ha Training]) AS

[SumOfLBDS/Ha Training], Sum(K1.[LBDS/Ha Validasi]) AS
[SumOfLBDS/Ha Validasi]
FROM K1;
 BAB VI

HASIL DAN PEMBAHASAN

6.1 Implementasi CBR

Penelitian ini dilakukan pada tegakan jati dengan KU IVup yang

sebarannya dapat dilihat pada gambar 6.13 yang merupakan peta hasil

dugaan sebaran LBDS. Hasil implementasi metode case based reasoning

(CBR) dapat diperoleh dengan memasukkan atribut penduga yaitu nilai

CDN. Hasil pendugaan tersebut berdasarkan tingkat kemiripan tertinggi

menggunakan indeks kemiripan yakni euclidean distance. Nilai indeks

kemiripan tertinggi yang diuji berkisar antara 2 hingga 10 nilai dengan

kemiripan tertinggi. Nilai kemiripan tertinggi didapatkan dengan cara

perhitungan menggunakan query berbasis SQL yang merupakan hasil

akuisisi dari LBDS aktual per hektar dengan tingkat kemiripan tertinggi

terhadap LBDS training. Hasil pendugaan didapatkan dengan merata-

ratakan nilai hasil dari pencarian indeks kemiripan. Hasil pendugaan

LBDS per hektar disajikan dalam bentuk grafik pada Gambar 6.1 sampai

Gambar 6.9.

35
 36

20
18
LBDS Aktual (m2/Ha) 16
14
12
10
8
6
4
2
0
0 2 4 6 8 10 12 14 16 18

LBDS Dugaan (m2/Ha)

Gambar 6.1 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 2 dan
LBDS Aktual
20
18
16
LBDS Aktual (m2/Ha)

14
12
10
8
6
4
2
0
0 2 4 6 8 10 12 14 16 18

LBDS Dugaan (m2/Ha)

Gambar 6.2 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 3 dan
LBDS Aktual
 37

20
18
LBDS Aktual (m2/Ha) 16
14
12
10
8
6
4
2
0
0 2 4 6 8 10 12 14 16 18

LBDS Dugaan (m2/Ha)

Gambar 6.3 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 4 dan
LBDS Aktual

20
18
16
LBDS Aktual (m2/Ha)

14
12
10
8
6
4
2
0
0 2 4 6 8 10 12 14 16 18

LBDS Dugaan (m2/Ha)

Gambar 6.4 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 5 dan
LBDS Aktual
 38

20
18
LBDS Aktual (m2/Ha) 16
14
12
10
8
6
4
2
0
0 2 4 6 8 10 12 14 16 18

LBDS Dugaan (m2/Ha)

Gambar 6.5 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 6 dan
LBDS Aktual

20
18
16
LBDS Aktual (m2/Ha)

14
12
10
8
6
4
2
0
0 2 4 6 8 10 12 14 16 18

LBDS Dugaan (m2/Ha)

Gambar 6.6 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 7 dan
LBDS Aktual
 39

20
18
LBDS Aktual (m2/Ha) 16
14
12
10
8
6
4
2
0
0 2 4 6 8 10 12 14 16 18

LBDS Dugaan (m2/Ha)

Gambar 6.7 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 8 dan
LBDS Aktual

20
18
16
LBDS Aktual (m2/Ha)

14
12
10
8
6
4
2
0
0 2 4 6 8 10 12 14 16 18

LBDS Dugaan (m2/Ha)

Gambar 6.8 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 9 dan
LBDS Aktual
 40

20
18
LBDS Aktual (m2/Ha) 16
14
12
10
8
6
4
2
0
0 2 4 6 8 10 12 14 16 18

LBDS Dugaan (m2/Ha)

Gambar 6.9 Grafik Perbandingan LBDS Dugaan dengan Nilai IKTOP 10 dan
LBDS Aktual

LBDS dugaan merupakan hasil prediksi dari pendugaan menggunakan

metode CBR, sedangkan LBDS aktual merupakan LBDS hasil

pengolahan data pengukuran secara terestrial.

6.2 Uji Validasi

Validasi model dilakukan pada setiap nilai indeks kemiripan yang

digunakan yaitu 2-10. Uji Validasi yang digunakan untuk melihat

kelayakan dari penggunaan CBR terhadap pendugaan LBDS adalah

Simpangan Agregat (SA), Simpangan Rata-rata (SR), dan Normalized Root

Mean Square Error (NRMSE).

Simpangan agregat menunjukkan selisih antara jumlah LBDS

aktual (LBDSa) dan LBDS dugaan (LBDSt) yang diperoleh berdasarkan

dari hasil pendugaan, sebagai presentase terhadap LBDS aktual.

Simpangan rata-rata menunjukkan rata-rata jumlah dari nilai mutlak selisih

 41

antara LBDS dugaan (LBDSt) dan LBDS aktual (LBDSa) proporsional

terhadap jumlah LBDS dugaan (LBDSt). Sedangkan, N-RMSE merupakan

nilai besarnya kesalahan pada suatu model pendugaan yang menunjukkan

tingkat perbedaan antara nilai prediksi terhadap nilai aktual.

Berdasarkan hasil uji validasi, nilai SA memiliki rentang nilai

0,092234-0,135059. Nilai SR memiliki rentang nilai 8,0091%-34,2640%.

Sedangkan nilai NRMSE memiliki rentang 2,532518-2,752014 pada

pendugaan LBDS. Nilai SA mengalami kenaikan seiring bertambahnya n-

kemiripan yang digunakan, kemudian menurun pada percobaan IKTOP 6,

nilai SA bersifat fluktuatif apabila dilihat pada gambar 6.10. Berbeda

dengan nilai SA yang bersifat fluktuatif, nilai SR cenderung selalu

mengalami kenaikan seiring bertambahnya n-kemiripan yang digunakan,

namun nilai SR mengalami sekali penurunan pada percobaan IKTOP 4

dan 7 seperti yang terlihat pada gambar 6.11. Nilai NRMSE bersifat

fluktuatif tergantung dari nilai indeks kemirian yang digunakan. Dapat

dilihat pada gambar 6.12 dimana nilai NRMSE mengalami peningkatan

seiring bertambahnya nilai indeks kemiripan yang digunakan, kemudian

menurun setelah nilai indeks kemiripan 6 dan naik kembali pada nilai

indeks kemiripan 10.

 42

0.160000

0.140000

0.120000

0.100000

0.080000
SA

0.060000

0.040000

0.020000

0.000000
2 3 4 5 6 7 8 9 10
n-Kemiripan

Gambar 6.10 Grafik Nilai IKTOP dan Simpangan Agregat

40.000000

35.000000

30.000000

25.000000

20.000000
SR

15.000000

10.000000

5.000000

0.000000
2 3 4 5 6 7 8 9 10
n-Kemiripan

Gambar 6.11 Grafik Nilai IKTOP dan Simpangan Rata-rata

 43

2.800000

2.750000

2.700000

2.650000
NRMSE

2.600000

2.550000

2.500000

2.450000

2.400000
2 3 4 5 6 7 8 9 10
n-Kemiripan

Gambar 6.12 Grafik Nilai IKTOP dan NRMSE

Berdasarkan hasil uji validasi, didapatkan nilai SA, SR, dan

NRMSE terbaik pada IKTOP 2. Pemilihan model terbaik dilakukan dengan

cara merata-ratakan uji validasi dari setiap nilai indeks yang diujikan tanpa

dilakukan pembobotan sebelumnya. SR menunjukkan nilai sebesar 8,001%

yang merupakan hasil baik apabila mengacu kepada Spurr (1952) yang

menyebutkan bahwa nilai SR dapat dinilai baik apabila tidak lebih dari

10%. Berdasarkan uji validasii menggunakan NRMSE, diperoleh hasil

yang baik pada setiap percobaan indeks kemiripan. Hasil NRMSE terbaik

terdapat pada IKTOP 2 yaitu sebesar 2,532518. Hasil tersebut sudah

terbilang baik apabila mengacu kepada Adhani (2014) yang menyebutkan

bahwa kecocokan model yang baik merupakan model dengan nilai

NRMSE yang mendekati 0. Oleh karena itu, penggunaan CBR dapat

dikatakan dapaat digunakan untuk kasus pendugaan LBDS yang

 44

selanjutnya dimanfaatkan untuk mengetahui potensi tegakan dan dijadikan

landasan sebagai rencana pengelolaan hutan. Tabel validasi dapat dilihat

pada tabel berikut:

