Skripsi Adnan Anhum M1a114218 Fhil

SKRIPSI
ESTIMASI POTENSI KARBON PADA KAWASAN HUTAN

PRODUKSI DENGAN PEMANFAATAN TEKNOLOGI
PENGINDERAAN JAUH DI KECAMATAN NAMBO
ADNAN ANHUM
NIM. M1A114218
PROGRAM STUDI MANAJEMEN HUTAN

JURUSAN KEHUTANAN
FAKULTAS KEHUTANAN DAN ILMU LINGKUNGAN
UNIVERSITAS HALU OLEO
KENDARI
2021
i
PERNYATAAN
Dengan ini saya menyatakan bahwa skripsi ini benar-benar hasil karya
sendiri dengan arahan pembimbing dan belum pernah diajukan sebagai skripsi
atau karya ilmiah pada perguruan tinggi atau lembaga manapun. Apabila di
kemudian hari terbukti bahwa skripsi ini hasil jiplakan, maka saya bersedia
menerima sanksi sesuai peraturan yang berlaku.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada
Universitas Halu Oleo.
Kendari, 26 April 2021
ADNAN ANHUM
NIM. M1A1 14 218
ii
ABSTRAK
ADNAN ANHUM Estimasi Potensi Karbon Pada Kawasan Hutan Produksi

dengan Pemanfaatan Teknologi Penginderaan Jauh di Kecamatan Nambo.
Dibimbing oleh SITTI MARWAH sebagai pembimbing I dan SAHINDOMI
BANA sebagai pembimbing II.
Penelitian ini bertujuan untuk membuat model pendugaan potensi stok karbon dan
mengetahui estimasi cadangan karbon di kawasan hutan produksi di Kecamatan
Nambo. Normalized Difference Vegetation Index (NDVI) digunakan sebagai
variabel kerapatan vegetasi kawasan hutan produksi. Dalam penelitian ini
dilakukan pengukuran langsung diameter setinggi dada di lapangan untuk
mengetahui biomassa kawasan hutan produksi. Analisis regresi dilakukan untuk
mengetahui hubungan antara kepadatan NDVI dan biomassa hasil pengukuran di
lapangan. Hasil dari penelitian ini adalah nilai estimasi cadangan karbon di
kawasan hutan produksi di Kecamatan Nambo 396,02 ton pada tahun 2020.
Persamaan regresi yang diperoleh dari penelitian ini untuk mengestimasi
cadangan karbon di kawasan hutan produksi di Kecamatan Nambo adalah y = -
0,784 + 1,103x, dengan nilai R2 66%.
Kata Kunci : Biomassa, Cadangan Karbon, GIS, Hutan Produksi, NDVI
iii
ABSTRACT
ADNAN ANHUM Estimation of Carbon Potential in Production Forest Areas by

Utilizing Remote Sensing Technology in Nambo District. Supervised by SITTI
MARWAH as first supervisor and SAHINDOMI BANA as second supervisor.
This study aims to create a model for estimating the potential of carbon stocks
and knowing the estimated carbon stock in the production forest area in Nambo
District. The Normalized Difference Vegetation Index (NDVI) is used as a
variable of vegetation density in production forest areas. In this study, a direct
measurement of diameter at breast height was carried out in the field to
determine the biomass of the production forest area. Regression analysis was
conducted to determine the relationship between NDVI density and biomass
measured in the field. The result of this research is the estimated value of carbon
stock in the production forest area in Nambo District of 396,02 tons in 2020. The
regression equation obtained from this study to estimate the carbon stock in the
production forest area in Nambo District is y = -0,784 + 1,103x, with an R2 value
of 66%.
Keywords: Biomass, Carbon Stock, GIS, Production Forest, NDVI
iv
RINGKASAN
ADNAN ANHUM Estimasi Potensi Karbon Pada Kawasan Hutan Produksi

dengan Pemanfaatan Teknologi Penginderaan Jauh di Kecamatan Nambo.
Dibimbing oleh SITTI MARWAH sebagai pembimbing I dan SAHINDOMI
BANA sebagai pembimbing II.
Hutan merupakan kawasan yang ditumbuhi pepohonan dan tumbuhan

lainnya. Kawasan hutan terletak di sebagian wilayah di dunia dan bergunsi
sebagai penyerap karbon dioksida serta memegang peranan penting dalam
menghasilkan oksigen dan mencegah munculnya pemanasan global. Peristiwa
pemanasan global diyakini sebagai sumber tanda – tanda perubahan iklim karena
pemanasan global dapat mempengaruhi perubahan curah hujan, musim hujan,
kemarau dan perubahan suhu. Hutan yang luas dengan kondisi vegetasi yang baik
akan menghasilkan akumulasi penyerapan karbon yang besar. Metode
pengumpulan data pada skala area tertentu sudah mengalami perkembangan
tekonlogi yang begitu pesat dalam mengestimasi nilai cadangan karbon pada
kawasan hutan karena mampu menghemat biaya dan proses menjadi lebih mudah
adalah teknologi penginderaan jauh yaitu melalui citra sentinel 2.
Penelitian ini bertujuan 1). Untuk mengetahui model pendugaan karbon di
Kawasan Hutan Produksi dan 2). Untuk mengetahui estimasi cadangan karbon di
Kawasan Hutan Produksi di Kecamatan Nambo. NDVI digunakan sebagai
indikator kerapatan tutupan vegetasi. Pengukuran lapangan dilakukan dengan
menghitung diameter batang vegetasi. Nilai biomassa lapangan diperoleh melalui
persamaan allometrik. Analisis regeresi untuk mengetahui korelasi antara
kerapatan NDVI dengan biomassa pengukuran lapangan.
Nilai Potensi Cadangan karbon vegetasi kawasan hutan produksi yang
diperoleh dalam penelitian ini sebesar 396,02 ton di tahun 2020, persamaan
regresi yang didapatkan untuk menduga nilai biomassa adalah y = -0,784 +
1,103x, dengan nilai R2 sebesar 66%. Model pendugaan ini dapat digunakan untuk
menghitung potensi cadangan karbon pada ekosistem kawasan hutan produksi
dengan kondis geografis yang relatif sama dengan wilayah penelitian.
Kata kunci : Biomassa, Karbon, Hutan Produksi, Penginderaan Jauh.
v
© Hak Cipta milik UHO, tahun 2021
Hak Cipta dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa

mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk
kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan,
penulisan kritik, atau tinjauan suatu masalah, dan pengutipan tersebut tidak
merugikan kepentingan UHO.
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya

tulis ini dalam bentuk apa pun tanpa izin UHO.
vi
SKRIPSI
ESTIMASI POTENSI KARBON PADA KAWASAN HUTAN

PRODUKSI DENGAN PEMANFAATAN TEKNOLOGI
PENGINDERAAN JARAH JAUH DI KECAMATAN NAMBO
ADNAN ANHUM
M1A1 14 218
Diajukan sebagai salah satu syarat untuk memperoleh gelar sarjana pada
Program Studi Kehutanan
PROGRAM STUDI MANAJEMEN HUTAN

JURUSAN KEHUTANAN
FAKULTAS KEHUTANAN DAN ILMU LINGKUNGAN
UNIVERSITAS HALU OLEO
KENDARI
2021
vii
viii
ix
PRAKATA
Puji syukur penulis panjatkan kehadirat Allah Subhanau Wata’ala, karena
atas Rahmat, dan Hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini.
Seiring dengan selesainya skripsi ini, penulis mengucapkan terima kasih dan
penghormatan kepada Ibu Dr. Ir. Sitti Marwah, M.Si, sebagai Pembimbing I dan
Bapak Dr. Sahindomi Bana, SP., MP sebagai Pembimbing II yang telah banyak
memberikan pengarahan dalam penyusunan skripsi ini. Terima kasih yang tak
terhingga penulis hanturkan kepada yang tercinta Ayahanda Langgo Simon, SE
dan Ibunda Sitti Sumiatin atas segala perhatian, dorongan, kasih sayang dan
doanya kepada penulis, sehingga penulis mampu menyelesaikan skripsi ini.
Ucapan terima kasih juga penulis tujukan kepada:
1. Bapak Prof. Dr. MUHAMMAD ZAMRUN FIRIHU, S.Si., M.Si., M.Sc
selaku Rektor Universitas Halu Oleo.
2. Bapak Prof. Dr. Ir. Aminuddin Mane Kandari, M.Si selaku dekan Fakultas
Kehutanan dan Ilmu Lingkungan.
3. Terimakasih kepada dosen penguji Dr. La Baco Sudia, M.Si, Umar Ode
Hasani, SP., M.Si, Albasri, S.Hut, M.Hut yang telah memberikan masukan
untuk perbaikan skripsi ini.
4. Bapak Dr. Sahindomi Bana, SP., MP selaku penasehat akademik yang telah
banyak memberikan nasehat dan saran, khususnya yang terkait dengan
peningkatan prestasi akademik penulis.
5. Seluruh tenaga pendidik dan Tenaga Kependidikan dalam Lingkup Fakultas
Kehutanan dan Ilmu Lingkungan yang telah banyak membimbing dan
memberi layanan pendukung akademik kepada penulis selama mengikuti
pendidikan.
6. Kepada pihak-pihak lain yang telah membantu yang tidak dapat penulis
sebutkan satu per satu.
Kendari, April 2021
Penulis
x
DAFTAR ISI
HALAMAN SAMPUL....................................................................................... i
HALAMAN JUDUL........................................................................................... ii
HALAMAN PERTANYAAN............................................................................ iii
ABSTRAK.......................................................................................................... iv
ABSTRACT........................................................................................................ iv
RINGKASAN..................................................................................................... v
HAK CIPTA....................................................................................................... vi
JUDUL DALAM................................................................................................ vii
HALAMAN PERSETUJUAN TIM PENGUJI.................................................. viii
HALAMAN PENGESAHAN............................................................................. ix
PRAKATA.......................................................................................................... x
DAFTAR ISI....................................................................................................... ix
DAFTAR TABEL............................................................................................... xiii
DAFTAR GAMBAR.......................................................................................... xiii
DAFTAR LAMPIRAN....................................................................................... xiv
I. PENDAHULUAN
I.1 Latar Belakang..................................................................................... 1
I.2 Rumusan Masalah................................................................................ 3
I.3 Tujuan dan Manfaat Penelitian............................................................ 3
I.4 Kerangka Berfikir................................................................................. 4
II. TINJAUAN PUSTAKA

