NIM : 19101103009
Jurusan : Matematika
Komisi Pembimbing : Dr. Winsy Christo Delian Weku, M.Si., M.Cs (Ketua)
Jam :
DAFTAR ISI................................................................................................................................ i
I. Pendahuluan ............................................................................................................................ 1
Gambar 1 Model variogram secara umum ........................ Error! Bookmark not defined.
i
4.3 Cloud Variogram dan Experimental Variogram ............................................................ 13
ii
DAFTAR TABEL
iii
DAFTAR GAMBAR
Gambar 1 Model variogram secara umum ................................................................................ 6
Gambar 2 Pesebaran tumbuhan liar ........................................................................................ 11
Gambar 3 Histogram data awal ............................................................................................... 12
Gambar 4 Histogram setelah dinormalkan.............................................................................. 13
Gambar 5 Cloud Variogram .................................................................................................... 14
Gambar 6 Eksperimental Variogram ....................................................................................... 15
Gambar 7 Semivariogram dengan tiga model :
Spherical (kiri), Exponensial (tengah), Gaussian (Kanan) .................................... 16
Gambar 8 Prediksi Suhu ......................................................................................................... 19
Gambar 9 Prediksi cahaya sebelum ditransformasi ................................................................ 20
Gambar 10 Prediksi cahaya setelah ditransformasi ................................................................ 21
Gambar 11 Prediksi kelembaban............................................................................................. 22
iv
I. Pendahuluan
1.1 Latar Belakang
Indonesia kaya akan berbagai jenis flora dan fauna, hal tersebut disebabkan karena
Indonesia terletak di daerah tropis yang terdiri dari beberapa pulau, dan mempunyai
keanekaragaman hayati yang tinggi. Flora Indonesia sangat beranekaragam dan tersebar di
seluruh wilayah kepulauan Indonesia, mulai dari bagian barat, pertengahan (peralihan)
sampai bagian timur sesuai dengan habitat dan kondisi alamnya masing-masing. Flora
(tumbuhan) merupakan salah satu objek yang memiliki banyak manfaat bagi manusia.
Beberapa jenis tumbuhan menjadi sumber makanan, menjadi obat untuk berbagai penyakit,
dan ada juga yang berfungsi untuk keindahan dan kenyamanan bagi manusia.
Menurut Abdullah et al, (2010) tumbuhan liar merupakan tumbuhan yang tumbuh di
tempat yang tidak diinginkan. Tumbuhan liar merupakan jenis tumbuhan yang dapat
tumbuh dengan sendirinya, tanpa campur tangan manusia. Jenis tumbuhan liar pada suatu
daerah juga bisa saja berbeda-beda karena beberapa faktor, misalnya karena biji-bijian yang
dibawa burung lalu tumbuh, dan menjadi tumbuhan liar. Beberapa faktor tersebut membuat
beberapa tumbuhan liar menjadi unik dan hanya terdapat di satu wilayah saja dan tidak
ditemukan di wilayah lain secara alami atau biasa disebut dengan tumbuhan endemik.
Pulau Sulawesi sebagai hasil dari suatu proses geologi yang kompleks, merupakan
muara tempat bercampurnya (harbors a melange) berbagai spesies hewan dan tumbuhan
dalam presentase besar yang tidak dapat ditemukan di tempat manapun di dunia (Lee et al,
2001). Sulawesi sejak diperkenalkan oleh Wallace, sangat beragam dan kompleks sehingga
banyak ditemukan flora dan fauna yang unik dan endemik. Pengetahuan ini kemudian
menjadikan Sulawesi sebagai ekoregion prioritas di bioregion Wallacea, Sulawesi juga tidak
luput dari berbagai tekakan dan ancaman terhadap kelestarian keanekaragaman hayati
(Kinho, 2011). Jumlah spesimen tumbuhan yang telah dikoleksi dari pulau Sulawesi
diperkirakan sebanyak 32.500 spesimen (Kebler et al, 2002).