Tabel 6.1 Nilai Validasi CBR Menggunakan SA, SR, dan NRMSE
LBDS LBDS
Nilai
Model SA SR (%) NRMSE Aktual Dugaan
IKTOP
(m2/Ha) (m2/Ha)
2 0,092236 8,009091 2,532518 6,642149 6,779661
3 0,110212 19,833481 2,606974 6,642149 6,979897
4 0,125625 17,557889 2,645072 6,642149 7,018135
5 0,135059 21,571356 2,697996 6,642149 7,205168
CBR 6 0,116186 31,040608 2,752014 6,642149 7,457438
7 0,119229 30,236096 2,732613 6,642149 7,413847
8 0,113440 32,797239 2,716600 6,642149 7,543754
9 0,094435 34,264025 2,688934 6,642149 7,378766
10 0,099935 32,825859 2,699027 6,642149 7,398467
Nilai Max 0,135059 34,264025 2,752014

Tabel 6.2 Peringkat Uji Validasi Pada Model Pendugaan

Nilai
Model SA SR NRMSE Rata Rata Ranking
IKTOP
2 0,682930 0,233746 0,920242 0,612306 1
3 0,816031 0,578843 0,947297 0,780723 2
4 0,930155 0,512429 0,961141 0,801242 3
5 1,000000 0,629563 0,980372 0,869978 4
CBR 6 0,860265 0,905924 1,000000 0,922063 8
7 0,882795 0,882444 0,992950 0,919397 7
8 0,839935 0,957192 0,987132 0,928086 9
9 0,699218 1,000000 0,977079 0,892099 5
10 0,739938 0,958027 0,980746 0,892904 6

Hasil dugaan kemudian disajikan dalam bentuk spasial yang berupa peta

sebaran LBDS pada Gambar 6.13

 45

Gambar 6.13 Hasil Pendugaan Sebaran Rerata LBDS

 46

6.3 Peluang CBR dalam Pendugaan LBDS

Metode CBR dalam penerapannya untuk pendugaan LBDS

memiliki kelebihan dan kelemahan. Kelebihan dari metode CBR adalah

memecahkan masalah dengan mudah karena dapat mengambil solusi yang

cepat dan tepat, semakin banyak kasus yang tersimpan dalam basis kasus

maka sistem akan semakin mudah dalam mendapatkan solusi untuk kasus

yang ingin diprediksi, Sedangkan kelemahan dari CBR adalah metode ini

tidak menjamin solusi yang didapatkan adalah solusi terbaik, karena dalam

tahap metode CBR ini sangat bergantung pada referensi kasus, sehingga

apabila solusi dari kasus yang pernah terjadi merupakan solusi yang salah,

maka dalam tahapan retrieve sangat diperlukan untuk mengurangi tingkat

kesalahannya. Apabila semakin banyak kasus yang tersimpan dalam basis

kasus, maka penyelesaian untuk menemukan solusi terbaik akan semakin

lama karena metode ini akan mencari kasus dengan tingkat kemiripan

tertinggi.

Metode CBR memiliki peluang dalam pendugaan LBDS, sehingga

sangat memungkinkan untuk mengalami perbaikan dan penyempurnaan

secara bertahap. Penyempurnaan dapat dijabarkan berdasarkan siklus CBR

yaitu:

1. Fase Retrieve dengan cara:

a. Penambahan kasus referensi dalam basis kasus, karena semakin

banyak kasus yang tersimpan maka akan menghasilkan solusi yang

 47

semakin baik dalam penyelesaian kasus yang dihadapi dengan cara

mengambil solusi yang sudah ada dari kasus sebelumnya.

b. Penambahan variabel pendugaan sehingga penilaian indeks

kemiripan akan semakin jelas dalam menilai perbedaan dari setiap

kasus. Selain itu, sangat memungkinkan dilakukan pembobotan

untuk setiap variabel sehingga akan lebih jelas untuk mendapatkan

atribut yang mempengaruhi hasil dari solusi kasus tersebut.

2. Fase Reuse dapat dilakukan beberapa penyempurnaan sebagai berikut:

a. Apabila hasil dari prediksi kasus tidak tepat, maka penggunaannya

ditunda hingga dilakukan perbaikan. Diperlukan untuk menambah

kasus baru atau mengahapus kasus yang telah terdapat dalam kasus

referensi.

b. Penggantian n-kemiripan terbaik untuk menemukan hasil yang

semakin baik.

3. Fase Revise memerlukan perbaikan sebagai berikut:

a. Pemeriksaan kasus referensi dengan cara melihat keadaan aktual di

lapangan.

b. Melakukan ground check untuk menilai kemungkinan pelaksanaan

dari solusi yang dihasilkan oleh sistem dengan keadaan aktual di

lapangan.

c. Pengembangan sistem penduga selanjutnya dikembangkan secara

sistematis dan melibatkan para ahli.

 48

4. Fase Retain yaitu mengevaluasi hasil dugaan yang telah diperbaiki

untuk dapat digunakan sebagai referensi kasus baru.

 BAB VII

KESIMPULAN DAN SARAN

7.1 Kesimpulan

Metode CBR dengan atribut penduga berupa C,D, dan N dapat

digunakan untuk pendugaan LBDS di KHDTK UGM. Berdasarkan uji

validasi yang dilakukan, model terbaik ditunjukkan oleh IKTOP 2 dengan

nilai SA sebesar 0,092236, nilai SR sebesar 8,0091% dan NRMSE sebesar

2,532518.

7.2 Saran

Saran untuk pengembangan dari implementasi CBR untuk

pendugaan LBDS:

1. Memperbanyak referensi kasus, sehingga untuk hasil pendugaan akan

berjalan lebih baik karena metode CBR bekerja berdasarkan jumlah

kasus dan solusi yang terdapat di basis kasus.

2. Rancangan CBR untuk pendugaan LBDS memiliki peluang untuk

diterapkan dan mengalami perbaikan dan perkembangan secara

bertahap.

3. Perlu diadakannya pembobotan yang melibatkan para pakar sehingga

setiap variabel yang digunakan akan lebih baik untuk pendugaan

LBDS.

4. Variabel penduga perlu ditambah agar prediksi kasus lebih baik dan

tidak mengalami error di kemudian waktu.

 DAFTAR PUSTAKA

Aamodt, A., and Plaza E. 1994. Case Based Reasoning : Foundational Issues,

Methodological Variations, and System Aproaches, IACom-Artificial

Intellegence Communications, IOS Press, Vol. 7: 1, pp.39-59

Adhani, Gita. 2014. Optimasi Support Vector Regression Menggunakan Genetic

Algorithm dan Particle Swarm Optimization Untuk Prediksi Curah Hujan

Musim Kemarau. Bogor: Institut Pertanian Pertanian.

Ahmad. 2017. Mengenal Artificial Intelligence Machine. Yayasan Cahaya Islam.

Jurnal Teknologi Indonesia.

Azhari, U. 2009. Model Penduga Potensi dan Struktur Tegakan Hutan Hujan

Tropis Menggunakan Citra Spot 5 Supermode (Studi Kasus di Kabupaten

Solok Selatan dan Kabupaten Bungo). Tesis. Sekolah Pascasarjana

Kehutanan Institut Pertanian Bogor. Bogor.

Badan Pusat Statistik Jawa Tengah. 2018. Curah Hujan Tahun 2018. Semarang.

Jawa Tengah.

Badan Pusat Statistik Jawa Timur. 2018. Curah Hujan Tahun 2018. Surabaya.

Jawa Timur.

Dalis, Sopiyan. 2016. Penerapan Case Based Reasoning Untuk Penentuan Obat

Berbasis Algoritma Nearest Neighbor. Jurnal Teknik Komputer AMIK

BSI Vol.II No.2 17-25.

Fikriya, Z. I. 2017. Implementasi Extreme Learning Machine. Jurnal Sains dan

Seni ITS, 16. 18.

 51

Gularso, H. Rianasari, H. dan Silalahi, F. 2015. Penggunaan Foto Udara Format

Kecil Menggunakan Wahana Udara NIR-Awak Dalam Pemetaan Skala

Besar. Bogor. BIG.