II.1 Kawasan Hutan Produksi..................................................................... 7
II.2 Hutan sebagai Adaptasi dan Proses Mitigasi Perubahan Iklim............ 8
II.3 Penginderaan Jarak Jauh di Bidang Kehutanan................................... 9
II.4 Metode Pengukuran Karbon................................................................ 11
II.5 Indeks Vegetasi.................................................................................... 12
II.6 Citra Sentinel 2..................................................................................... 13
II.7 Model Pendugaan Karbon.................................................................... 17
II.8 Pendugaan Cadangan Karbon Menggunakan Metode Alometrik........ 18
II.9 Pendugaan Cadangan Karbon Menggunakan Metode Spasial
Sistem Informasi Geografis.................................................................. 19
III. METODE PENELITIAN

III.1 Waktu dan Tempat............................................................................... 21
III.2 Alat dan Bahan..................................................................................... 21
III.3 Populasi dan Sampel............................................................................ 21
III.4 Jenis dan Sumber Data......................................................................... 23
III.5 Variabel Penelitian............................................................................... 23
III.6 Teknik Pengumpulan Data................................................................... 24
III.7 Prosedur Penelitian............................................................................... 24
xi
III.8 Analisis Data........................................................................................ 29
III.9 Definisi Operasional............................................................................. 33
IV. GAMBARAN UMUM LOKASI PENELITIAN

IV.1Letak dan Luas Wilayah....................................................................... 35
IV.2Iklim..................................................................................................... 37
IV.3Topografi.............................................................................................. 38
IV.4Jenis Tanah........................................................................................... 39
V. HASIL DAN PEMBAHASAN

5.1 Hasil..................................................................................................... 40
5.2 Pembahasan.......................................................................................... 49
VI. SIMPULAN DAN SARAN

6.1 Simpulan............................................................................................... 59
6.2 Saran..................................................................................................... 59
DAFTAR PUSTAKA 60
LAMPIRAN 65
xii
DAFTAR TABEL
1. Karakteristik Sentinel 2 ............................................................................... 16

2. Jumlah Titik Sampel Berdasarkan Skala Peta.............................................. 22
3. Persamaan Allometrik Pada Berbagai Spesies Kayu Bercabang................. 29
4. Luas Wilayah Masing – masing Kecamatan Nambo................................... 36
5. Rata – rata Curah Hujan dan Harian Hujan Bulanan Tahun 2016-
2020 di Kecamatan Nambo...........................................................................
6. Distribusi Kawasan Hutan Produksi di Kecamatan Nambo.........................
7. Hasil Analisis Vegetasi Kawasan Hutan Produksi di Kecamatan
Nambo...........................................................................................................
8. Tingkat Kerapatan Vegetasi..........................................................................
9. Sebaran Kelas Kerapatan Berdasarkan Wilayah Administrasi.....................
10. Hasil Validasi Model....................................................................................
11. Nilai Koefisian Korelasi (R) dan Koefisien Determinansi (R2)...................
12. Kelas Nilai Potensi Cadangan Karbon.........................................................
13. Sebaran Kelas Kerapatan Berdasarkan Wilayah Administrasi...................
xiii
DAFTAR GAMBAR
1. Kerangka Pikir Penelitian Estimasi Stok Karbon Kawasan Hutan

Produksi di Kecamatan Nambo dengan Pemanfaatan Citra Sentinel 2A.... 6
2. Metode Stratified Systematic (A) dan Stratified Random (B) ..................... 1
3. Spektrum Spektral Band pada Citra Sentinel 2 ........................................... 1
4. Prosedur Penelitian Estimasi Potemsi Karbon Pada Kawasan Hutan
Porduksi Dengan Pemanfaatan Teknologi Penginderaan Jarak Jauh
di Kecamatan Nambo................................................................................... 2
5. Peta Kelerengan Balai Pengelolaan Daerah Aliran Sungai Sampara
(BPDASS) .................................................................................................... 3
6. Peta Jenis Tanah Balai Pengelolaan Daerah Aliran Sungai Sampara
(BPDASS)..................................................................................................... 3
xiv
DAFTAR LAMPIRAN
1. Peta Sebaran Kawasan Hutan Produksi di Kecamatan Nambo................... 66

2. Peta Sebaran Plot Pengamatan Kawasan Hutan Produksi di Kecamatan
Nambo.......................................................................................................... 66
3. Peta Kerapatan Vegetasi Kawasan Hutan Produksi di Kecamatan Nambo 67
4. Hasil Uji Korelasi Menggunakan Metode Pearson...................................... 67
5. Hasil Uji Normalitas Sebelum dilakukan Penghapusan 14 Sampel............ 68
6. Hasil Uji Normalitas Setelah dilakukan Pengurangan Sampel.................... 69
7. Hasil Uji Autokorelasi Menggunakan Metode Durbin Watson................... 70
8. Hasil Uji Heteroedasitas Menggunakan Metode Glejser............................. 70
9. Model Pendungaan Menggunakan Persamaan Regresi............................... 70
10. Peta Sebaran Simpanan Karbon Dengan Model Linear............................... 72
11. Kegiatan Pengukuran Dalam Penelitian...................................................... 73
xv
I. PENDAHULUAN
1.1. Latar Belakang
Hutan merupakan kawasan yang ditumbuhi pepohonan dan tumbuhan
lainnya. Area ini terletak di sebagian wilayah – wilayah di dunia dan berfungsi
sebagai penyerap karbon dioksida, habitat hewan, pengatur aliran hidrologi, serta
konservasi tanah dan air. Salah satu fungsi ekosistem hutan memegang peranan
yang sangat penting dalam berbagai hal seperti penyedia air, penghasil oksigen,
tempat hidup jutaan spesies flora dan fauna, serta berperan sebagai penyeimbang
lingkungan dan serta mencegah munculnya pemanasan global.
Pemanasan global diyakini sebagai sumber tanda-tanda perubahan iklim.
Perubahan iklim akan mempengaruhi perubahan musim hujan dan kemarau,
perubahan curah hujan, dan perubahan suhu (selama 30 tahun) (Samiaji, 2011).
Namun karena tingginya insiden degradasi hutan dan deforestasi, penyerapan
karbondioksida selama ini berkurang. Hutan yang terdegradasi secara bertahap
akan kehilangan fungsinya sebagai penyerap karbondioksida. Data deforestasi dari
10 negara berkembang berjumlah sekitar 8,22 juta hektar, dimana 1,87 juta hektar
di kawasan tersebut berasal dari Indonesia (FAO, 2005).
Hutan yang luas dengan kondisi vegetasi yang baik akan menghasilkan
akumulasi penyerapan CO2 yang besar. Saat ini banyak pertimbangan
bermunculan untuk mengatasi pemanasan global, salah satunya dengan
mengetahui kandungan karbon. Hutan memiliki struktur yang beragam berupa
rangka pohon yang menyusun hutan, oleh karena itu hutan berperan penting
2
dalam memberikan suasana yang baik dan kandungan oksigen yang stabil (Dewi,
2015). Hutan sebagai tempat penyimpanan karbon yang dapat diukur dan dipantau
tapi diperlukan metode yang tepat untuk menduga simpanan karbon dan
perubahan stoknya. Simpanan karbon dalam hutan dapat diduga berdasarkan
biomassanya, sehingga pendugaan biomassa sangat diutamakan dalam pendugaan
simpanan karbon (Nuriyana, 2014).
Estimasi stok karbon di wilayah yang lebih luas membutuhkan metode
yang dapat mengekstrapolasi pengukuran berbasis plot ke tingkat bentang alam.
Perkembangan teknologi penginderaan jauh saat ini dimanfaatkan untuk
mendeteksi keberadaan vegetasi secara baik lebih mudah dan efektif pada area
yang begitu luas dan pola sebaran vegetasi dari segi waktu dan biaya (LAPAN,
2015). Salah satu cara yang potensial untuk memenuhi kebutuhan tersebut adalah
dengan menggunakan teknologi penginderaan jauh (sensorik). Dalam hal
efektivitas biaya, waktu dan kemudahan pengukuran, teknologi penginderaan jauh
memiliki potensi besar untuk mengembangkan metode pengukuran penyimpanan
karbon (McRoberts dan Tomppo, 2007).
Teknologi penginderaan jauh sangat bermanfaat untuk dilakukan
penelitian dalam mengestimasi potensi karbon, karena mudah untuk mendapatkan
data penginderaan jauh itu sendiri, sehingga bermanfaat bagi masyarakat luas.
Metode indeks vegetasi merupakan algoritma yang diterapkan pada citra
(umumnya multisaluran), untuk menunjukan aspek kerapatan vegetasi atau aspek
yang berkaitan dengan biomassa. Secara praktis, indeks vegetasi ini adalah
transformasi matematika yang melibatkan beberapa saluran pada suatu waktu dan
3
menghasilkan citra baru yang lebih representatif dalam presentasi fenomena
vegetasi (Arnanto, 2013).
Kurangnya data mengenai potensi karbon yang tersedia pada wilayah
Kawasan hutan produksi menjadikan kendala dalam sektor pembangunannya.
Informasi mengenai jumlah sebaran kandungan karbon yang berada pada kawasan
hutan produksi dapat memberikan gambaran dalam mendesain rencana
pengembangan hutan produksi sehingga adanya penelitian karbon di kawasan
hutan produksi tersebut. Oleh karena itu, penting untuk mengetahui potensi
sebaran karbon hutan dan menjadikan pertimbangan ekologisnya yang berada di
kawasan hutan produksi.
1.2. Rumusan Masalah
Berdasarkan latar belakang di atas, maka rumusan masalah dalam
penelitian ini adalah sebagai berikut :
1. Bagaimana model pendugaan karbon di Kawasan Hutan Produksi ?
2. Bagaimana estimasi cadangan karbon di Kawasan Hutan Produksi ?
1.3. Tujuan dan Manfaat Penelitian.
Tujuan dari penelitian ini adalah sebagai berikut :
1. Mengetahui model pendugaan karbon di Kawasan Hutan Produksi.
2. Mengetahui estimasi cadangan karbon di Kawasan Hutan Produksi.
Manfaat dari penelitian ini adalah sebagai berikut :
1. Penelitian ini bermanfaat sebagai informasi awal tentang bagaimana estimasi
stok karbon di kawasan hutan produksi di Kecamatan Nambo. Hasil dari