Menurut data BPS Minahasa Utara (2022) luas hutan lindung di Minahasa Utara sebesar
17.600,62 hektar, Gunung Klabat merupakan gunung api tertinggi di Sulawesi Utara
tepatnya di kabupaten Minahasa Utara yang sudah tidak aktif lagi dengan ketinggian sekitar
1995 - 2100 mdpl yang juga termasuk dalam kawasan hutan lindung. Selain dikenal dengan
gunung yang tinggi, gunung klabat juga merupakan gunung yang sangat luas yang memiliki
obyek wisata kaki dian atau sering disebut dengan kaki dian gunung klabat kelurahan
1
Airmadidi atas dengan luas ± 37 hektar. Oleh karena itu gunung klabat pasti memiliki
berbagai jenis tumbuh–tumbuhan mulai dari pepohonan hingga berbagai jenis tumbuhan
liar lainnya.
Berdasarkan uraian latar belakang diatas, penelitian ini berjudul “Model Spasial
Distribusi Spesies Tumbuhan Liar di Kaki Dian Gunung Klabat Minahasa Utara”.
Penelitian ini bertujuan untuk mengatasi tantangan dalam memprediksi penyebaran
tumbuhan liar di lokasi yang tidak tersampel. Dengan memahami pola dan variabilitas
penyebaran tumbuhan liar yang telah diamati, penelitian ini mencari metode atau model
yang efektif untuk melakukan prediksi di lokasi yang belum diambil sampelnya. Fokus
utama adalah mengembangkan pendekatan yang memanfaatkan data yang tersedia untuk
memberikan estimasi yang akurat pada titik-titik yang belum diamati, sehingga dapat
meningkatkan pemahaman tentang distribusi tumbuhan liar secara keseluruhan. Pada
2
penelitian ini digunakan Metode variogram untuk menentukan model dan prediksi dari
tumbuhan liar di kaki dian gunung klabat.
3
II. Tinjauan Pustaka
Tumbuhan liar merupakan tumbuhan yang tumbuh di tempat yang tidak diinginkan.
Tumbuhan liar merupakan jenis tumbuhan yang dapat tumbuh dengan sendirinya, tanpa
campur tangan manusia (Abdullah et al, 2010). Tumbuhan liar terbagi menjadi tanaman
obat, dan bunga liar.
Tanaman obat adalah segala jenis tumbuhan yang diketahui mempunyai khasiat baik
dalam membantu memelihara kesehatan maupun pengobatan suatu penyakit. Tumbuhan
obat sangat erat kaitannya dengan pengobatan tradisional. (Harmida et al, 2011).
Bunga liar adalah tanaman berbunga yang tumbuh tanpa campur tangan manusia.
Bunga liar tumbuh dari benih-benih yang ada, beberapa benih yang bisa menempuh
perjalanan yang sangat jauh dengan bantuan angin atau air. Sebagian besar bunga memiliki
keterbatasan alami karena mereka dirancang untuk tumbuh di daerah-daerah tertentu. Angin
dapat menerbangkan benih sehalus debu sejauh berkilo-kilo. Akan tetapi, benih yang
memiliki kait-kait seperti parasut, misalnya dandelion (rumput jombang), hanya bisa
menempuh jarak dekat.
Lingkungan dapat didefinisikan sebagai kumpulan dari semua keadaan dan pengaruh
luar yang mempengaruhi hidup dan perkembangan suatu organisme. Organisme yang
dimaksud bisa berupa manusia, hewan, atau tumbuhan. Bagi tumbuhan faktor lingkungan
sangat penting secara garis besar diklasifikasi menjadi dua, yaitu iklim dan tanah. Menurut
Gardber et al, (1991), diantara unsur-unsur iklim yang mempengaruhi pertumbuhan
tanaman adalah temperatur udara, curah hujan (suplai air), kelembaban (humiditas), sinar
matahari, dan susunan udara atmosfir. Unsur-unsur tanah yang mempengaruhi pertumbuhan
tanaman meliputi sifat -sifat fisika, kimia, mineralogis, dan biologis tanah.