Handoko, D. 2010. Case Based Reasoning sebagai Prinsip dalam Aplikasi

Rehabilitasi Hutan dan Lahan untuk Mengurangi Resiko Bencana

Longsor di Sub Das Tinalah, Kulon Progo, Yogyakarta. Skripsi. Fakultas

Kehutanan Universitas Gadjah Mada. Yogyakarta.

Husch, B. 1987. Perencanaan Inventarisasi Hutan. Setyarso A, penerjemah.

Jakarta : Universitas Indonesia, Terjemahan dari : Planning a Forestry

Inventory. Institut Pertanian Bogor.

Jaya, I N.S. 2002a. Aplikasi Sistem Informasi Geografis untuk Kehutanan. Bogor:

Laboratorium Inventarisasi Sumber Daya Hutan. Fakultas Kehutanan.

Kohram, M dan N. M. Sap. 2008. Composite Kernels for Support Vector

Classification of Hyper-Spectral Data. Faculty of Computer and Science

and Information Systems, University Technology Malaysia.

Konecny G. 2003. Geoinformation. Remote Sensing, Photogrametry and

Geographic Information Systems, Taylor & Francis, London.

Kurniawan, A. 2004. Penggunaan Teknologi Penginderaan Jauh dalam

Pendugaan Luas Bidang Dasar Tegakan dan Kerapatan Tegakan (Studi

Kasus di Kecamatan Sumberjaya, Kabnpaten Lampung Barat, Provinsi

Lampung. Skripsi. Fakultas Kehutanan Institut Pertanian Bogor. Bogor.

 52

Nobertus, Krisandi. 2013. Klasifikasi Data Hasil Produksi Kelapa Sawit Pada

PT. Minamas, Kecamatan Parindu. Buletin Ilmiah Math. Vol 02, No. 1,

33-38.

Lindgren, D.T. 1985. Land Use Planning and Remote Sensing. Martinus Nijhoff

Publishers. Doldrecht.

Paine, David P. dan Kiser, James D. 2012. Aerial Photography and Image

Interpretation, Third Edition. John Wiley & Sons, Inc. New Jersey.

Rismawan, T., dan Sri H. 2012. Case-Based Reasoning untuk Diagnosa Penyakit

THT (Telinga Hidung dan Tenggorokan). Ilmu Komputer dan Elektronika,

FMIPA Universtas Gadjah Mada. Yogyakarta.

Samuel, A. L. 1959. Some Studies in Machine Learning Using The Game of

Checkers. IBM Journal of Research and Development. 3(3), 210-229.

Satria, Azizi. 2017. Implementasi Cased Based Reasoning Untuk Diagnosa

Penyakit Berdasarkan Gejala Klinis dan Hasil Pemeriksaan Hematologi

Dengan Probobilitas Bayes. Jurnal Rekrusif, Vol. 5 No.1 43-54.

Simon, H. 1993. Metode Inventore Hutan. Yogyakarta : Aditya Media.

Sitinjak, J. R. T. dan Sugiarto. 2006. LISREL. Yogyakarta: Graha Ilmu.

Soeprijadi, D. 2009. Aplikasi Penalaran Berbasis Kasus (Case-Based Reasoning)

untuk Pendugaan Produksi Getah Pinus. Fakultas Kehutanan. Universtas

Gadjah Mada. Yogyakarta.

Soeprijadi, D. 2014. Penerapan Permodelan Fuzzy Takani-Sugeno-Kang dan

Pencarian Tabu pada Optimasi Penjadwalan Tebangan Hutan Tanaman.

Tesis. Fakultas Ilmu Komputer. Universitas Gadjah Mada. Yogyakarta.

 53

Spurr S. H. 1952. Forest Inventory. NewYork: The Ronald Press Company, Inc.

Spurr S. H. 1960. Photogrametry and Photo Interpretation. New York: The

Ronald Press Company, Inc.

Sumantri, L. (2008). Pemanfaatan Citra Penginderaan Jauh untuk

Mengidentifikasi Patahan Lembang, 1–1

Yulia, Meti S. 2016. Evaluasi Ekonomi Program Pengelolaan Hutan Bersama

Masyarakat di Desa Situraja, KPH Indramayu. Skripsi. Fakultas

Kehutanan Institut Pertanian Bogor. Bogor.

 LAMPIRAN

Lampiran 1. Data Training

No. Training No No_PU C (%) D Digit N Digit N Digit/ha N_PU D_PU D_PU (m) D_PU^2 LBDS/Plot LBDS/ha
T-1 1 IC100 62,92 3,49 5 250 8 17,40 0,17 0,03 0,19 9,50
T-2 2 IC104 70,86 4,95 4 200 9 11,50 0,12 0,01 0,09 4,67
T-3 3 IC105 76,74 3,76 6 300 14 13,27 0,13 0,02 0,19 9,68
T-4 4 IC106 85,39 4,20 5 250 11 13,02 0,13 0,02 0,15 7,32
T-5 5 IC107 81,52 5,24 4 200 10 13,29 0,13 0,02 0,14 6,93
T-6 6 IC111 30,79 3,01 4 200 8 15,61 0,16 0,02 0,15 7,65
T-7 7 IC113 77,92 5,50 3 150 5 15,48 0,15 0,02 0,09 4,70
T-8 8 IC114 70,45 5,63 4 200 10 10,76 0,11 0,01 0,09 4,55
T-9 9 IC119 70,08 3,91 6 300 10 10,64 0,11 0,01 0,09 4,44
T-10 10 IC120 46,70 4,83 3 150 9 10,33 0,10 0,01 0,08 3,77
T-11 11 IC121 86,49 4,89 4 200 9 9,70 0,10 0,01 0,07 3,32
T-12 12 IC124 68,33 4,41 7 350 11 12,10 0,12 0,01 0,13 6,32
T-13 13 IC127 60,86 4,61 2 100 8 14,53 0,15 0,02 0,13 6,63
T-14 14 IC130 68,08 3,01 5 250 8 17,71 0,18 0,03 0,20 9,85
T-15 15 IC131 80,11 4,90 4 200 6 14,60 0,15 0,02 0,10 5,02
T-16 16 IC132 73,08 3,71 5 250 12 15,37 0,15 0,02 0,22 11,12
T-17 17 IC133 53,20 5,15 3 150 7 5,82 0,06 0,00 0,02 0,93
T-18 18 IC136 70,89 3,99 2 100 7 13,19 0,13 0,02 0,10 4,78
T-19 19 IC138 92,58 4,68 5 250 12 14,17 0,14 0,02 0,19 9,46
T-20 20 IC139 91,46 4,32 4 200 12 12,85 0,13 0,02 0,16 7,77
T-21 21 IC143 82,24 5,32 4 200 7 11,15 0,11 0,01 0,07 3,41
 55

T-22 22 IC150 75,52 4,59 6 300 12 13,08 0,13 0,02 0,16 8,06
T-23 23 IC151 92,15 5,01 1 50 6 11,88 0,12 0,01 0,07 3,32
T-24 24 IC156 85,49 5,76 1 50 8 8,68 0,09 0,01 0,05 2,36
T-25 25 IC157 87,96 6,86 2 100 7 10,12 0,10 0,01 0,06 2,81
T-26 26 IC158 94,65 5,73 3 150 9 9,81 0,10 0,01 0,07 3,40
T-27 27 IC163 77,86 3,47 9 450 17 10,02 0,10 0,01 0,13 6,70
T-28 28 IC170 69,92 5,29 2 100 5 8,96 0,09 0,01 0,03 1,58
T-29 29 IC171 87,77 2,63 16 800 13 13,35 0,13 0,02 0,18 9,10
T-30 30 IC173 96,27 5,47 3 150 6 11,04 0,11 0,01 0,06 2,87
T-31 31 IC175 82,46 5,78 2 100 8 7,75 0,08 0,01 0,04 1,89
T-32 32 IC176 79,20 5,12 4 200 7 8,69 0,09 0,01 0,04 2,07
T-33 33 IC177 67,39 5,33 2 100 6 10,59 0,11 0,01 0,05 2,64
T-34 34 IC178 78,98 4,81 2 100 6 10,91 0,11 0,01 0,06 2,80
T-35 35 IC179 74,39 4,82 3 150 8 10,36 0,10 0,01 0,07 3,37
T-36 36 IC180 67,67 5,95 4 200 9 11,78 0,12 0,01 0,10 4,90
T-37 37 IC188 65,86 5,70 3 150 8 14,37 0,14 0,02 0,13 6,48
T-38 38 IC189 75,95 5,68 3 150 9 8,78 0,09 0,01 0,05 2,72
T-39 39 IC190 64,14 5,37 2 100 7 9,65 0,10 0,01 0,05 2,56
T-40 40 IC453 95,96 4,63 6 300 5 16,75 0,17 0,03 0,11 5,51
T-41 41 IC454 71,17 3,83 6 300 5 16,75 0,17 0,03 0,11 5,51
T-42 42 IC455 76,55 3,65 4 200 4 16,32 0,16 0,03 0,08 4,18
T-43 43 IC458 96,86 4,83 6 300 7 15,38 0,15 0,02 0,13 6,50
T-44 44 IC459 97,83 4,50 5 250 12 12,85 0,13 0,02 0,16 7,77
T-45 45 IC460 71,64 4,06 7 350 7 12,65 0,13 0,02 0,09 4,40
T-46 46 IC461 88,25 4,43 5 250 13 16,12 0,16 0,03 0,27 13,26
T-47 47 IC463 87,33 3,11 1 50 7 10,23 0,10 0,01 0,06 2,87
T-48 48 IC471 88,58 3,21 7 350 14 18,22 0,18 0,03 0,36 18,24
 56