4
permodelan yang terpilih akan menghasilkan peta estimasi stok karbon yang
dapat menjadi salah satu literatur untuk pemerintah dalam mempertahankan
vegetasi untuk pemenuhan cadangan karbon.
2. Untuk Mahasiswa Fakultas Kehutanan dan Ilmu Lingkungan, Penelitian ini
diharapkan dapat dijadikan acuan yang akan melakukan penelitian tentang
estimasi potensi karbon di kawasan hutan produksi dan bagaimana model
transformasi terbaik yang digunakan.
3. Bagi penentu kebijakan, khususnya Kesatuan Pengelolaan Hutan Produksi
(KPHP Gularaya) dalam mengatur perencanaan kawasan hutan produksi
dalam mempertimbangkan jumlah vegetasi dengan kebutuhan karbon di
Kecamatan Nambo.
1.4. Kerangka Berfikir
Kawasan Hutan Produksi di Kecamatan Nambo dengan luas ± 427 Ha
direncanakan sebagai blok khusus oleh Kesatuan Pengelolaan Hutan Produksi
(KPHP) Gularaya berdasarkan Surat Keputusan 426/Kpts-II/1997 tentang
penetapan kawasan hutan di wilayah pulau Sulawesi. Kawasan hutan tersebut
dapat berkontribusi terhadap penyerapan emisi karbon karena memiliki potensi
Flora dan Fauna yang bernakeragam diantaranya origana
pterygosperma Gaetn., Artocarpus communis, Ficus septica Burm. F., Donax
cannaeformis (G. Forst.) K. Schum), Eupatorium odoratum (L.) R. M.),
Melastoma malabathricum Linn., Lygodium circinatum (Brun.) Sw. yang
mempengaruhi pada kawasan hutan produksi.

5
Skala wilayah yang begitu luas dapat berpengaruh pada proses
inventarisasi kawasan hutan produksi berkenaan dengan waktu, biaya dan tenaga.
Dalam memudahkan masalah tersebut, maka digunakan citra sentinel 2 dengan
parameter NDVI (Normalized Difference Vegetation Index) pada fotogrametrik
yang di hasilkan dari pengukuran lapangan. Pengukuran lapangan dilakukan
dengan metode non destruktif dan persamaan allometrik yang dihasilkan dari
studi pustaka. Pemahaman sebaran karbon dan jumlah karbon di kawasan hutan
produksi dengan pemanfaatan citra sentinel 2 belum ada, maka penting didapatkan
informasi kemampuan kawasan hutan produksi dalam menyerap karbon. Skema
kerangka pikir dapat dilihat pada Gambar 1.

6
Kondisi Vegetasi Kawasan Hutan Kondisi Iklim

Produksi di Kecamatan
Nambo
Potensi Carbon
Penginderaan Jauh Pengukuran Langsung

(Citra Sentinel 2) Lapangan
Analisis Regresi
Model
Validasi
Model Pendugaan Cadangan Karbon Hutan
Peta Infromasi Spasial Nilai Cadangan Karbon
Gambar 1. Kerangka Pikir Penelitian Estimasi Stok Karbon Kawasan Hutan

Produksi di Kecamatan Nambo Dengan Pemanfaatan Citra Sentinel
2A
7
II. TINJAUAN PUSTAKA
2.1 Kawasan Hutan Produksi
Kawasan hutan produksi berada di Kecamatan Nambo (dengan luas ± 427
Ha) direncanakan sebagai blok khusus oleh Kesatuan Pengelolaan Hutan Produksi
(KPHP). Kawasan hutan produksi tersebut dapat berkontribusi terhadap
penyerapan emisi karbon di wilayah Nambo secara khusus. Berdasarakan Surat
Keputusan 426/Kpts-II/1997 tentang penetapan kawasan hutan di wilayah pulau
Sulawesi, Secara administrasi kawasan hutan produksi direncanakan sebagai blok
khusus oleh Kesatuan Pengelolaan Hutan Produksi (KPHP), (W et al., 2018)
dengan kelas produksi dan kelas penutupan lahan berupa hutan lahan kering
sekunder, hutan sekunder, dan hutan lahan kering campuran dengan potensi
tanaman Jati (Tectona grandis) yang dijadikan sebagai core bisnis Kesatuan
Pengelolaan Hutan.
Secara umum tingkat kerapatan pohon di kawasan hutan produksi di
Kecamatan Nambo cukup tinggi (rapat), namun di beberapa tempat adapula
daerah yang tingkat kerapatannya kurang, terutama daerah yang berdekatan
dengan perkebunan warga atau yang berbatasan dengan pemukiman, Berdasarkan
wilayah kawasan hutan produksi memiliki kelerengan dan bentuk wilayah yang
bervariasi yaitu dari datar (0-8%) sampai berbukit (15-25%) berdasarkan curah
8
hujan rata ratanya pada wilayah kawasan hutan produksi yang tertinggi di bulan
januari rata-rata curah hujan 199,4 mm sebanyak 17 hari dengan suhu rata-rata
minimum 24,8°C dan maksimum 31,8°C, (Balai Pengelolaan Daerah Aliran
Sungai Sampara, 2017).
2.2 Hutan Sebagai Adaptasi dan Proses Mitigasi Perubahan iklim
Fenomena global yang terjadi akibat terjadinya pemanasan global dipicu
dari perubahan iklim sehingga meningkatnya konsentrasi gas rumah kaca di
atmosfir menyebabkan suhu rata – rata di permukaan bumi meningkat. Berbagai
belahan dunia telah terjadi perubahan iklim tersebut ditandai dengan mencairnya
es di daerah kutub, naiknya permukaan laut serta berubahnya pola curah hujan
(Susandi 2008). Fokus utama dari berbagai kalangan seperti pemerhati
lingkungan, akademisi dan stakeholder lain adalah perubahan iklim di tandai
dengan meningkatnya suhu permukaan bumi dipicu oleh berbagai kegiatan
manusia yang menggunakan bahan bakar fosil secara berlebihan sehingga terjadi
penumpukan gas rumah kaca seperti CO2, CH4 dan N2O di atmosfer (Nuriyana
2014).
Mitigasi perubahan iklim dalam sektor kehutanan dapat digolongkan
menjadi tiga diantaranya peningkatan serapan karbon (penanaman), konservasi
karbon hutan (mempertahankan cadangan karbon yang ada pada hutan dari
kehilangan akibat deforestasi, degradasi dan akibat lain dari praktek pengelolaan
hutan), dalam pemanfaatan biomassa dapat digunakan sebagai pengganti bahan
bakar fosil secara langsung melalui produksi energy biomassa atau secara tidak
9
langsung melalui subtitusi bahan yang industrinya menggunakan bahan bakar
fosil. Salah satu cara yang paling mudah dalam meningkatkan cadangan karbon
dengan menanam dan memelihara pohon. Sehingga untuk mencapai target
mitigasi perubahan iklim, pelaksanaan penyerapan karbon tidak hanya
dilaksanakan dalam kawasan hutan negara, namun bisa juga dilaksanakan di luar
kawasan hutan (Wahyuni, 2012).
Hutan memainkan peran sangat penting dalam mempertahankan proses
alami. Salah satu penampung karbon terbesar adalah hutan sehingga membantu
menjaga daur karbon dan proses alami lainnya berjalan dengan baik dan
membantu mengurangi perubahan iklim. Namun, hutan juga dapat menjadi salah
satu sumber emisi CO2 terbesar. Karena hutan dan tumbuhan lainnya juga
menyerap CO2 keluar dari atmosfer, peran ganda ini membuat hutan menjadi
makin penting. Studi ilmiah mengatakan bahwa antara 12-17% dari semua CO 2
yang dikirim ke atmosfer oleh kegiatan manusia berasal dari perusakan hutan
(Stone et al., 2010)
Penanaman pada lahan kritis merupakan salah satu bentuk mitigasi
prubahan iklim dalam sektor kehutanan. Dalam pelaksanaannya, diperlukan
sinergi antar pihak dalam suatu kebijakan multisektoral sehingga upaya penurunan
emisi ini tidak mengganggu pelaksanaan pembangunan dan tetap mendukung
perekonomian masyarakat. Pelaksanaan pembangunan rendah karbon dalam
rangka mitigasi perubahan iklim ini memerlukan tata kelola pemerintahan yang
baik (good governance) serta kerjasama yang baik antar pemangku kepentingan
10
terutama pada sektor berbasis lahan yang seringkali berbenturan dengan kebijakan
kehutanan (Wahyuni, 2012).
2.3 Penginderaan Jarak Jauh di Bidang Kehutanan
Sistem informasi geografis pemantau pertumbuhan pohon adalah
pemantauan pertumbuhan pohon menggunakan metode inderaja dan Sistem
Infromasi Geografis (SIG) secara otomatis dengan cara pemetaan daerah yang
sesuai posisi areal tanam yang dicatat menggunakan GPS (Global Positioning
System) sehingga menghasilkan informasi yang tepat. (Wahyuni 2012).
Perkembangan teknologi penginderaan jauh yang demikian pesat,
memudahkan pendugaan biomasa secara cepat dan efesian. Data yang di hasilkan
dari penginderaan jarak jauh mampu menampilkan karakteristik intristik objek
yang tidak dapat diidentifikasi dengan pengamatan langsung sehingga
pengggunaan teknologi penginderaan jauh telah banyak digunakan untuk
pendugaan biomassa baik menggunakan sensor pasif (optik) maupun sensor aktif
(radar) (Sardianto, 2017).
Secara garis besar pemanfaatan inderaja di bidang Kehutanan dapat
digunakan untuk membuat peta, baik peta dasar maupun peta tematik, dapat
digunakan untuk melakukan inventarisasi hutan, baik teknik pengambilan contoh
bertingkat (multi-stage sampling) atau teknik pengembilan contoh berganda
(double sampling), dapat digunakan pada unit manajemen seperti penataan hutan,
pembukaan wilayah hutan untuk menentukan bagian-bagian hutan berdasarkan
kondisi topografi (Astuty, 2009).