Sifat – sifat tersebut pada hakikatnya tidak dapat berdiri sendiri dan saling bergantung
di antara sesamanya. Berdasarkan hal tersebut, beberapa ahli nutrisi tanaman tidak setuju
dengan pembagian tersebut karena beberapa unsur yang mempengaruhi pertumbuhan
tanaman berasal dari iklim dan tanah.
4
2. Kelembaban dan Suplai air, pertumbuhan akan akan terbatas pada keadaan air yang
terlalu rendah maupun terlalu tinggi.
3. Sinar matahari, merupakan faktor terpenting dalam pertumbuhan tanaman.
4. Susunan atmosfir, memegang peranan penting untuk melakukan aktivitas fontosuntesis
5. Komposisi udara (gas) dalam tanah, yaitu susunan butir-butir tanah untuk menentukan
kerapatan volume tanah.
6. Reaksi tanah (pH), mempengaruhi pertumbuhan tanamat terhadap ketersediaan hara.
7. Suplai unsur hara
8. Faktor biotik, setiap kegiatan atau upaya mengatur suatu kondisi yang menguntungkan
bagi kehidupan tanamann.
2.3 Variogram
Semivariogram dapat dihitung sebagai penduga yang menghitung (setengah) nilai rata-
rata selisih kuadrat antara semua pasangan pengukuran z(Si) dan z(Si + h) yang
dipisahkan oleh vector perpindahan h ( Cressie, 1993)
𝑁(ℎ)
1
𝑌(ℎ) = ∑ [𝑧(𝑠𝑖 ) − 𝑧(𝑠𝑖 + ℎ)]2
2|𝑁(ℎ)| (1)
𝑖=1
Dimana :
5
2. Model Spherical
ℎ ℎ 3
𝛾(ℎ) = { 1.5 − 0.5 ( ) ,ℎ < 𝑎
𝑎 𝑎 (3)
𝐶0 + 𝐶1 , ℎ ≥ 𝑎 (2)
3. Model Eksponensial
3ℎ
𝛾(ℎ) = 1 − exp (− ) (4)
𝑎
4. Model Gaussian
3ℎ2 (5)
𝛾(ℎ) = 1 − exp (− 2 )
𝑎
6
dengan 𝜇, sebagai parameter Lagrange, sehingga akan terbentuk persamaan variansi error
yang baru sebagai berikut :
𝑛 𝑛 𝑛 𝑛
𝜎̃ 2
𝑅 = 𝜎̃ + ∑ ∑ 𝑤𝑖 𝑤𝑗 𝐶̃𝑖𝑗 − 2 ∑ 𝑤𝑖 𝐶̃𝑖0 + 2𝜇 (∑ 𝑤𝑖 − 1)
2
(8)
𝑛
(9)
∑ 𝑤𝑖 = 1
𝑖=1
Jika dinyatakan dalam variogram, sistem Ordinary Kriging dapat dituliskan sebagai berikut
:
𝑛
∑ 𝑤𝑖 = 1 (11)
𝑖=1
Akurasi dan prsisi interpolaso spasial dievaluasi melalui pendekatan validasi silang,
kriteria yang paling penting meliputi : Mean Bias Error (MBE), Mean Absolute Error
(MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE), ( Willmott,
1982 dan Webster dan Oliver, 2001).
7
Mean Square Error (MSE) merupakan salah satu ukuran efisiensi. Menurut Steyerberg
dkk. (2001) nilai yang dapat diterima dari pengukuran ini berkaisar dari 0. Menunjukkan
prediksi sempurna sampai 0.25. nilai batas yang menyiratkan prediksi terburuk yang dapat
diterima. Mean Square Error atau MSE digunakan untuk mengukur keakuratan hasil
estimasi dengan rumus sebagai berikut :
𝑛
1
̂𝑖 )2
𝑀𝑆𝐸 = ∑(𝑌𝑖 − 𝑌 (13)
𝑛
𝑖=1
Keterangan :
Yi : Data Sebenarnya
̂𝑖
𝑌 : Data Prediksi Variabel Y
n : Banyaknya observasi
8
III. Metode Penelitian
Penelitian ini akan dilaksanakan dari bulan November 2022, mulai dari mempelajari
topik yang diambil, penyusunan proposal dan pengambilan data. Pengolahan data akan
dilakukan di jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Sam Ratulangi Manado.