T-49 49 IC478 85,83 3,91 6 300 12 17,52 0,18 0,03 0,29 14,45
T-50 50 IC479 94,99 4,41 5 250 7 18,81 0,19 0,04 0,19 9,72
T-51 51 IC481 89,11 5,19 5 250 10 12,26 0,12 0,02 0,12 5,90
T-52 52 IC482 79,23 4,18 4 200 6 11,78 0,12 0,01 0,07 3,27
T-53 53 IC484 45,51 2,79 11 550 10 12,71 0,13 0,02 0,13 6,34
T-54 54 IC485 91,46 4,70 5 250 7 14,70 0,15 0,02 0,12 5,93
T-55 55 IC486 94,08 3,98 5 250 9 10,99 0,11 0,01 0,09 4,26
T-56 56 IC487 80,33 4,24 4 200 4 14,73 0,15 0,02 0,07 3,41
T-57 57 IC488 44,17 4,15 4 200 6 21,28 0,21 0,05 0,21 10,67
T-58 58 IC489 46,07 3,61 5 250 9 14,26 0,14 0,02 0,14 7,18
T-59 59 IC490 94,43 4,27 5 250 7 12,78 0,13 0,02 0,09 4,49
T-60 60 IC491 76,89 4,43 3 150 8 15,13 0,15 0,02 0,14 7,19
T-61 61 IC493 89,08 5,21 2 100 6 14,01 0,14 0,02 0,09 4,62
T-62 62 IC494 85,92 5,59 4 200 5 14,27 0,14 0,02 0,08 3,99
T-63 63 IC496 81,21 5,44 2 100 5 11,08 0,11 0,01 0,05 2,41
T-64 64 IC497 56,17 4,19 6 300 8 11,67 0,12 0,01 0,09 4,28
T-65 65 IC498 87,43 4,44 3 150 4 17,65 0,18 0,03 0,10 4,89
T-66 66 IC500 87,27 5,23 4 200 8 13,46 0,13 0,02 0,11 5,68
T-67 67 IC501 92,27 4,68 5 250 8 16,20 0,16 0,03 0,16 8,24
T-68 68 IC502 89,05 5,17 5 250 8 15,20 0,15 0,02 0,15 7,26
T-69 69 IC503 85,99 6,09 3 150 3 13,06 0,13 0,02 0,04 2,01
T-70 70 IC504 87,80 4,99 5 250 11 11,52 0,12 0,01 0,11 5,73
T-71 71 IC506 89,71 4,52 5 250 8 12,92 0,13 0,02 0,10 5,24
T-72 72 IC507 88,52 3,76 6 300 12 12,58 0,13 0,02 0,15 7,45
T-73 73 IC508 92,53 5,87 2 100 6 18,02 0,18 0,03 0,15 7,65
T-74 74 IC509 91,05 5,85 2 100 9 15,43 0,15 0,02 0,17 8,41
T-75 75 IC510 93,74 4,71 6 300 9 15,43 0,15 0,02 0,17 8,41
 57

T-76 76 IC511 88,86 4,83 5 250 8 9,01 0,09 0,01 0,05 2,55
T-77 77 IC512 76,92 4,43 6 300 16 6,55 0,07 0,00 0,05 2,69
T-78 78 IC517 82,43 5,98 3 150 9 20,21 0,20 0,04 0,29 14,43
T-79 79 IC518 83,24 4,35 5 250 14 7,98 0,08 0,01 0,07 3,50
T-80 80 IC520 85,27 4,58 5 250 13 16,24 0,16 0,03 0,27 13,46
T-81 81 IC525 84,02 4,06 7 350 8 7,29 0,07 0,01 0,03 1,67
T-82 82 IC526 81,71 4,70 3 150 9 11,78 0,12 0,01 0,10 4,90
T-83 83 IC527 97,02 4,41 3 150 8 14,85 0,15 0,02 0,14 6,92
T-84 84 IC528 80,83 4,55 4 200 4 8,64 0,09 0,01 0,02 1,17
T-85 85 IC531 77,30 6,39 2 100 7 26,42 0,26 0,07 0,38 19,18
T-86 86 IC533 75,74 4,51 4 200 9 10,29 0,10 0,01 0,07 3,74
T-87 87 IC534 89,71 4,65 3 150 5 9,33 0,09 0,01 0,03 1,71
T-88 88 IC535 93,33 4,94 3 150 9 13,28 0,13 0,02 0,12 6,23
T-89 89 IC536 78,86 5,68 3 150 10 11,59 0,12 0,01 0,11 5,27
T-90 90 IC539 93,90 4,55 4 200 11 13,74 0,14 0,02 0,16 8,15
T-91 91 IC540 96,77 4,40 5 250 7 18,65 0,19 0,03 0,19 9,56
T-92 92 IC541 95,32 3,88 5 250 8 16,52 0,17 0,03 0,17 8,57
T-93 93 IC543 90,39 4,64 4 200 8 10,45 0,10 0,01 0,07 3,43
T-94 94 IC544 91,27 4,18 3 150 6 9,24 0,09 0,01 0,04 2,01
T-95 95 IC553 86,71 4,41 5 250 12 15,45 0,15 0,02 0,22 11,24
T-96 96 T21 82,96 3,14 5 250 15 13,90 0,14 0,02 0,23 11,38
T-97 97 T83 79,99 5,87 1 50 7 13,83 0,14 0,02 0,11 5,26
T-98 98 IC1 77,51 4,57 2 100 6 13,24 0,13 0,02 0,08 4,13
T-99 99 IC10 81,27 4,55 5 250 9 12,75 0,13 0,02 0,11 5,75
T-100 100 IC11 85,86 5,33 3 150 6 10,10 0,10 0,01 0,05 2,40
T-101 101 IC12 95,08 4,22 5 250 10 13,12 0,13 0,02 0,14 6,76
T-102 102 IC14 93,37 5,15 3 150 11 17,31 0,17 0,03 0,26 12,94
 58