11
Salah satu pemanfaatan teknologi Penginderaan Jauh yaitu melalui citra
Sentinel. Estimasi biomassa melalui Citra Sentinel dilakukan dengan pendekatan
lndeks vegetasi. Indeks vegetasi merupakan cara untuk mendeteksi kerapatan
vegetasi melalui karakteristik spektral pada saluran-saluran yang peka terhadap
fenomena vegetasi pada kisaran spektrum radiasi merah dengan infra merah dekat
untuk mendapatkan suatu nilai yang mencerminkan kelimpahan atau kesehatan
vegetasi (Lillesand dan Kiefer, 1994 dalam Rakhmawati, 2012).
Pemantauan luasan, perhitungan biomassa, produktivitas tanaman dan lain
lain merupakan perkembangan penginderaan jarak jauh untuk vegetasi saat ini
dengan melihat perbedaan intensitas radiasi tenaga elektromagnetik pada pola
karaktersitik spektral dari vegetasi (daun) sehingga pada spektrum cahaya tampak,
klorofil memnpengaruhi respon spektral dari daun (Forestian, 2011).
2.4 Metode Pengukuran Karbon
Informasi dalam mengetahui atau menduga karbon di atas permukaan
dengan melakukan pengukuran biomassa tanaman sehingga cara yang tepat adalah
dengan mengukur biomassa tanaman. Metode yang tepat untuk menduga
biomassa tanaman yaitu metode non destruktif dengan menggunakan persamaan
alometrik (Yulianti, 2009). Pengukuran dalam metode non destruktif dan
persamaan alometrik ini di lakukan pada jenis – jenis pohon yang memiliki pola
percabangan spesifik dan belum diketahui persamaan allometriknya secara umum.
Salah satu cara untuk mengembangkan persamaan allometrik dengan mengukur
diameter batang pohon (Hairiah, 2011).

12
Pengukuran kandungan karbon tanaman secara langsung dapat dihitung
berdasarkan nilai karbon (CO2) pada setiap bagian tanaman (batang, daun dan
pelepah) yang kemudian dijumlahkan untuk setiap pohon sehingga dalam metode
pengukuran kandungan karbon pada bagian tanaman dilakukan secara langsung
yakni dengan menggunakan metode karbonisasi atau pengarangan. Bagian –
bagian pohon yang terdiri atas batang, cabang ranting/daun dan buah yang telah
dilakukan pengukuran berat kering, kemudian diambil sampel dengan berat
tertentu untuk dilakukan proses pengarangan atau karbonisasi dengan
menggunakan retort listrik pada suhu akhir 500º C selama ± 4 jam. Setelah semua
proses tersebut dilakukan maka sisa hasil pembakaran berupa arang, dikeluarkan
dan kemudian ditimbang beratnya untuk mengetahui rendemen arang dari bahan
baku. Selanjutnya dilakukan pengujian untuk mengetahui kadar karbon dari
masing – masing produk (Yniari dan Kurniawan, 2013). Pengukuran cadangan
karbon juga menyarankan penerapan simple random pada wilayah yang memiliki
data penutupan lahan yanga aktual sehingga hasil yang diperoleh dari interpertasi
citra satelit dengan resolusi paling rendah 30 m, dengan klasifikasi tutupan lahan
sesuai dengan SNI 7945:2010.
B. Stratified random
13
A. Stratified systematic
Gambar 2. Metode stratified systematic (A) dan stratified random (B)

Sumber : Manuri et. al. (2011).
2.5 Indeks Vegetasi
Salah satu cara melihat hubungan antara fase pertumbuhan tanaman
dengan menyenderhanakan hubungan antara perkembangan tanaman dengan ciri
refketansinya adalah dengan mentransformasikan data reflektani masing – masing
saluran menjadi satu atau lebih peubah baru. Indeks vegetasi merupakan salah
satu peubah baru yang berhubungan dengan pertumbuhan tanaman yang
diturunkan dari beberapa reflektansi saluran spektral (Forestian, 2011)
Indeks vegetasi yang umum digunakan adalah normalised difference
vegetation index (NDVI) untuk data sentinel. Menurut (Arnanto et al, 2013)
NDVI dapat dihitung dari nilai spektral saluran 3 dan saluran 4, dengan rumus:
NIR−Red
NDVI =
NIR+ Red
Keterangan: NIR dan Red masing – masing adalah nilai digital untuk saluran 3
dan saluran 4 data Landsat.
“Penggunaan NDVI untuk analisis vegetasi sudah cukup banyak
dilakukan. Beberapa peran penting NDVI adalah dalam pendugaan pertukaran
CO2 dari tanaman selama masa pertumbuhan, monitoring tanaman pertanian,
pendugaan hubungan antara klorofil daun dan nilai reflektannya, pendugaan
klorosis yang terjadi pada daun tanaman terganggu dengan yellowness index dan
dalam pengukuran fluks suhu tanah atau radiasi tanah” (Forestian, 2011).
14
2.6 Citra Sentinel 2
Peran Europan Space Agency (ESA) di Global Monitoring for
Environmental and Security (GMES) adalah untuk memberikan definisi dan
pengembangan elemen berbasis sistem ruang dengan meluncurkan Sentinel-2
yang memiliki resolusi spasial tinggi. Dalam perkembangan ESA
mengembangkan lima misi Sentinel, yaitu Sentinel-1, Sentienl-2, Sentinel-3 dan
misi Jason-CS sehingga dengan konfigurasi ini akan mungkin untuk memenuhi
revisit dan cakupan, dalam memberikan layanan operasional yang kuat dan
terjangkau. Pada setiap generasi satelite telah direncanakan berada di antara 15-20
tahun kedepan. Strategi untuk pengadaan dan penggatian satelite Sentinel selama
periode ini sedang dalam tahap perumusan (Thalib, 2017).
Sistem satelite Sentinel 2 sedang dikembangkan oleh konsorsium industri
yang dipimpin oleh Astrium GmbH (Jerman) sebagai kontraktor utama, sementara
Astrium SAS (Prancis) bertanggung untuk Instrumen MultiSpectral. Satelite yang
didasarkan pada platform baru yang dikembangankan untuk Sentinel 2 yang
dipahami sebagai produk generik yang akan kompatibel dengan akurasi penunjuk
dan persyaratan stabilitas dari beberapa misi pengamatan Bumi (ESA, 2012)
15
Gambar 3. Spektrum Spektral Band pada Citra Sentinel-2 (ESA,2012)
Citra Sentinel 2 memiliki 13 band Multi spektral mulai yang tampak dan
yang tidak terlihat dan Visible and Near Infrared (VNIR) ke Short-Wave Infrared
(SWIR) nearinfrared ke infra gelombang pendek. Pada band spektral resolusi
spasial bervariasi dari 10 m ke 60 m, dengan bidang pandang 290 km.
Keunggulan Sentinel 2 mampu menkombinasikan resolusi spasial yang tinggi,
pada bidang pandang lebar dan sepktrum luas sehingga cakupan yang besar
dibandingka dengan multispektral lainnya (ESA, 2012). Di mana Sentinel 2
mampu menampilkan empat band di 10 m yaitu biru klasik (490 nm), hijau (560
nm), merah (665 nm) dan inframerah dekat (842 nm); dan enam band di 20 m
yaitu empat untuk band di vegetasi spektral (spektral (705 nm, 740 nm, 783 nm
dan 865 nm) dan dua band SWIR besar (1.610 nm dan 2190 nm); dan tiga band
pada resolusi spasial 60 m yaitu untuk koreksi atmosfer dan screening awan (443
16
nm) untuk pengambilan aerosol, 945 nm untuk pengambilan uap air dan 1380 nm
untuk deteksi awan cirrus) (ESA, 2012).
Tabel 1. Karakteristik Sentinel 2
Nomor Panjang Kategori Resolusi Kegunaan

Band Gelombang Spasial
(nm) (m)
17
1 443 Costal Aerosol 60 Studi pesisir dan aerosol
2 490 Blue 10 Melihat fitu permukaanr air /

kolom air dangkal, batimetri
3 560 Green 10
Studi vegetasi di laut & di
darat, serta sedimen
4 665 Red 10
Membedakan mineral dan
tanah (studi geologi)/ lereng
5 705 Vegetation Red Edge 20
vegetasi
Vegetasi spektral untuk
6 740 Vegetation Red Edge 20 menilai status vegetasi

menilai status vegetasi
8 842 NIR 10 Vegetasi spektral untuk

Studi konten biomassa dan
garis pantai
10 945 Water Vapour 60 Studi konten biomassa dan
garis pantai
11 1380 SWIR-Cirrus 60
12 1610 SWIR 20
Studi deteksi uap air (water
Vapour)
13 2190 SWIR 20
Peningkatan deteksi
kontaminasi awan cirrus
Studi deteksi kandungan air
tanah dan vegetasi
2.7 Model Pendugaan Carbon

18
Karbon salah satu unsur penting dalam keseimbangan alam sehingga perlu
untuk diperhatikan karena berpotensi bagi lahan lahan yang sudah terdegradasi
dapat meningkatkan daerah penyerapan CO 2 sehingga pentingnya rehabilitasi.
Proses terjadinya karbon melalui perubahan penggunaan lahan, pembakaran
biomassa, penambangan bahan bakar fosil dan pencemaran di laut sehingga
menyebabkan peningkatan jumlah karbon di atmosfer (Yulianti, 2009). Untuk
membuat suatu model pendugaan karbon dapat mestimulasikan penyerapan
karbon dengan melalui proses fotosintesis dan kehilangan karbon melalui
respirasi. Proses penyerapan karbon tersimpan dalam bagian tanaman dalam
bentuk biomassa dengan fungsi dan model biomassa yang kemudia
dipresentasikan melalu suatu persamaan dengan varibel tinggi dan diameter pohon
(Salim, 2005 dalam Widyasari, 2010).
Metode yang sering digunakan pada dasarnya ada empat yakni metode
sampling dengan pemanenan (destructive sampling) salah satu metode
pengukuran biomassa dengan menebang pohon untuk mengetahui pengukuran
berat basah di berbagai carbon pool yang terdiri dari biomassa atas, biomassa
bawah/akar, biomassa kayu mati, biomassa serasah dan biomassa tanah organik
(Ravindranath dan Ostwald 2008). Metode sampling tanpa pemanenan (non-
destructive sampling) atau pengukuran biomassa dengan hanya mengetahui
variabel diameter lingkar batang pohon dan tinggi pohon serta serasah yang ada
(Selviana, 2012), metode pendugaan melalui penginderaan jauh, dan metode
pembuatan model penduga biomassa dan karbon terikat dengan menggunakan
analisis persamaan alometrik dan persamaan polynomial yang mampu

19
menggambarkan variabel biomassa (W) dan karbon terikat (C) sebagai fungsi dari
diameter (D) dan tinggi (H) sehingga untuk mengetahui kandungan karbon terikat
dengan biomassa maka dibuat model yang didasari pada fungsi yang menyatakan
bahwa karbon terikat = f (biomassa) yang dibangun atas persamaan regresi
sederhana dengan mengetahui keeratan antara kandungan karbon terikat dengan
biomassa yang kemudian dipilih model regresi terbaik dengan memperhatikan
beberapa persyaratan untuk pemilihan model terbaik diantaranya yakni
penyesuaian terhadap fenomena dan sifat keterandalan model (data reability) yang
didasari pada varibel koefisien determinansi (R²), varian (S²) dan koefisien
determinansi terkoreksi (R²a) serta melalui tahap uji keabsahan model dengan
melihat parameter MSPE dan CV pada masing – masing persamaan yang
kemudian dipilih persamaan terbaik. Jika menggunakan bantuan pro gram statistik
miniTAB 14 maka dapat menyusun dan analisa persamaan alometrik (Widyasari,
2010).
2.8 Pendugaan Cadangan Karbon Mengunakan Metode Alometrik
Analisis pendugaan biomassa permukaan dengan menggunakan persamaan
alometrik yang telah ada dari penelitian sebelumnya. Biomassa hutan dapat
digunakan untuk memperkirakan kandungan karbon dalam vegetasi hutan, karena
vegetasi biomassa terkandung karbon sekitar 50% (Brown dkk, 1989 dalam
Massiri, 2010). Model alometrik merupakan model regresi yang menunjukkan
hubungan antara ukuran atau pertumbuhan salah satu komponen individu pohon
dengan semua komponen individu pohon.