Jenis data yang digunakan pada penelitian ini yaitu data primer. Data primer merupakan
data yang diambil langsung di Kaki Gunung Klabat Minahasa Utara yang berbentuk titik
koordinat tempat spesies diambil dan faktor lingkungan berupa kelembaban udara, suhu,
dan intensitas cahaya.
Data yang diagunakan untuk dianalisa dalam penelitian ini adalah titik koordinat
dari tumbuhan liar di Kaki Dian Gunung Klabat Minahasa Utara yang diambil pada tanggal
12,13,14,15,17 Juni 2023 dengan cara menjelajah daerah sekitaran Kaki Dian Gunung
Klabat. Melalui pengambilan data yang dilakukan, didapatkan 170 titik koordinat dengan
37 macam spesies yang tersebar disekitaran daerah pengambilan data, yaitu :
10
Gambar 2 Pesebaran tumbuhan liar
Gambar 2 diatas merupakan pesebaran dari tumbuhan liar yang ditemukan saat
pengambilan data.
Faktor
Min Max Median Mean Varians
lingkungan
Suhu 24.4 32.4 30.1 30.28 1.689554
Cahaya 38 3500 257 402 430.5080
Kelembaban 937 943 939 939 1.235803
Tabel 1 memperlihatkan deskripsi data tumbuhan liar dari n = 170 titik koordinat.
Tiga faktor lingkungan yang diambil adalah suhu, intensitas cahaya, dan kelembaban. Suhu
tempat tumbuhan-tumbuhan liar di kaki dian gunung klabat berada pada 24℃ − 32℃
dengan suhu paling banyak adalah 30.1℃, Intensitas cahaya setiap tumbuhan liar berada
pada 38 lux – 3500 lux dengan intensitas cahaya terbanya adalah 257 lux. Dengan
kelembaban berada pada 937 hpa– 943 hpa, sebagian besar tumbuhan liar di kaki dian
gunung klabat memiliki kelembaban 939 hpa.
Setelah mendapatkan deskripsi data, dibuat histogram dari setiap data unntuk melihat
frekuensi dari setiap data.
11
Gambar 3 Histogram data awal
Gambar 3 merupakan hasil histogram dari tiga variabel suhu, intensitas cahaya dan
kelembaban dengan variabel yang datanya belum normal.
12
Gambar 4 Histogram setelah dinormalkan
Tabel diatas merupakan hasil skewness dan kurtosis yang sudah ditransfirmasi
dengan logaritma. Dapat dilihat data pada variabel suhu lebih terkonsentrasi disebelah
kanan, dan memiliki pencilan yang lebih besar. Pada data variabel intensitas cahaya lebih
terkonsentrasi disebelah kiri dan memiliki resiko yang kecil. Sedangkan data variabel
kelembaban lebih terkonsentrasi disebelah kanan dan memiliki resiko yang kecil.
Cloud Variogram merupakan representasi visual dari sejumlah besar perbedaan data
antara titik – titik dalam suatu area atau domain spasial, seperti scatterplot yang
menunjukkan hubungan antara jarak dan nilai – nilai data yang diukur. Cloud variogram
dapat memetakan semua perbedaan data berpasangan terhadap jarak yang memisahkan
titik-titik data tersebut dan memberikan gambaran umum tentang variabilitas spasial dalam
data tanpa membaginya ke dalam kelompok jarak tertentu.