T-103 103 IC15 86,03 5,37 4 200 11 10,36 0,10 0,01 0,09 4,63
T-104 104 IC16 84,94 5,25 4 200 14 13,88 0,14 0,02 0,21 10,58
T-105 105 IC17 82,85 4,91 4 200 10 14,01 0,14 0,02 0,15 7,71
T-106 106 IC18 89,50 4,80 5 250 15 14,48 0,14 0,02 0,25 12,34
T-107 107 IC19 86,99 4,78 2 100 8 14,48 0,14 0,02 0,13 6,58
T-108 108 IC2 71,24 5,19 3 150 5 16,18 0,16 0,03 0,10 5,14
T-109 109 IC20 96,42 4,35 5 250 14 14,08 0,14 0,02 0,22 10,90
T-110 110 IC21 88,31 4,43 4 200 4 12,82 0,13 0,02 0,05 2,58
T-111 111 IC23 84,62 4,13 8 400 6 14,76 0,15 0,02 0,10 5,13
T-112 112 IC243 87,10 4,84 7 350 9 11,90 0,12 0,01 0,10 5,00
T-113 113 IC244 90,92 5,28 5 250 12 10,89 0,11 0,01 0,11 5,59
T-114 114 IC249 95,24 4,91 9 450 17 10,47 0,10 0,01 0,15 7,32
T-115 115 IC25 94,04 4,35 5 250 11 14,19 0,14 0,02 0,17 8,69
T-116 116 IC250 96,46 4,09 5 250 9 12,05 0,12 0,01 0,10 5,13
T-117 117 IC251 74,22 4,57 3 150 6 12,69 0,13 0,02 0,08 3,79
T-118 118 IC254 75,69 4,72 7 350 16 12,64 0,13 0,02 0,20 10,03
T-119 119 IC256 32,10 4,29 2 100 7 13,33 0,13 0,02 0,10 4,88
T-120 120 IC257 79,78 4,69 4 200 5 17,05 0,17 0,03 0,11 5,70
T-121 121 IC260 84,47 5,23 5 250 6 18,42 0,18 0,03 0,16 7,99
T-122 122 IC261 92,87 5,20 6 300 4 12,83 0,13 0,02 0,05 2,59
T-123 123 IC262 96,02 4,49 4 200 14 14,76 0,15 0,02 0,24 11,98
T-124 124 IC263 91,55 4,38 3 150 9 13,09 0,13 0,02 0,12 6,06
T-125 125 IC266 58,64 4,29 3 150 9 12,17 0,12 0,01 0,10 5,23
T-126 126 IC282 83,35 3,93 9 450 11 15,08 0,15 0,02 0,20 9,82
T-127 127 IC283 85,14 4,37 6 300 14 14,54 0,15 0,02 0,23 11,61
T-128 128 IC286 75,67 4,17 4 200 5 13,95 0,14 0,02 0,08 3,82
T-129 129 IC287 69,78 5,03 4 200 6 13,54 0,14 0,02 0,09 4,31
 59

T-130 130 IC288 81,76 5,00 3 150 6 14,86 0,15 0,02 0,10 5,20
T-131 131 IC289 64,42 4,54 3 150 8 13,46 0,13 0,02 0,11 5,68
T-132 132 IC290 83,18 4,87 4 200 10 14,14 0,14 0,02 0,16 7,85
T-133 133 IC291 46,32 4,94 3 150 6 15,95 0,16 0,03 0,12 5,99
T-134 134 IC292 90,89 5,37 2 100 2 14,99 0,15 0,02 0,04 1,76
T-135 135 IC293 88,62 4,83 3 150 10 14,94 0,15 0,02 0,18 8,76
T-136 136 IC294 64,17 4,50 4 200 9 15,11 0,15 0,02 0,16 8,06
T-137 137 IC295 43,81 4,81 3 150 6 12,89 0,13 0,02 0,08 3,91
T-138 138 IC296 92,21 4,91 6 300 16 13,65 0,14 0,02 0,23 11,71
T-139 139 IC297 84,50 3,74 9 450 14 16,79 0,17 0,03 0,31 15,49
T-140 140 IC345 95,29 4,54 4 200 9 17,97 0,18 0,03 0,23 11,41
T-141 141 IC348 86,80 3,88 6 300 15 15,24 0,15 0,02 0,27 13,68
T-142 142 IC349 81,57 5,14 2 100 5 17,40 0,17 0,03 0,12 5,94
T-143 143 IC350 91,85 4,62 6 300 15 13,44 0,13 0,02 0,21 10,63
T-144 144 IC352 85,86 4,92 5 250 7 15,89 0,16 0,03 0,14 6,93
T-145 145 IC361 76,39 4,93 3 150 8 18,71 0,19 0,04 0,22 10,99
T-146 146 IC362 92,76 3,27 9 450 9 14,54 0,15 0,02 0,15 7,47
T-147 147 IC363 88,62 4,55 4 200 14 14,67 0,15 0,02 0,24 11,83
T-148 148 IC364 78,21 5,03 4 200 12 14,46 0,14 0,02 0,20 9,85
T-149 149 IC372 87,88 4,50 4 200 14 15,74 0,16 0,02 0,27 13,62
T-150 150 IC377 67,08 4,06 5 250 10 13,82 0,14 0,02 0,15 7,50
T-151 151 IC379 54,25 4,13 3 150 6 13,10 0,13 0,02 0,08 4,04
T-152 152 IC411 85,63 4,44 3 150 7 17,49 0,17 0,03 0,17 8,41
T-153 153 IC412 37,26 4,65 3 150 10 12,52 0,13 0,02 0,12 6,15
T-154 154 IC419 12,37 4,68 3 150 7 11,24 0,11 0,01 0,07 3,47
T-155 155 IC421 56,61 3,80 3 150 8 11,06 0,11 0,01 0,08 3,84
T-156 156 IC422 97,25 4,69 5 250 6 11,88 0,12 0,01 0,07 3,32
 60

T-157 157 IC423 30,25 5,20 3 150 6 15,02 0,15 0,02 0,11 5,31
T-158 158 IC424 77,74 4,70 3 150 5 19,09 0,19 0,04 0,14 7,15
T-159 159 IC426 80,26 4,83 2 100 7 12,83 0,13 0,02 0,09 4,52
T-160 160 IC427 86,13 6,15 3 150 7 16,20 0,16 0,03 0,14 7,21
T-161 161 IC428 86,70 4,58 4 200 4 14,49 0,14 0,02 0,07 3,30
T-162 162 IC43 77,76 4,90 4 200 14 33,78 0,34 0,11 1,25 62,71
T-163 163 IC431 75,62 5,59 3 150 7 15,09 0,15 0,02 0,13 6,26
T-164 164 IC432 87,92 4,88 5 250 5 15,72 0,16 0,02 0,10 4,85
T-165 165 IC436 81,79 4,42 6 300 9 15,92 0,16 0,03 0,18 8,96
T-166 166 IC44 84,83 4,83 7 350 8 17,08 0,17 0,03 0,18 9,16
T-167 167 IC440 68,89 5,15 3 150 8 14,65 0,15 0,02 0,13 6,74
T-168 168 IC441 51,71 4,44 3 150 7 21,47 0,21 0,05 0,25 12,67
T-169 169 IC442 62,79 4,68 3 150 6 15,82 0,16 0,03 0,12 5,89
T-170 170 IC444 82,26 5,80 2 100 6 18,26 0,18 0,03 0,16 7,85
T-171 171 IC55 89,95 4,70 2 100 6 9,89 0,10 0,01 0,05 2,30
T-172 172 IC56 84,09 4,54 8 400 15 16,05 0,16 0,03 0,30 15,17
T-173 173 IC566 78,83 4,23 4 200 8 9,83 0,10 0,01 0,06 3,04
T-174 174 IC567 52,38 4,31 5 250 4 10,03 0,10 0,01 0,03 1,58
T-175 175 J25 85,47 4,98 4 200 6 18,42 0,18 0,03 0,16 7,99
T-176 176 J28 79,79 5,85 2 100 6 15,28 0,15 0,02 0,11 5,50
T-177 177 J3 65,67 5,27 1 50 6 21,08 0,21 0,04 0,21 10,47
T-178 178 J6 91,89 4,43 5 250 6 32,33 0,32 0,10 0,49 24,62
T-179 179 J8 87,61 5,33 4 200 6 38,58 0,39 0,15 0,70 35,06
T-180 180 T15 25,00 3,66 7 350 5 11,08 0,11 0,01 0,05 2,41
T-181 181 T16 10,47 3,33 1 50 3 9,87 0,10 0,01 0,02 1,15
T-182 182 T19 85,08 4,87 3 150 6 16,58 0,17 0,03 0,13 6,47
T-183 183 T23 16,36 4,29 3 150 9 26,28 0,26 0,07 0,49 24,40
 61