20
Data yang digunakan dalam mengukur biomassa tegakan ialah diameter
batang (dbh) dan tinggi pohon dengan metode non-destruktif. Metode pengukuran
dbh dan tinggi tegakan berdasarkan penelitian Murdiyarso et al., (2010) yaitu
mengukur diameter batang tegakan setinggi dada menggunakan pita meter
sedangkan tinggi tegakan diukur menggunakan alat hagameter dengan mengetahui
persamaan dari alometrik pada jenis yang di ukur.
Model alometrik adalah model digunakan untuk menggambarkan
perubahan sistematis dan di dalam berisi hubungan antara ukuran atau
pertumbuhan dengan komponen keseluruhan dalam suatu makhluk hidup
(Parresol 1999). Hubungan dinyatakan dalam bentuk matematika sekaligus dalam
bentuk fungsi logaritmik dan pangkat. Melalui model persamaan alometrik,
biomassa dari pohon, itu hanya bisa diduga berdasarkan diameter, tinggi atau
kombinasi keduanya sehingga biomassa tegakan dalam vegetasi dapat dihitung
ekosistem dapat dihitung (Krisnawati et al. 2012).
2.9 Pendugaan Cadangan Karbon Menggunakan Metode Spasial Sistem

Informasi Geografis
Sistem informasi geografi memiliki kapasitas dalam menggabungkan
berbagai data ke suatu titiktertentu di bumi, overlay, analisis dan akhirnya
memetakan hasilnya. Data yang proses pada sig adalah data spasial yang
berorientasi pada data geografis dan merupakan lokasi yang memiliki sistem
koordinat tertentu, sebagai garis dasar. Karena itu Aplikasi GIS dapat menjawab
beberapa pertanyaan sebagai; Lokasi, kondisi, tren, model, dan pemodelan.

21
Kapasitas ini membedakan pertunjukan Sistem informasi lainnya (Rosdania,
2015).
Persamaan alometrik digunakan untuk mengekstrapolasi data spasial ke
area yang lebih luas. Penggunaan persamaan alometrik alometrik yang
dipublikasikan sering dilakukan, tetapi karena koefisien persamaan alometrik
bervariasi untuk setiap lokasi dan spesies, penggunaan persamaan standar ini
dapat menghasilkan kesalahan penting dalam estimasi biomassa suatu vegetasi
(Sutaryo, 2009)
Hasil Penelitian yang dilakukan oleh (Nabila, 2019) persamaan regresi
yang digunakan menjadi model pendugaan nilai biomassa vegetasi wilayah kota
Kendari adalah y = 0.1032e4.8209x . Citra Sentinel 2-A mampu digunakan untuk
mengestimasi biomassa dan stok karbon (tegakan vegetasi) di Kota Kendari
2
karena memiliki hubungan yang cukup kuat serta koefisien determinasi (R ) yang
cukup tinggi sebesar 68% untuk Sebaran cadangan karbon di Kota Kendari
berdasarkan kelas karbon yang telah diperoleh yaitu sebaran cadangan karbon
tertinggi dengan nilai 5,76 ton/pixel sedangan karbon terndahnya bernilai 0,01
ton/pixel
22
III. METODE PENELITIAN
3.1. Waktu dan Tempat
Penelitian ini dilaksanakan pada bulan November sampai dengan
Desember 2020 di kawasan hutan produksi di Kecamatan Nambo yang secara
geografis terletak di bagian selatan khatulistiwa, melintang dari utara keselatan
antara 122º35’ BT dan 3º48’ LS di Tobimeita Kecamatan Nambo Kota Kendari,
Provinsi Sulawesi Tenggara.
3.2. Alat dan Bahan
Alat yang di gunakan dalam penelitian ini adalah : Perangkat keras
(hardware) berupa laptop dan printer, perangkat lunak (software) yang digunakan
adalah Arc GIS 10.4 dan SAGA GIS 5.0. dan SPSS, alat survey yang digunakan
yaitu pedoman identifikasi pohon, Global Positioning System (GPS), pita meter.
roll-meter, tally sheet, kertas tahan air (Newtop), alat tulis dan kamera digital.
Bahan yang digunakan pada penelitian ini adalah ; Tumbuhan berupa Pohon yang
digunakan sebagai objek penelitian, Citra Sentinel 2 tahun 2020, peta administrasi
wilayah penelitian dan peta kerja.
3.3. Populasi dan Sampel

23
Populasi dalam penelitian ini adalah semua jenis vegetasi di wilayah
Hutan produksi yang masuk dalam tingkat pertumbuhan pohon dengan
berdasarkan peta penutupan lahan kawasan hutan produksi luas ± 427 Ha (Hasil
Analisis Citra, 2020). Sampel dalam penelitian ini adalah tumbuhan yang berada
pada tingkat pertumbuhan pohon yang terdapat dalam plot atau petak pengamatan
sedangkan pada tingkat semai tidak termasuk karena dalam populasi dan sampel
pengamatan hanya difokuskan pada penelitian cadangan karbon pohon.
Mengidentifikasi proses penetuan lokasi dengan bantuan interpertasi citra dapat
memberikan gambaran tingkat kerapatan dan dapat memisahkan antara objek
dengan objek lain pada kawasan hutan produksi di lokasi penelitian. Bentuk
sampel adalah bujur sangkar dengan ukuran 20 m x 20 m (0.04 Ha), dengan
jumlah petak sampel sebanyak 30 petak. Perbandingan jumlah titik sampel
minimal yang harus diambil dengan skala pemetaan yang dapat disajikan pada
Tabel 2
Tabel 2. Jumlah Titik Sampel di Lokasi Penelitian Tahun 2020 Berdasarkan Skala
Peta
Skala Kelas kerapatan Min. Plot Total sampel
(Kr) minimal (TSM)
1:25.000 5 30 50
1:50.000 3 20 30
1: 250.000 3 20 30
Sumber: Peraturan Kepala BIG No.3 Tahun 2014 Tentang Pedoman Teknis
Pengumpulan dan Pengelolaan Data Geospasial
Sampel dilakukan secara purposif dengan mempertimbangkan
keterwakilan kerapatan vegetasi hutan produksi di Kecamatan Nambo dan sebaran
tumbuhan yang terdapat di lokasi penelitian. Pengambilan data lapangan
dilakukan dengan metode non destruktif, yakni dilakukan melalui pengukuran

24
besaran lingkar batang, identifikasi jenis dan perhitungan jumlah individu jenis
yang ditemukan.
3.4. Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data kualitatif dan
kuantitatif. Data kualitatif yaitu data yang dinyatakan dalam bentuk kata-kata atau
bukan dalam bentuk angka. Data kualitatif dalam penelitian ini adalah nama jenis
pohon. Data kuantitaif yaitu data yang diperoleh dalam bentuk angka. Data
kuantitatif dalam penelitian ini adalah diameter pohon, jumlah individu vegetasi
dan nilai NDVI vegetasi.
Sumber data yang digunakan dalam penelitian ini terdiri dari data primer
dan data sekunder. Data primer yaitu data yang diperoleh melalui pengamatan
langsung di lapangan terhadap objek yang diteliti. Data primer dalam penelitian
ini yaitu data yang didapatkan dari hasil pengukuran lapangan di tempat penelitian
meliputi diameter lingkar batang pohon dan jumlah individu tiap jenis pohon dan
nama jenis pohon yang diperoleh dari hasil survey lapangan. Adapun data
sekunder dalam penelitian yaitu data yang diperoleh dari berbagai instansi atau
lembaga yang mempunyai relevansi untuk digunakan sebagai data pendukung
dalam penelitian ini. Data sekunder yang dikumpulkan meliputi kondisi umum
25
lokasi penetian seperti data biofisik lahan (luas, topografi, iklim, curah hujan)
serta peta administrasi wilayah penelitian dan data Citra Sentinel 2 Tahun 2020.
3.5. Variabel Penelitian
Variabel yang digunakan pada penelitian ini adalah :
a. Diameter lingkar batang pohon, jenis pohon, tinggi pohon dan jumlah
individu.
b. Nilai NDVI (Normalized Difference Vegetation Index) yang merupakan
perhitungan dari sinar tampak dan inframerah dekat yang direfleksikan oleh
vegetasi. Nilai ini diperoleh dari data penginderaan jauh.
3.6. Teknik Pengumpulan Data
Teknik pengumpulan data pada penelitian ini adalah sebagai berikut:
1. Observasi
Observasi adalah metode pengumpulan data melalui pengamatan langsung di
lapangan terhadap objek yang diteliti meliputi pengukuran diameter setinggi dada,
jenis pohon, keliling lingkar batang pohon, jumlah jenis individu dan jumlah
NDVI.
3.7. Prosedur Penelitian
Prosedur penelitian analisis cadangan karbon di wilayah kawasan hutan
produksi dengan pemanfaatan sistem informasi geografis yaitu sebagai berikut;
a. Data citra sentinel 2 dapat diunduh dari situs www.remotepixel.cu atau