13
Experimental Variogram (Variogram Eksperimental) merupakan alat analisis
geostatistik yang digunakan untuk mengukur variabilitas spasial dalam data geografis, yang
berfungsi untuk mengukur sejauh mana nilai-nilai data yang berbeda secara spasial berbeda
satu sama lain sebagai fungsi jarak diantara data. Variogram eksperimental dihitungt dari
data yang diambil pada beberapa lokasi yang tersebar dalam domain spasial tertentu dan
memberikan informasi tentang struktur spasial dalam data. Termasuk berapa besar variasi
yang dapat diharapkan pada jarak tertentu.
korelasi secara spasial (domain spasial dari fenomena tersebut) (Ciotoli, 1997)
14
Cloud Variogram digunakan untuk memvisualisasikan sejumlah besar perbedaan data
dalam konteks spasial tanpa membaginya ke dalam kelompok jarak tertentu. Sedangkan
Experimental variogram digunakan untuk mengukur variabilitas spasial dalam data dengan
membaginya ke dalam kelompok jarak tertentu dan memberikan informasi yang lebih rinci
tentang bagaimana variasi berubah seiring dengan jarak dalam domain spasial.
Untuk mengubah cloud variogram menjadi experimental variogram digunakan rumus (1) :
𝑁(ℎ)
1
𝑌(ℎ) = ∑ [𝑧(𝑠𝑖 ) − 𝑧(𝑠𝑖 + ℎ)]2
2|𝑁(ℎ)|
𝑖=1
15
4.4 Pemodelan Semivariogram
Gambar kurva diatas merupakan model variogram dari suhu, cahaya, dan kelembaban
dengan beberapa model. Spherical (kiri), Eksponensial (tengah), dan gaussian (kanan).
Dari ketiga model dapat diliuhat bahwa ketiga variabel yaitu suhu, cahaya, dan kelembaban
sama – sama memiliki nilai nugget. Gradien (kemiringan) pada daerah psill sudah
mendekati baik, sedangkan pada titik lainnya kurva terletak dibawah, atau diatas data.
Pengamatan yang dilakukan menggunakan visual tidak dapat dijadikan sebagai
kesimpulan dalam penaksiran, karena tingkat keakuratan masih kurang, sehingga perlu
melakukan fitting model untuk meminimalisir eror yang terjadi.
16
Tabel 4 Nilai model semivariogram sebelum difitkan
Faktor Partial
Model Range Nugget Metode
lingkungan Sill
Spherical 57.686 2.964 2.964 Visual
Suhu Eksponensial 57.686 2.964 2.964 Visual
Gaussian 57.686 2.964 2.964 Visual
Spherical 57.686 2.964 2.964 Visual
Cahaya Eksponensial 57.686 2.964 2.964 Visual
Gaussian 57.686 2.964 2.964 Visual
Spherical 57.686 2.964 2.964 Visual
Kelembaban Eksponensial 57.686 2.964 2.964 Visual
Gaussian 57.686 2.964 2.964 Visual
Nilai model pada table diatas merupakan nilai model yang dilakukan secara visual melalui
pengamatan yang dianalisis pada grafik model semivariogram. Hasil yang diperoleh dari
analisis secara visual memiliki tingkat keakuratan yang kurang baik, sehingga perlu untuk
dilakukan fit model untuk meminimalisir error.
Faktor Partial
Model Range Nugget Metode
lingkungan Sill
Spherical 39.833 0.00414 0 LM
Suhu Eksponensial 25.739 0.00482 0 LM
Gaussian 13.800 0.00391 0 LM
Spherical 16.578 0.595 0 LM
Cahaya Eksponensial 9.607 0.664 0 LM
Gaussian 7.200 0.596 0 LM
Spherical 134.867 1.980 0 LM
Kelembaban Eksponensial 81.650 2.266 0 LM
Gaussian 11.077 7.142 0 LM
17
Tabel 4 merupakan nilai sill dan range setiap model setelah dilakukan fit model. Pada
penelitian ini digunakan fit.variogram dengan algoritma Levenberg-Marquardt (LM).
Setelah menentukan nilai range dan sill, dengan metode spherical, eksponensial, dan
Gaussian untuk suhu, intensitas cahaya, dan kelembaban. Perlu juga dilakukan cross
validation untuk menentukan model, hal tersebut dikarenakan cross validation yang
merupakan alat untuk mengukur kinerja dan kecocokan model. Metode Mean Square Error
(MSE) merupakan salah satu metode cross validation yang sering digunakan. Model
dengan nilai MSE terkecil merupakan model yang paling baik karena memiliki nilai error
terkecil.