T-184 184 T24 90,49 4,59 5 250 6 14,54 0,15 0,02 0,10 4,98
T-185 185 T30 88,08 3,91 7 350 7 15,22 0,15 0,02 0,13 6,36
T-186 186 T31 92,00 5,33 6 300 5 29,10 0,29 0,08 0,33 16,62
T-187 187 T42 78,81 4,13 3 150 7 11,90 0,12 0,01 0,08 3,89
T-188 188 T44 78,21 4,59 3 150 4 17,41 0,17 0,03 0,10 4,76
T-189 189 T47 29,78 4,00 2 100 5 11,50 0,12 0,01 0,05 2,60
T-190 190 T49 93,67 4,31 4 200 8 18,53 0,19 0,03 0,22 10,78
T-191 191 IC149 67,81 4,55 4 100 11 15,20 0,15 0,02 0,20 4,99
T-192 192 IC154 74,84 6,08 5 125 11 16,16 0,16 0,03 0,23 5,63
T-193 193 IC160 75,40 5,69 5 125 6 9,76 0,10 0,01 0,04 1,12
T-194 194 IC161 90,90 5,58 6 150 12 9,32 0,09 0,01 0,08 2,04
T-195 195 IC167 91,48 5,72 6 150 6 9,18 0,09 0,01 0,04 0,99
T-196 196 IC168 82,71 5,00 6 150 12 7,62 0,08 0,01 0,05 1,37
T-197 197 IC169 91,08 5,92 5 125 6 7,54 0,08 0,01 0,03 0,67
T-198 198 IC182 91,86 4,33 5 125 5 9,20 0,09 0,01 0,03 0,83
T-199 199 IC183 84,98 5,65 6 150 12 6,58 0,07 0,00 0,04 1,02
T-200 200 IC185 78,97 5,04 4 100 6 6,03 0,06 0,00 0,02 0,43
T-201 201 IC186 85,13 5,34 6 150 16 7,56 0,08 0,01 0,07 1,80
T-202 202 IC199 87,81 5,36 8 200 12 7,67 0,08 0,01 0,06 1,39
T-203 203 IC200 87,13 5,08 6 150 4 11,78 0,12 0,01 0,04 1,09
T-204 204 IC201 83,58 5,95 5 125 8 10,02 0,10 0,01 0,06 1,58
T-205 205 IC204 79,05 7,72 5 125 13 7,45 0,07 0,01 0,06 1,41
T-206 206 IC206 86,90 5,03 9 225 14 10,15 0,10 0,01 0,11 2,83
T-207 207 IC207 69,19 4,84 5 125 4 10,16 0,10 0,01 0,03 0,81
T-208 208 IC343 81,59 4,44 18 180 18 25,56 0,26 0,07 0,92 9,23
T-209 209 IC344 87,10 5,34 12 120 17 17,83 0,18 0,03 0,42 4,24
T-210 210 IC355 84,72 6,10 8 80 15 27,13 0,27 0,07 0,87 8,67
 62

T-211 211 IC356 87,70 5,73 10 100 16 25,28 0,25 0,06 0,80 8,03
T-212 212 IC357 77,83 5,08 11 110 15 28,91 0,29 0,08 0,98 9,84
T-213 213 IC366 93,24 5,47 9 90 11 29,30 0,29 0,09 0,74 7,41
T-214 214 IC384 64,42 5,40 13 130 19 11,65 0,12 0,01 0,20 2,02
T-215 215 IC437 48,82 5,28 12 120 11 15,14 0,15 0,02 0,20 1,98
T-216 216 IC562 85,01 5,21 12 120 14 19,70 0,20 0,04 0,43 4,27
T-217 217 IC565 86,63 4,72 14 140 11 44,05 0,44 0,19 1,68 16,76
T-218 218 IC80 76,43 5,35 7 70 12 40,18 0,40 0,16 1,52 15,21
T-219 219 IC304 82,41 4,14 6 300 11 14,53 0,15 0,02 0,18 9,12
T-220 220 IC305 92,55 5,18 6 300 6 12,81 0,13 0,02 0,08 3,86
T-221 221 IC306 97,15 4,65 6 300 6 12,52 0,13 0,02 0,07 3,69
T-222 222 IC307 79,89 4,58 5 250 8 15,41 0,15 0,02 0,15 7,45
T-223 223 IC310 92,96 4,64 5 250 13 15,26 0,15 0,02 0,24 11,89
T-224 224 IC311 81,44 5,04 2 100 5 14,08 0,14 0,02 0,08 3,89
T-225 225 IC312 88,62 4,85 4 200 12 14,46 0,14 0,02 0,20 9,85
T-226 226 IC313 73,73 5,41 2 100 3 12,86 0,13 0,02 0,04 1,95
T-227 227 IC315 89,44 4,77 6 300 16 12,76 0,13 0,02 0,20 10,22
T-228 228 IC318 67,26 3,64 4 200 4 15,62 0,16 0,02 0,08 3,83
T-229 229 IC319 85,22 3,78 5 250 15 11,13 0,11 0,01 0,15 7,29
T-230 230 IC322 75,71 4,76 4 200 8 13,44 0,13 0,02 0,11 5,67
T-231 231 IC323 66,80 4,79 2 100 6 15,72 0,16 0,02 0,12 5,82
T-232 232 IC324 40,26 3,54 7 350 13 11,05 0,11 0,01 0,12 6,23
T-233 233 IC325 90,90 4,43 3 150 10 14,27 0,14 0,02 0,16 7,99
T-234 234 IC330 67,73 3,37 6 300 10 17,36 0,17 0,03 0,24 11,82
T-235 235 IC48 86,77 4,53 6 300 8 14,39 0,14 0,02 0,13 6,50
T-236 236 IC5 59,23 4,75 3 150 10 12,36 0,12 0,02 0,12 5,99
T-237 237 IC54 86,43 5,22 7 350 14 11,28 0,11 0,01 0,14 7,00
 63

T-238 238 IC568 44,72 4,22 5 250 9 11,39 0,11 0,01 0,09 4,58
T-239 239 IC57 53,45 4,48 7 350 7 10,37 0,10 0,01 0,06 2,96
T-240 240 IC571 41,77 2,78 7 350 9 13,06 0,13 0,02 0,12 6,02
T-241 241 IC58 76,52 4,87 4 200 14 14,58 0,15 0,02 0,23 11,68
T-242 242 IC6 78,51 5,29 4 200 12 12,98 0,13 0,02 0,16 7,93
T-243 243 IC60 91,46 4,06 7 350 15 15,41 0,15 0,02 0,28 13,99
T-244 244 IC61 82,61 5,42 3 150 7 11,42 0,11 0,01 0,07 3,58
T-245 245 IC63 83,35 5,26 2 100 6 12,25 0,12 0,02 0,07 3,54
T-246 246 IC67 89,01 4,72 4 200 13 14,82 0,15 0,02 0,22 11,21
T-247 247 IC68 90,61 4,77 5 250 6 13,81 0,14 0,02 0,09 4,49
T-248 248 IC71 45,72 4,58 3 150 9 11,96 0,12 0,01 0,10 5,05
T-249 249 IC72 88,85 5,21 6 300 15 17,56 0,18 0,03 0,36 18,15
T-250 250 IC89 66,94 5,27 4 200 10 15,00 0,15 0,02 0,18 8,83
T-251 251 IC9 87,68 4,10 5 250 14 14,18 0,14 0,02 0,22 11,06
T-252 252 IC90 87,40 4,54 3 150 9 16,56 0,17 0,03 0,19 9,69
T-253 253 IC92 74,73 4,67 3 150 8 14,43 0,14 0,02 0,13 6,54
T-254 254 IC95 60,72 3,87 7 350 12 11,62 0,12 0,01 0,13 6,36
T-255 255 IC96 83,34 4,53 5 250 10 11,27 0,11 0,01 0,10 4,99
T-256 256 IC98 72,09 4,76 4 200 8 9,67 0,10 0,01 0,06 2,94
T-257 257 J10 84,90 5,31 3 150 6 34,42 0,34 0,12 0,56 27,90
T-258 258 T51 65,77 4,91 2 100 6 15,75 0,16 0,02 0,12 5,84
T-259 259 T55 66,39 4,81 2 100 8 13,60 0,14 0,02 0,12 5,81
T-260 260 T58 71,56 4,62 5 250 9 11,18 0,11 0,01 0,09 4,42
T-261 261 T61 69,44 4,79 1 50 4 12,02 0,12 0,01 0,05 2,27
T-262 262 T62 90,12 3,97 7 350 7 12,12 0,12 0,01 0,08 4,04
T-263 263 T63 86,56 4,21 4 200 8 11,41 0,11 0,01 0,08 4,09
T-264 264 IC468 87,08 3,90 9 225 14 13,19 0,13 0,02 0,19 4,78
 64