26
adnananhum.wordpress.com (terdapat beberapa cara dalam mendownload data
citra sentinel dan citra lainnya)
b. Melakukan koreksi radiometrik; koreksi radiometrik bertujuan untuk
memperbaiki pixel agar sesuai yang seharusnya. Dengan mempertimbangkan
kesalahan atmosfer merupakan penyebab kesalahan utama.
c. Komposit warna; bertujuan untuk mempertajam kenampakan obyek tertentu
sehingga mempermudah intrepretasi hasil dari data citra inderaja. Pada
penelitian ini komposit warna yang digunakan untuk klasifikasi penutupan
lahan pada kawasan hutan produksi yaitu band 432, sedangkan untuk
mengetahui nilai NDVI (Normalized Difference Vegetation Index) kombinasi
band 8 dan 4.
d. Interpertasi citra digital digunakan untuk penarjamanan digital (Digital
Enhancement); tahapan ini berisi penajaman digital yang bertujuan untuk
mendapatkan kualitas visual dan variabilitas spektral citra menjadi lebih baik.
e. Melakukan pemotongan citra (Cropping); data citra yang sudah terkoreksi
dipotong untuk mempermudah pengolahan data dan memfokuskan lokasi
daerah penelitian. Selain itu, pemotongan hasil fotogrametrik dan data citra.
Tahapan dalam Cropping dapat dilakukan dengan menggunakan data vektor,
koordinat geodetik, atau dengan menggunakan intreactiv clip pada software
GIS.
f. Melakukan klasifikasi citra; klasifikasi citra dapat dilakukan dalam 2 cara
klasifikasi terbimbing (unsupervised classification) dan klasifikasi tak
terbimbing (supervised classification). Pada penelitian ini digunakan

27
klasifikasi tak terbimbing. Bertujuan untuk mengekstrak pola-pola respon
spektral yang terdapat pada fotogrametrik dan untuk dikelaskan kedalam kelas
atau kategori tertentu pada kelas-kelas penutupan lahan (landcover).
g. Melakukan uji akurasi data; pengambilan sampel di lapangan untuk menguji
tingkat keakuratan baik secara visual dari hasil klasifikasi dengan
menggunakan titik – titik kontrol sehingga besarnya persentase ketelitian
pemetaan dapat diminimalisir. Hasil pengolahan data citra minimal adalah
70% dan setelah divalidasi dengan data lapangan maka akurasi hasil penelitian
adalah 90%. Pengambilan sampel di lapangan mengacu pada Peraturan Kepala
BIG No. 3 Tahun 2014 tentang Pedoman Teknis Pengumpulan dan
Pengolahan Data Geospasial.
h. Penentuan lokasi sampel atau survey awal: dilakukan untuk menentapkan
lokasi sampel berdasarkan hasil interpertasi citra data penginderaan jarak jauh
yang dianggap respresentatif sehingga mewakili kondisi vegetasi.
i. Membuat petak pengamatan dan melakukan pengukuran yang ditemukan
dalam plot pengamatan.
j. Melakukan pengukuran keliling lingkar batang untuk memperoleh informasi
diameter pohon yang diperoleh dari hasil pengukuran keliling batang
kemudian dibagi dengan “phi” (Π) atau 3,14. Pada pengamatan ini, data pohon
(DBH = 10 cm) yang diambil dari masing-masing plot 20 m x 20 m berupa
spesies, diameter pohon ketinggian pohon. Pengukuran pohon dilakukan
dengan :
 Apabila batang bercabang di bawah ketinggian sebatas dada (1,3 m) dan

28
masing- masing cabang memiliki diameter = 10 cm maka diukur sebagai
dua pohon yang terpisah.
 Apabila percabangan batang berada di atas setinggi dada atau sedikit di
atasnya maka diameter diukur pada ukuran setinggi dada atau di bawah
cabang.
 Apabila batang mempunyai akar tunjang/ udara, maka diameter diukur 30
cm di atas tonjolan tertinggi.
k. Untuk pendugaan potensi karbon lapangan pada setiap petak pengamatan
dilakukan dengan menggunakan rumus alometrik.
l. Membuat model regresi antara nilai karbon lapangan dan nilai NDVI citra.
m. Melakukan uji statistik dengan menentukan permodelan terpilih dengan
akurasi model yang dapat digunakan. Dengan menentukan permodelan terpilih
harus melalui beberapa uji lanjut lainnya uji Korelasi, Uji Koefisien
determinansi, uji ANOVA, Uji Asumsi Kuadrat terkecil, Uji Validasi Model.
n. Menggunakan model terpilih untuk menduga cadangan karbon pada Kawasan
Hutan Produksi di Kecamatan Nambo.

29
Unduh data citra
Citra Sentinel 2 tahun

2020
Koreksi radiometrik
Komposit warna citra
Penarjaman digital
Cropping
Berdasarkan AOI
Peta digital kawasan hutan Uji

Klasifikasi citra
produksi
Reklasifikasi
tidak
Penetuan lokasi
sampel/ survey awal
Membuat petak pengamatan
Pengukuran diameter Jenis Vegetasi Hutan

batang Produksi
30
Alometrik
Biomassa
Model
Uji Statistik
Model Terpilih
Peta estimasi cadangan

karbon hutan produksi
di Kecamatan Nambo
Gambar 4. Prosedur Penelitian Esrtimasi Potensi Karbon Pada Kawasan Hutan Produksi
3.8. Analisis
Dengan Data
Pemanfaatan Teknologi Penginderaan Jarak Jauh Di Kecamatan Nambo
Analisis data potensi karbon hutan di Kawasan Hutan Produksi di
Kecamatan Nambo, adalah :
3.8.1 Perhitungan Biomassa
Perhitungan biomassa hutan lapangan menggunakan pendugaan biomassa
non destruktif (dengan persamaan allometrik), metode ini tidak merusak
lingkungan dan dapat dilaksanakan lebih cepat untuk areal hutan yang lebih luas.
Beberapa model persamaan allometrik yang digunakan untuk menghitung
biomassa adalah :
Tabel 3. Persamaan Allometrik Pada Berbagai Spesies kayu Bercabang

No Jenis Persamaan Sumber
1 Mahoni BK = 0,048 (D2,68 )
Allometrik Purwanto et.al., 2009
2 Jati BK = 0,153 (D2,382 ) Purwanto et.al., 2009
3 Sengon BK = 0,0272 (D2,831 ) Purwanto et.al., 2009

31
4 Akasia BK = 0,077 (D2 H) 0,90 Purwanto et.al., 2009
5 Pohon – pohon bercabang BK = 0,11 ρ (D)2,62 Ketterings, 2001
6 Pohon – pohon tidak BK = Π ρ D2 H/40 Hairiah, 2002
Ket : bercabang
BK : Berat Kering (kg/pohon)
D : Diameter setinggi dada (cm)
H : Tinggi total tanaman (cm)
Ρ : Kerapatan kayu
Adapun perhitungan nilai karbon hutan menurut (Hairiah, 2007)
menggunakan persamaan sebagai berikut :
Kandungan Karbon = Estimasi Biomassa x 0.46
Data dari hasil perhitungan biomassa persetiap plot kemudian diuji
normalitas. Untuk mengetahui distribusi variabel bebas yaitu indeks vegetasi
terhadap variabel terikat yaitu biomassa apakah menyebar secara normal atau
tidak. Metode Normal Probability Plot, merupakan metode yang digunakan untuk
uji normalitas dengan melihat sebaran titik – titik plot dengan mengikuti dan
mendekati garis diagonalnya sehingga garis diagonal dapat mengikuti arah garis
diagonal maka memenuhi asumsi normalitas. Uji normalitas dilakukan dengan uji
normalitas Kolmogorov-Smirnov dengan software SPSS.
3.8.2 Korelasi Indeks Vegetasi
Perhitungan indeks vegetasi tutupan lahan dilakukan pada citra satelit yang
telah diunduh. Dengan menggunakan formula NDVI (Normalized Difference
Vegetation Index) yang merupakan perhitungan dari sinar tampak dan inframerah
dekat yang direfleksikan oleh vegetasi. Proses ini bertujuan untuk mengetahui dan
mendapatkan nilai indeks kerapatan vegetasi kawasan hutan produksi Kecamatan
Nambo. Menurut (Arnanto et al., 2013) nilai NDVI dihitung dengan
menggunakan persamaan:
32
NIR−RED
NDVI =
NIR+ RED
dimana ;
NIR (Near infrared) :band inframerah dekat

RED adalah :band merah
3.8.3 Membangun Model Penduga Biomassa
Membangun hubungan antara biomassa di atas permukaan tanah yang
diperoleh dari hasil perhitungan data lapangan yang terletak pada masing- masing
petak pengamatan dengan melihat nilai indeks vegetasi (NDVI) pada setiap lokasi
penelitian yang sama dan bersumber dari hasil analisis data penginderaan jauh.
Model pendugaan ini menggunakan beberapa model regresi, yaitu ;
Regresi linier : Y = c + bx
Regresi logaritmatik : Y = c + b ln x
Regresi eksponensial : Y = c exp
dimana,
Y : variabel terikat (biomassa dalam ton/ha)

b : Variabel
c : Konstanta
x : indeks vegetasi
exp : Inversi LN, logaritma natural angka.
Untuk membangun model pendugaan biomassa dapat melalui 4 tahap
pengujian yaitu uji statistik pada masing-masing indeks vegetasi/NDVI dapat
ditentukan berdasarkan nilai r (koefisien korelasi), nilai R 2 (koefisien determinasi),
uji ANOVA dan uji t. Selanjutnya Uji Korelasi menunjukan hubungan antara
variabel bebas dan variabel terikat. Dalam suatu model regresi terdiri dari Nilai
correlation coefficient (r) dapat menunjukkan kekuatan dan arah hubungan antar
variabel. Selang nilai korelasi (r) berkisar antara -1 sampai dengan 1. Koefisien
33
korelasi bernilai negatif mempunyai makna hubungan antara dua variabel yang
diuji bersifat berbanding terbalik, yaitu jika salah satu variabel nilainya menurun,
maka peubah yang lain akan meningkat. Koefisien korelasi bernilai positif
menunjukkan hubungan antar dua variabel tersebut berbanding lurus, yaitu jika
nilai salah satu peubah meningkat, maka peubah lain juga akan meningkat.
Apabila nilai korelasi 0, maka hubungan antara dua variabel yang diuji tidak
memiliki korelasi. Kemudian uji nilai keofisien determinansi tujuannya adalah
untuk mengetahui pemilihan model terbaik sehingga nilai R dapat menunjukkan
persentase penyimpangan variabel terikat (biomassa) yang dapat dijelaskan oleh
variabel bebas (indeks vegetasi/NDVI) dalam suatu model regresi. Semakin tinggi
nilai R2 dalam suatu model regresi, maka semakin baik pula model tersebut
digunakan untuk estimasi biomassa. Selanjutnya dilakukan uji ANOVA ; tingkat
signifikansi pada pengaruh variabel bebas terhadap variabel terikat dapat
diketahui jika nilai sig < 0.05 maka pengaruh variabel bebas sudah signifikan
sehingga model regresi dapat digunakan. sedangkan jika sig > 0.05 maka model
regresi tidak dapat digunakan dan yang terakhir Uji asumsi kuadrat terkecil.
Dalam melakukan serangkaian uji kaudrat terkecil paramterik a dan b diuji
dengan menggunakan metode kuadrat terkecil (leastsquare method). Metode
kuadrat terkecil dapat digunakan apabila asumsi – asumsi regresi sudah terpenuhi
dengan melihat setiap nilai variabel bebas independen terhadap varibel bebas
lainnya, nilai sisaan bersifat acak serta berdistribusi normal dengan rata-rata nol
dan variannya konstan sehingga model yang memenuhi adalah model yang
memiliki normalitas data (Sembiring, 1995).