Berdasarkan hasil pada table 5 diatas, faktor lingkungan Suhu model Spherical
memperoleh nilai 0.3025, Eksponensial 0.2209, dan Gaussian 0.3025 nilai MSE terendah
terdapat pada model Eksponensial sehingga model yang cocok untuk faktor lingkungan
Suhu adalah model Eksponensial. Selanjutnya pada Cahaya model Spherical memperoleh
nilai 547.56, Eksponensial 3271.84, dan Gaussian 732.61 nilai MSE terendah terdapat pada
model Spherical sehingga model yang cocok untuk variabel Cahaya adalah Spherical. Dan
untuk variabel kelembaban model Spherical memperoleh nilai 1.44, Eksponensial 1.44, dan
Gaussian 1.69 pada variabel ini terdapat dua nilai MSE terendah yaitu Spherical dan
Eksponensial dengan nilai 1.44 namun berdasarkan uji validitas model Spherical yang
paling cocok untuk variabel kelembaban.
18
4.6 Prediction Model
Setelah menentukan model yang tepat dari masing – masing variable, prediksi dari model
tersebut bisa dilakukan. Setiap model memiliki prediksi yang berbeda – beda oleh karena
itu pentingnya melakukan cross validation untuk menentukan model yang tepat. Dari hasil
cross validation ditemukan model yang tepat untuk suhu yaitu model Eksponensial, model
yang tepat untuk cahaya yaitu model Spherical, dan model yang tepat untuk kelembaban
yaitu model Spherical
a. Suhu
Gambar 8 merupakan plot prediksi dari model Eksponensial. Nilai nugget pada
model Eksponensial ini 0.01 dengan sill 3.9 dan range 23. Dapat dilihat pada plot
kriging prediction, diprediksi nilai suhu maksimal yaitu 32°C, suhu minimal 25°C,
dan suhu terbanyak yaitu pada 30°C. Selain kriging prediction dan experimental
variogram terdapat juga standard errornya. Dalam plot tersebut nilai error terendah
19
merupakan 0.4 jika diperhatikan lebih lanjut, nilai 0.4 dalam plot tersebut berada
pada titik koordinat data yang ditemukan dilapangan, oleh karena itu nilai error-nya
kecil karena nilai tersebut merupakan nilai asli yang diambil langsung ditempat
pengambilan data.
b. Cahaya
Pada variabel cahaya terdapat 2 hasil yaitu sebelum ditransformasi dan setelah
ditransfirmasi. Hal tersebut terjadi karena nilai data variabel cahaya yang diambil
dilapangan beragam dan berbeda jauh satu dengan yang lain, sehingga nilai sill dan
range yang didapatkan sebelum ditransformasi sangat besar, namun setelah
ditransformasi nilai sill kembali normal.
21
c. Kelembaban
Gambar 11 merupakan plot prediksi dari model Spherical. Nilai nugget pada model
Spherical ini 0.1 dengan sill 4.2 dan range 358. Dapat dilihat pada plot kriging
prediction, diprediksi nilai kelembaban maksimal yaitu 942, kelembaban minimal
937. Selain kriging prediction dan experimental variogram terdapat juga standard
errornya. Dalam plot tersebut nilai error terendah merupakan 0.4 jika diperhatikan
lebih lanjut, nilai 0.4 dalam plot tersebut berada pada titik koordinat data yang
ditemukan dilapangan, oleh karena itu nilai error-nya kecil karena nilai tersebut
merupakan nilai asli yang diambil langsung ditempat pengambilan data.