T-265 265 IC475 73,63 4,34 7 175 10 11,59 0,12 0,01 0,11 2,64
T-266 266 IC514 93,06 5,46 8 200 16 13,99 0,14 0,02 0,25 6,15
T-267 267 IC515 92,56 4,63 9 225 12 15,57 0,16 0,02 0,23 5,71
T-268 268 IC519 88,10 3,44 13 325 6 8,01 0,08 0,01 0,03 0,76
T-269 269 IC521 98,87 5,46 6 150 11 15,87 0,16 0,03 0,22 5,43
T-270 270 IC522 90,86 5,29 8 200 15 13,23 0,13 0,02 0,21 5,15
T-271 271 IC523 69,96 4,71 7 175 17 15,29 0,15 0,02 0,31 7,80
T-272 272 IC524 94,86 5,92 6 150 10 18,54 0,19 0,03 0,27 6,74
T-273 273 IC529 91,53 4,90 7 175 12 15,45 0,15 0,02 0,22 5,62
T-274 274 IC547 88,40 4,61 9 225 16 12,46 0,12 0,02 0,20 4,88
T-275 275 J16 64,26 5,74 6 150 6 19,50 0,20 0,04 0,18 4,48
T-276 276 J17 77,34 4,93 11 275 6 18,17 0,18 0,03 0,16 3,89
T-277 277 J53 85,54 5,39 3 75 6 13,58 0,14 0,02 0,09 2,17
T-278 278 T14 62,12 4,43 6 150 14 15,54 0,16 0,02 0,27 6,63
T-279 279 IC28 86,18 4,61 4 100 7 14,38 0,14 0,02 0,11 2,84
T-280 280 IC29 95,06 4,58 8 200 9 10,86 0,11 0,01 0,08 2,08
T-281 281 IC299 87,77 5,05 3 75 8 13,00 0,13 0,02 0,11 2,66
T-282 282 IC332 92,41 4,43 5 125 9 13,53 0,14 0,02 0,13 3,23
T-283 283 T73 83,34 5,43 7 175 11 15,72 0,16 0,02 0,21 5,33
T-284 284 T75 85,84 5,27 8 200 9 20,67 0,21 0,04 0,30 7,55
T-285 285 T82 86,21 4,65 7 175 16 18,63 0,19 0,03 0,44 10,90
T-286 286 IC164 93,23 6,87 10 100 11 60,22 0,60 0,36 3,13 31,31
T-287 287 IC465 90,09 5,95 18 180 13 49,02 0,49 0,24 2,45 24,52
T-288 288 IC472 88,17 6,33 10 100 15 41,32 0,41 0,17 2,01 20,10
T-289 289 IC326 93,96 5,32 8 80 9 43,24 0,43 0,19 1,32 13,21
T-290 290 IC327 84,48 5,73 8 80 15 29,62 0,30 0,09 1,03 10,33
 65

Lampiran 2. Data Validasi

No. Validasi No No_PU C (%) D Digit N Digit N Digit/ha N_PU D_PU D_PU (m) D_PU^2 LBDS/Plot LBDS/ha
V-1 1 IC191 81,49 5,28 4 200 6 9,02 0,09 0,01 0,04 1,92
V-2 2 IC192 86,68 7,25 2 100 7 11,37 0,11 0,01 0,07 3,55
V-3 3 IC193 69,70 4,86 2 100 5 7,20 0,07 0,01 0,02 1,02
V-4 4 IC194 43,57 5,01 1 50 6 8,49 0,08 0,01 0,03 1,70
V-5 5 IC196 74,45 4,74 4 200 8 10,35 0,10 0,01 0,07 3,36
V-6 6 IC197 46,76 5,76 1 50 4 10,54 0,11 0,01 0,03 1,74
V-7 7 IC198 68,70 5,45 4 200 11 10,60 0,11 0,01 0,10 4,85
V-8 8 IC203 68,36 5,68 3 150 8 8,96 0,09 0,01 0,05 2,52
V-9 9 IC209 90,86 5,28 2 100 9 12,17 0,12 0,01 0,10 5,23
V-10 10 IC212 90,46 3,46 4 200 6 6,90 0,07 0,00 0,02 1,12
V-11 11 IC216 73,17 4,10 4 200 5 6,56 0,07 0,00 0,02 0,84
V-12 12 IC218 72,36 3,50 4 200 10 10,99 0,11 0,01 0,09 4,74
V-13 13 IC219 75,92 5,01 3 150 6 11,01 0,11 0,01 0,06 2,86
V-14 14 IC220 68,95 4,61 4 200 5 9,11 0,09 0,01 0,03 1,63
V-15 15 IC221 89,43 4,73 5 250 10 12,58 0,13 0,02 0,12 6,21
V-16 16 IC222 55,70 3,23 6 300 10 12,53 0,13 0,02 0,12 6,16
V-17 17 IC223 86,74 4,67 4 200 6 12,27 0,12 0,02 0,07 3,55
V-18 18 IC225 83,83 4,97 6 300 8 9,47 0,09 0,01 0,06 2,82
V-19 19 IC226 72,86 4,58 5 250 9 10,69 0,11 0,01 0,08 4,03
V-20 20 IC227 88,73 4,56 4 200 6 7,80 0,08 0,01 0,03 1,43
V-21 21 IC228 79,08 4,06 3 150 11 3,71 0,04 0,00 0,01 0,59
V-22 22 IC271 73,78 4,53 5 250 7 11,69 0,12 0,01 0,08 3,76
V-23 23 IC272 48,24 4,42 4 200 11 12,07 0,12 0,01 0,13 6,29
V-24 24 IC274 89,31 4,64 3 150 6 13,38 0,13 0,02 0,08 4,21
 66

V-25 25 IC275 78,59 4,71 5 250 13 14,70 0,15 0,02 0,22 11,02
V-26 26 IC276 77,35 5,20 3 150 8 18,71 0,19 0,04 0,22 10,99
V-27 27 IC277 87,84 4,43 4 200 11 15,29 0,15 0,02 0,20 10,09
V-28 28 IC278 92,30 5,03 4 200 9 15,11 0,15 0,02 0,16 8,06
V-29 29 IC3 64,48 3,29 11 550 12 13,35 0,13 0,02 0,17 8,39
V-30 30 IC300 81,08 4,80 3 150 10 13,62 0,14 0,02 0,15 7,28
V-31 31 IC301 84,80 4,37 3 150 4 13,96 0,14 0,02 0,06 3,06
V-32 32 IC302 83,42 4,32 6 300 11 15,52 0,16 0,02 0,21 10,40
V-33 33 IC303 81,94 5,38 4 200 8 15,25 0,15 0,02 0,15 7,30
V-34 34 IC339 87,77 4,70 3 150 9 18,65 0,19 0,03 0,25 12,28
V-35 35 IC380 78,50 4,49 4 200 10 13,03 0,13 0,02 0,13 6,66
V-36 36 IC382 94,23 4,63 3 150 11 11,32 0,11 0,01 0,11 5,53
V-37 37 IC386 78,19 4,50 4 200 4 11,72 0,12 0,01 0,04 2,16
V-38 38 IC387 62,12 4,33 5 250 14 14,13 0,14 0,02 0,22 10,97
V-39 39 IC388 96,11 4,76 6 300 12 14,20 0,14 0,02 0,19 9,50
V-40 40 IC389 82,96 5,17 3 150 7 15,62 0,16 0,02 0,13 6,71
V-41 41 IC390 64,60 5,07 5 250 8 15,09 0,15 0,02 0,14 7,15
V-42 42 IC394 82,04 4,43 3 150 7 13,60 0,14 0,02 0,10 5,08
V-43 43 IC395 72,81 4,12 3 150 9 15,50 0,15 0,02 0,17 8,49
V-44 44 IC397 87,27 5,14 3 150 8 7,09 0,07 0,01 0,03 1,58
V-45 45 IC399 74,53 5,02 4 200 14 14,26 0,14 0,02 0,22 11,18
V-46 46 IC4 68,37 3,82 4 200 8 10,91 0,11 0,01 0,07 3,74
V-47 47 IC40 61,88 5,05 4 200 11 14,01 0,14 0,02 0,17 8,48
V-48 48 IC404 62,79 5,15 5 250 12 17,52 0,18 0,03 0,29 14,45
V-49 49 IC405 46,92 4,65 5 250 5 9,22 0,09 0,01 0,03 1,67
V-50 50 IC406 79,86 4,89 2 100 8 12,64 0,13 0,02 0,10 5,02
V-51 51 IC445 83,35 5,70 2 100 3 13,93 0,14 0,02 0,05 2,29
 67