34
3.8.4 Uji Validasi Model
Uji validasi model terpilih tujuannya untuk membandingkan antara hasil
penghitungan biomassa hutan dengan menggunakan model terpilih dan hasil
pengukuran di lapangan dengan menggunakan persamaan allometrik. Melalui uji
validasi dapat diketahui penyimpangan nilai penduga biomassa hasil dari model-
model regresi yang dibangun dengan biomassa di lapangan. Uji validasi model
terbangun dengan menggunakan matriks kepercayaan.
3.8.5 Pembuatan Peta Cadangan Karbon
Pembuatan peta cadangan karbon dilakukan dengan bantuan software
ArcGIS dengan menglasifikasikan menjadi beberapa kelas dan ditentukan dengan
melihat sebaran data normal dari nilai sediaan karbon yang di ukur dari seluruh
plot contoh yang ada di lapangan.
3.9. Definisi Operasional
Definisi operasional dari penelitian ini adalah:
a. Kawasan Hutan Produksi merupakan kawasan yang berada di Kecamatan
Nambo yang direncakana blok khusus oleh Kesatuan Pengelolaan Hutan
Produksi (KPHP) Gularaya memiliki potensi Flora dan Fauna yang
bernakeragaman diantaranya origana pterygosperma Gaetn., Artocarpus
communis, Ficus septica Burm. F., Donax cannaeformis (G. Forst.) K.

35
Schum), Eupatorium odoratum (L.) R. M.), Melastoma malabathricum Linn.,
Lygodium circinatum (Brun.) Sw.
Penginderaan jauh adalah ilmu untuk mendapatkan informasi tentang obyek,
daerah atau gejala di permukaan bumi yang direkam dengan alat tertentu
(device), yang diperoleh tanpa kontak langsung terhadap obyek, daerah atau
gejala yang dikaji.
b. Geospasial atau ruang kebumian adalah aspek keruangan yang menunjukkan
lokasi, letak, dan posisi suatu objek atau kejadian yang berada di bawah, pada,
atau di atas permukaan bumi yang dinyatakan dalam sistem koordinat tertentu.
c. Data Geospasial adalah data tentang lokasi geografis, dimensi atau ukuran,
dan/atau karakteristik objek alam dan/atau buatan manusia yang berada di
bawah, pada, atau di atas permukaan bumi.
d. Data Raster adalah data yang disimpan dalam bentuk grid atau piksel sehingga
terbentuk suatu ruang yang teratur, data ini merupakan data geospasial
permukaan bumi yang diperoleh dari citra perekaman foto atau radar dengan
wahana Unmanned Aerial Vehicle (UAV), pesawat atau satelit.
e. Pesisir adalah daerah pertemuan antara darat dan laut; kearah darat meliputi
bagian daratan, baik kering maupun terendam air, yang masih dipengaruhi
sifat-sifat laut seperti pasang surut, angin laut, dan perembesan air asin,
sedangkan kearah laut meliputi bagian laut yang masih dipengaruhi oleh
proses–proses alami yang terjadi di darat seperti sedimentasi dan aliran air
tawar, maupun yang disebabkan oleh kegiatan manusia di darat seperti
penggundulan hutan dan pencemaran.

36
f. Peta adalah Gambaran dari unsur – unsur alam dan unsur – unsur buatan, yang
berada di atas maupun di bawah permukaan bumi yang digambarkan pada
suatu bidang datar dengan skala tertentu.
g. Stok karbon adalah jumlah karbon dalam waktu tertentu yang terdapat dalam
suatu sistem yang dapat menyerap atau melepaskan karbon.
h. Tajuk adalah bagian atas tanaman yang terdiri atas cabang, ranting dan daun
IV. GAMBARAN UMUM LOKASI PENELITIAN
4.1. Letak dan Luas Wilayah
Wilayah Penelitian Kawasan Hutan Produksi terletak di Kecamatan
Nambo Kabupaten Kota Kendari yang sekaligus sebagai Ibu kota provinsi
Sulawesi Tenggara. Secara astronomis terletak di bagian selatan garis khatulistiwa
berada di antara 3o59’55’’ dan -4o03’18’’ Lintang Selatan, dan membentang dari
Barat ke Timur diantara 122o34’54’’ dan 122o36’38’’ Bujur Timur.
Secara geografis berbatasan dengan Teluk Kendari di Utara, Konawe
Selatan di Timur, Kabupaten Konawe Selatan di Selatan, dan Kecamatan Poasia
di barat. Secara umum, terdapat beberapa kecamatan yang berada di kawasan
hutan produksi. Namun, tidak secara keseluruhan masuk dalam wilayah
penelitian, secara berurutan terdapat 3 kecamatan diantaranya yaitu Kecamatan

37
Poasia, Kecamatan Abeli dan Kecamatan Nambo. Batas wilayah kecamatan
disajikan pada tabel 4
Tabel 4. Luas Wilayah Masing-Masing Kecamatan Nambo 2020

Luas Daerah Persentase
Kelurahan
(Km2) (%)
(1) (2) (3)
1 Benuanirae* 7,25 16,38
2 Pudai* 0,82 1,85
3 Lapulu* 0,59 1,33
4 Abeli* 2,11 4,77
5 Anggalomelai* 1,83 4,13
6 Tobimeita 6,29 14,21
7 Poasia* 0,68 1,54
8 Talia* 0,62 1,40
9 Petoaha 7,40 16,72
10 Nambo 2,62 5,92
11 Bungkutoko 1,60 3,61
12 Sambuli 3,47 7,84
13 Tondonggeu 2,49 5,62
14 Matabubu** 6,50 14,68
Kecamatan Nambo 44,27 100
Sumber: BPS Kecamatan Nambo dalam Angka 2020
38
Ket : *) Kecamatan Abeli

**) Kecamatan Poasia
Sub-Wilayah Penelitian terdiri dari 14 wilayah administrasi kelurahan
memiliki luas  44,27 km area yang tersebar di 3 kecamatan yaitu Kecamatan
Nambo, Kecamatan Abeli dan Kecamatan Poasia. Kecamatan Abeli meliputi
Kelurahan Benuanirea, Pudai, Lapulu, Anggaloemlai, Poasia, Talia, Abeli dan
Kecamatan Nambo meliputi Kelurahan Tobimeita, Nambo, Petoaha, Bungkutoko,
Sambuli, Tondonggeu sedangkan Kecamatan Poasia meliputi Kelurahan
Matabubu. Ada satu pulau yaitu Bungkutoko yang memiliki luas 1,60 km atau
3,61% dari total luasnya daerah Kecamatan Nambo.
4.2. Iklim
Kondisi musim di Kecamatan Nambo sama dengan daerah lain di
Indonesia yaitu ada dua musim yaitu musim kemarau dan musim hujan. Kondisi
musim sebagian besar dipengaruhi oleh musin angin yang bertiup di seluruh
wilayah tersebut. Dari bulan Januari hingga Juni, angin meniupkan uap air dalam
jumlah besar dari benua Asia dan Pasifik setelah melewati beberapa samudra,
sehingga pada bulan-bulan ini biasanya kawasan Nambo menjadi musim hujan.
Suhu rata-rata tahun 2020 adalah 27 C, dengan suhu terendah 19 C, dan
tertinggi 35 C. Kelembaban rata-rata dalam tahun 2020 suhu 83° C, suhu
terendah 52° C, kelembaban suhu maksimum 98 derajat Celcius. detailnya
Tentang iklim curah hujan rata-rata (mm) dan hari hujan (hh) Kecamatan Nambo
Tabel 5 menunjukkan tahun 2020.

39
Tabel 5. Rata-Rata Curah Hujan dan Hari Hujan Bulanan Tahun 2020 di
Kecamatan Nambo
Rata-Rata Rata-Rata
No Bulan
Curah Hujan (mm) Hari Hujan (hh)
1 Januari 224,20 16
2 Februari 327,00 21
3 Maret 161,10 19
4 April 270,30 22
5 Mei 177,00 19
6 Juni 427,50 24
7 Juli 337,50 20
8 Agustus 25,20 9
9 September 100,00 10
10 Oktober 5,60 5
11 November 172,00 13
12 Desember 83,50 16
Total 2310,90 194
Sumber :BMKG 2020
Tabel 4.2 menunjukkan bahwa curah hujan harian dan curah hujan bulanan
tertinggi di Kecamatan Nambo dari tahun 2020 terjadi pada bulan Juni dengan
rata-rata curah hujan 427,50 mm dan rata-rata 24 hari. Sedangkan pada bulan
Oktober, curah hujan dan bulan terkering adalah Rata-rata curah hujan selama 5
hari hujan adalah 5,60 mm.
4.3. Topografi
Secara garis besar, topografi di Kecamatan Nambo dibedakan menjadi 3
jenis yaitu berbentuk gelombang atau berombak, berbentuk gelombang dan
bergunung-gunung. Kemiringan kelerengan Nambo adalah 0-8%, 15-25% dan
lebih dari 40% (Balai Pengelolaan Daerah Aliran Sungai Sampara, 2017).
40
Gambar 5. Peta Kelerengan Balai Pengelolaan Daerah Aliran Sungai Sampara

(BPDASS)
4.4. Jenis Tanah
Jenis tanah Ada tiga jenis tanah di wilayah Nambo, yaitu Litosol, Podzolic
dan Kambisol (Balai Pengelolaan Daerah Aliran Sungai Sampara, 2017).