22
V. Kesimpulan dan Saran
5.1 Kesimpulan :
Berdasarkan penelitian yang telah peneneliti lakukan didapatkan hasil :
1. Penyebaran tumbuhan liar dapat dipengaruhi oleh berbagai faktor, dan dengan
menggunakan fungsi kovarians yang tepat akan membantu dalam memahami pola
penyebaran tersebut dengan lebih baik. Model variogram yang tepat untuk melihat
penyebaran tumbuhan liar di Kaki Dian Gunung Klabat dengan faktor lingkungan suhu,
cntensitas cahaya, dan kelembaban yaitu model variogram exponensial untuk suhu dan
model variogram Spherical untuk Intensitas cahaya dan kelembaban
2. Prediksi dari penyebaran tumbuhan liar pada lokasi yang tidak tersampel di Kaki dian
gunung klabat yaitu : sebagian besar lokasi yang tidak tersampel memiliki suhu 29 −
30℃, intensitas cahaya 300 – 500 lux, dan kelembaban 940 – 941 hpa
5.2 Saran :
Data yang digunakan dalam penelitian ini merupakan titik koordinat dari tumbuhan
liar di Kaki Dian Gunung Klabat, ada baiknya melakukan penelitian lebih lanjut dengan
memperluas cakupan geografis dan mencoba metode – metode yang berbeda untuk
mengetahui distribusi tumbuhan liar.
23
DAFTAR PUSTAKA
Ayu Ellen, Ling Nasihin, Toto Supartono. 2019. Pemetaan Kesesuaian Habitat Rafflesia
(Rafflesia Arnoldii R.Br) Di Taman Nasional Bukit Barisan Selatan. Prosiding
Fahutan, 1(1) : 174-183.
Christina M, Arini DID, Kinho J, Halawane JE, Kafiar J, Diwi MS. 2017. Keragaman dan
Potensi Makrofungi di Obyek Ekowisata Kaki Dian, Gunung Klabat-Minahasa Utara.
Mikoina, 1(2) : 82-90.
Dinas Kehutanan kabupaten Minahasa Utara. 2013. Penunjukan Hutan Kota.. [Diakses : 7
Februari 2023].
Erny Poedjirahajoe, Djoko Marsono, Frita Kusuma Wardhani. 2017. Penggunaan Principal
Component Analysis dalam distribusi spasial Vegetasi Mangrove di Pantai Utara
Pamalang. Forest Science 11(1) : 29-42.
Fawcett, T. (2006) An Introduction to ROC Analysis. Pattern Recognition Letters, 27(8) 861-
874.
Gardner, F.O., R.B. Pearce dan R.L. Mitchell. 1991. Fisiologi Tanaman Budidaya
(terjemahan). UI Press. Jakarta.
Harmida., Sarno dan Yuni, V. F. 2011. Studi Etnofitomedika di Desa Lawang Agung Kecamatan
Mulak Ulu Kabupaten Lahat Sumatera Selatan. Jurnal Penelitian Sains. 14 (1) : 42 –
46.
Jamilatuz Zahro, Rezzy Eko Caraka, riki Herliansyah. 2018. Aplikasi Generalized Linear
Model Pada R.
Kebler, P.J.A., M.Bos, S.E.C. Sierra Daza, L.P.M.Willemse, R.Pitopang, and S.R.Gradstein.
2002. Checklist of Woody Plants of Sulawesi, Indonesia. Blumea Supplement 14(1)
:1-160.
Kinho Jullianus. 2011. Karakteristik Morfologi Zingiberaceae di Cagar Alam Gunung Ambang
Sulawesi Utara. BPK Manado, 1(1) : 35-50.
Lee, R.J., J. Riley, dan R. Merrill. 2001. Keanekaragaman Hayati dan Konservasi Di Sulawesi
Bagian Utara. WCS-IP dan NRM. Jakarta.
McCullagh, P., and Nelder, J.A., 1989. Generalized Linear Model. London: Chapman and Hall.
Nelder, J. A., and Wedderburn, 1972. Generalized Linear Model. Journal of the Royal Statistical
Society. Series A (General), 135(3) : 370-384.
Robert J. Hijmans and Jane Elith. 2019. Spesies Distribution Modelinhg. https://rspatial.org
[Diakses : 20 Oktober 2022].