V-52 52 IC446 84,76 4,66 3 150 9 16,11 0,16 0,03 0,18 9,17
V-53 53 IC450 46,87 4,59 1 50 8 14,16 0,14 0,02 0,13 6,29
V-54 54 IC75 75,27 4,77 5 250 6 16,77 0,17 0,03 0,13 6,63
V-55 55 IC76 69,87 5,49 3 150 6 14,65 0,15 0,02 0,10 5,05
V-56 56 IC77 65,33 4,45 3 150 10 19,71 0,20 0,04 0,31 15,25
V-57 57 IC79 80,13 3,77 6 300 12 16,72 0,17 0,03 0,26 13,17
V-58 58 IC8 73,86 4,26 5 250 12 14,41 0,14 0,02 0,20 9,78
V-59 59 IC82 73,28 4,30 4 200 8 16,56 0,17 0,03 0,17 8,61
V-60 60 IC83 72,01 3,24 9 450 9 10,44 0,10 0,01 0,08 3,85
V-61 61 IC88 70,67 4,23 5 250 12 12,36 0,12 0,02 0,14 7,20
V-62 62 T64 89,44 4,95 3 150 6 16,89 0,17 0,03 0,13 6,72
V-63 63 T69 33,45 4,56 1 50 6 13,85 0,14 0,02 0,09 4,52
V-64 64 T70 84,12 5,06 1 50 7 16,33 0,16 0,03 0,15 7,33
V-65 65 T72 92,17 4,77 9 450 14 13,88 0,14 0,02 0,21 10,59
V-66 66 T74 78,56 5,19 5 250 5 14,23 0,14 0,02 0,08 3,97
V-67 67 T77 53,70 5,40 4 200 4 18,99 0,19 0,04 0,11 5,66
V-68 68 T78 94,13 5,04 4 200 6 12,50 0,13 0,02 0,07 3,68
V-69 69 T79 80,77 5,04 5 250 12 19,49 0,19 0,04 0,36 17,89
V-70 70 IC148 66,86 5,60 4 100 13 15,61 0,16 0,02 0,25 6,21
V-71 71 IC462 79,00 4,83 10 250 12 18,74 0,19 0,04 0,33 8,27
V-72 72 IC464 98,62 4,10 9 225 7 21,42 0,21 0,05 0,25 6,31
V-73 73 IC34 48,86 4,95 2 50 11 14,14 0,14 0,02 0,17 4,32
V-74 74 IC340 56,96 5,18 7 175 4 19,82 0,20 0,04 0,12 3,09
V-75 75 IC342 86,71 5,51 10 250 8 24,04 0,24 0,06 0,36 9,08
V-76 76 IC35 86,74 4,71 7 175 11 12,90 0,13 0,02 0,14 3,59
V-77 77 IC358 86,67 5,03 6 150 4 11,32 0,11 0,01 0,04 1,01
V-78 78 IC359 69,43 5,11 7 175 7 12,70 0,13 0,02 0,09 2,21
 68

V-79 79 IC36 90,66 5,00 7 175 13 11,64 0,12 0,01 0,14 3,45
V-80 80 IC360 86,93 5,17 8 200 16 17,66 0,18 0,03 0,39 9,79
V-81 81 IC373 91,35 4,95 5 125 7 16,49 0,16 0,03 0,15 3,74
V-82 82 IC374 90,52 4,28 12 300 16 11,42 0,11 0,01 0,16 4,10
V-83 83 IC375 79,98 4,68 7 175 10 11,84 0,12 0,01 0,11 2,75
V-84 84 IC38 89,97 5,34 6 150 15 15,69 0,16 0,02 0,29 7,25
V-85 85 IC393 84,25 4,54 5 125 8 11,07 0,11 0,01 0,08 1,92
V-86 86 IC400 80,73 4,86 7 175 7 17,61 0,18 0,03 0,17 4,26
V-87 87 IC401 39,35 4,25 3 75 7 15,42 0,15 0,02 0,13 3,27
V-88 88 IC402 54,29 4,97 5 125 14 15,38 0,15 0,02 0,26 6,50
V-89 89 IC407 83,40 5,18 7 175 7 16,45 0,16 0,03 0,15 3,72
V-90 90 IC408 89,99 4,98 8 200 9 15,22 0,15 0,02 0,16 4,09
V-91 91 IC438 87,07 5,23 5 125 15 18,17 0,18 0,03 0,39 9,72
V-92 92 IC78 56,16 4,26 7 175 5 22,61 0,23 0,05 0,20 5,02
V-93 93 IC86 59,99 4,05 17 425 10 16,53 0,17 0,03 0,21 5,36
V-94 94 IC87 49,31 5,25 7 175 4 16,32 0,16 0,03 0,08 2,09
V-95 95 IC93 85,60 3,73 7 175 9 9,31 0,09 0,01 0,06 1,53
V-96 96 IC99 65,64 5,24 8 200 7 11,60 0,12 0,01 0,07 1,85
V-97 97 J30 79,10 5,20 9 225 6 18,58 0,19 0,03 0,16 4,07
V-98 98 J32 83,92 6,02 5 125 6 12,50 0,13 0,02 0,07 1,84
V-99 99 J35 92,14 4,55 7 175 6 14,25 0,14 0,02 0,10 2,39
V-100 100 J36 90,16 4,94 6 150 6 14,83 0,15 0,02 0,10 2,59
V-101 101 J41 92,98 5,01 10 250 6 14,33 0,14 0,02 0,10 2,42
V-102 102 J42 91,54 5,38 4 100 6 34,67 0,35 0,12 0,57 14,15
V-103 103 J43 93,25 4,72 7 175 6 29,33 0,29 0,09 0,41 10,13
V-104 104 J44 92,89 5,03 4 100 6 23,50 0,24 0,06 0,26 6,50
V-105 105 J50 90,23 5,20 7 175 6 18,00 0,18 0,03 0,15 3,82
 69

V-106 106 J54 90,16 4,52 8 200 6 20,83 0,21 0,04 0,20 5,11
V-107 107 T09 22,26 5,00 2 50 9 15,98 0,16 0,03 0,18 4,51
V-108 108 T56 47,24 5,96 7 175 10 16,38 0,16 0,03 0,21 5,27
V-109 109 T65 90,44 4,30 6 150 8 20,85 0,21 0,04 0,27 6,83
V-110 110 T66 91,09 5,36 5 125 14 17,71 0,18 0,03 0,34 8,62
V-111 111 T71 90,90 4,88 7 175 16 19,88 0,20 0,04 0,50 12,41
V-112 112 IC328 83,77 5,14 10 100 11 38,91 0,39 0,15 1,31 13,07
V-113 113 IC333 88,80 6,18 9 90 17 27,99 0,28 0,08 1,05 10,45
V-114 114 IC334 86,60 5,41 10 100 12 28,24 0,28 0,08 0,75 7,51
V-115 115 IC335 77,65 5,16 9 90 13 20,80 0,21 0,04 0,44 4,41
V-116 116 IC341 89,33 5,62 11 110 14 30,90 0,31 0,10 1,05 10,50
V-117 117 J20 64,44 4,72 5 50 6 13,17 0,13 0,02 0,08 0,82
V-118 118 J21 69,65 6,11 6 60 6 41,20 0,41 0,17 0,80 7,99
V-119 119 J22 86,61 4,50 9 90 6 16,50 0,17 0,03 0,13 1,28
V-120 120 J24 69,99 7,35 7 70 6 30,00 0,30 0,09 0,42 4,24
V-121 121 T38 83,95 6,18 11 110 6 39,88 0,40 0,16 0,75 7,49
V-122 122 T39 89,74 4,72 14 140 12 38,00 0,38 0,14 1,36 13,60
V-123 123 T40 86,80 4,91 15 150 21 19,07 0,19 0,04 0,60 6,00
V-124 124 T54 84,99 5,35 13 130 11 29,86 0,30 0,09 0,77 7,70
V-125 125 T87 73,34 8,02 5 50 7 49,71 0,50 0,25 1,36 13,58