41
Gambar 6. Peta Jenis Tanah Balai Pengelolaan Daerah Aliran Sungai Sampara
(BPDASS)
V. HASIL DAN PEMBAHASAN
5.1 Hasil
5.1.1 Distribusi Luas Kawasan Hutan Produksi
Kawasan Hutan Produksi di Kecamatan Nambo yang tersebar di berbagai
kelurahan yang mendukung berbagai jasa ekosistem, termasuk perannya sebagai
penyimpanan karbon. Hasil identifikasi distribusi dan luas tutupan lahan hutan
produksi di Kecamatan Nambo Kabupaten Kota Kendari, dilakukan berdasarkan
kenampakan warna citra sentinel 2 tahun 2019 yang terlihat, diperoleh luas total
42
yaitu 427 ha. Distribusi hutan produksi di Kecamatan Nambo Kabupaten Kota
Kendari dapat dipersentasekan pada peta (Lampiran 1.)
Analisis sistem informasi geografis (SIG) pada sebaran kawasan hutan
produksi di Kecamatan Nambo menunjukkan bahwa kelurahan Tobimeita
merupakan kawasan dengan tutupan vegetasi tertinggi yaitu seluas 192,03 hektar
atau 44,91% dari total luas wilayah studi sedangkan tutupan lahan yang rendah,
0,08 hektar atau 0,02% dari luas wilayah studi terdapat di kelurahan Tondonggeu.
Secara rinci sebaran kawasan hutan produksi secara administratif disajikan pada
Tabel 6
Tabel 6. Distribusi Kawasan Hutan Produksi di Kecamatan Nambo

No. Kelurahan Luas (ha) Persentase (%)
1 Benuanirae 83,29 19,48
2 Nambo 19,01 4,45
3 Petoaha 110,05 25,74
4 Sambuli 12,69 2,97
5 Tobimeita 192,03 44,91
6 Tondonggeu 0,08 0,02
7 Matabubu 10,40 2,43
Total 427 100
Sumber : Analisis Data, 2020
5.1.2 Komposisi Jenis Vegetasi Kawasan Hutan Produksi di Kecamatan

Nambo
43
Nilai setiap jenis berdasarkan hasil survey di wilayah studi, jumlah
individu vegetasi yang ditemukan sebanyak 602 individu yang tersebar di 30
wilayah observasi (Lampiran 2). Tabel 7 mencantumkan komposisi jenis kawasan
hutan produksi di lokasi studi, termasuk kerapatan relatif, frekuensi relatif,
dominasi relatif dan indeks nilai penting (INP). Dibandingkan dengan jenis
lainnya, jenis Acacia memiliki nilai kerapatan relatif tertinggi. Jenis frekuensi
relatif, nilai dominansi relatif tertinggi dan nilai indeks nilai penting (INP)
tertinggi terdapat pada jenis Vitex Coffasuss (37,663), dan terendah terdapat pada
jenis Diospyros (1.796).
Tabel 7. Hasil Analisis Vegetasi Kawasan Hutan Produksi di Kecamatan Nambo.

No. Nama Jenis KR(%) FR(%) DR(%) INP
1 Tectona grandis 11,296 5,161 0,092 16,549
2 Acacia 20,432 14,839 0,143 35,414
3 Vitex coffacuss 18,771 18,710 0,183 37,663
4 Castanopsis Buruana 9,635 12,258 0,109 22,002
5 Neolamarckia
cadamba 1,329 3,871 0,026 5,226
6 Ceiba pentandra 0,831 1,290 0,020 2,141
7 Syzygium sp. 1,329 3,226 0,066 4,620
8 Lithocarpus sp. 15,116 13,548 0,131 28,795
9 Nauclea orientalis 16,279 14,839 0,143 31,261
10 Macaranga 0,664 1,935 0,007 2,607
11 Mangifera indica 0,831 1,290 0,009 2,130
12 Shorea sp. 1,495 4,516 0,026 6,037
13 Alstonia scolaris 1,495 3,226 0,038 4,759
14 Diospyros 0,498 1,290 0,007 1,796
Total 100 100 100 201
44
Sumber : Survei Lapangan Tahun 2020
5.1.3 Kerapatan Vegetasi Hutan Produksi Wilayah Nambo
Kerapatan vegetasi pada kawasan hutan produksi di kecamatan Nambo
diperoleh dengan menggunakan data citra sentinel 2 yaitu band 4 (red) dan band 8
(Near Infra Red) dan algoritma indeks vegetasi ternormalisasi NDVI untuk
analisis citra satelit serta menentukan kelas kerapatan vegetasi dengan
mengklasifikasi ulang menjadi tiga tingkat kerapatan vegetasi, yaitu kerapatan
rendah, sedang, dan tinggi (Triramanda, 2017) sehingga kerapatan vegetasi dapat
dipahami. Nilai NDVI pada vegetasi kawasan hutan produksi di Kecamatan
Nambo berkisar antara 0,601 dan 0,850 dengan metode natural breaks yang
digunakan untuk membagi nilai NDVI tersebut menjadi 3 kategori kerapatan yaitu
jarang, sedang dan rapat. Secara rinci tingkat kerapatan pada kawasan hutan
produksi dapat dilihat pada Tabel 8
Tabel 8. Tingkat Kerapatan Vegetasi

No. Nilai NDVI Kelas Kerapatan Luas (Ha)
1 0,601 - 0,684 Jarang 1,96
2 0,685 - 0,767 Sedang 92,94
3 0,768 - 0,850 Rapat 332,65
Total 427,55
Kerapatan vegetasi di kecamatan Nambo ditunjukkan pada peta kerapatan
vegetasi (Lampiran 3). Vegetasi yang lebat mendominasi sebaran dengan luas
332,63 hektar, dan vegetasi kerapatan sedang dengan luas 92,94 hektar. Kategori
ketiga adalah hutan vegetasi jarang dengan luas 1,96 hektar. Secara rinci
45
persebaran tingkat kepadatan menurut wilayah administrasi dapat dilihat pada
Tabel 9
Tabel 9. Sebaran Kelas Kerapatan Berdasarkan Wilayah Administrasi

Kelas Kerapatan Kelurahan Luas (ha)
Nambo 0,12
Petoaha 0,73
Jarang
Sambuli 0,45
Tobimeita 0,65
Total Luas Kelas Kerapatan Jarang (I) 1,95
Benuanirae 28,90
Nambo 2,09
Sedang Petoaha 21,03
Sambuli 3,10
Tobimeita 35,86
Matabubu 1,96
Total Luas Kelas Kerapatan Sedang (II) 92,94
46
Benuanirae 54,39
Nambo 16,80
Petoaha 88,29
Tinggi
Sambuli 9,14
Tobimeita 155,51
Tondonggeu 0,08
Matabubu 8,44
Total Luas Kelas Kerapatan Tinggi (III) 332,65
Total Luas Kelas Kerpatan Jarang (I+II+III) 427,55
Berdasarkan Tabel 9, Kelurahan Tobimeita di kecamatan Nambo
merupakan kawasan yang didominasi oleh vegetasi hutan dengan kerapatan tinggi
dengan luas 155,51 hektar, sedangkan Tobimeita merupakan kawasan dengan
tingkat kerapatan tutupan lahan yang jarang, dan luas wilayahnya lebih besar dari
pada area studi. Luasnya 0,66 hektar.
5.1.4 Penyusunaan Model Pendugaan Cadangan Karbon
5.1.4.1 Uji Asumsi
Uji normalitas pada penelitan ini menggunakan metode kolomogrov
Smirnov dengan 30 plot pengamatan kemudian dilakukan analisis regresi terhadap
30 plot sehingga didapatkan nilai residual yang tinggi menunjukkan keberadaan
data yang outlier (Lampiran 5). Berdasarkan data yang diperoleh terdapat 14 data
outlier sehingga yang digunakan hanya 16 plot (Lampiran 6). Pengujian
normalitas dengan metode kolomogrov Smirnov pada residual biomassa citra dan
47
biomassa lapangan menghasilkan nilai P-value (KS) yaitu 0,200 atau > α yang
menunjukkan data berdistribusi normal, yang ditunjukkan pada (Lampiran 6).
5.1.4.2 Uji Korelasi
Berdasarkan nilai yang diperoleh dengan menggunakan metode pearson
diketahui antara biomassa citra dan biomassa lapangan memiliki nilai r = 0,813
(Lampiran 4). Hal ini menunjukkan bahwa nilai r lebih besar dari nilai α = 0,05
artinya r > α nilai tersebut mencerminkan kekuatan hubungan antara dua variabel
yang diteliti dan memiliki hubungan antara dua variabel yang diuji proporsional
(Firdaus, 2009).
5.1.4.3 Validasi Model
Validasi model menunjukkan tingkat akurasi pada model regresi yang
akan digunakan untuk memperkirakan kandungan karbon pada kawasan hutan
produksi. Secara rinci validasi model berdasarkan data analisis regresi dapat
dilihat pada Tabel 10
Tabel 10. Hasil Validasi Model

Kostanta regresi
Model Regresi F-Hitung t Sig
a B c
Linear -0,784 1,103 - 27,280 5,223 0,000
Logaritmik 0,292 0,870 - 27,767 5,269 0,000
Eksponensial 7,677E-7 14,697 - 30,304 5,505 0,000
Berdasarkan Tabel 10 dapat diketahui bahwa model regresi linear
menunjukkan t hitung 5,223 artinya > 0,05. Hasil uji tersebut menunjukkan bahwa
model linear layak digunakan sebagai penduga potensi karbon hutan
5.1.4.4 Pemilihan Model Pendugaan Biomassa

48
Model terbaik dipilih berdasarkan nilai keofisien korelasi (R) dan nilai
signfikansi (sig). Beberapa model yang digunakan pada penelitian ini adalah
model linier, logaritmatik dan eksponensial. Pemilihan model dilakukan untuk
mengetahui nilai koefisien korelasi (R) dan nilai keofisien determinansi (R 2) yang
terbesar. Keeratan antara nilai (R) yang dapat dilihat dari koefisien determinansi
(R2). Koefisien determinansi koefisien determinasi (R2) menunjukkan seberapa
bagus model regresi yang dibentuk (Reza, 2014). Hasil analisis regresi yang
dilakukan menghasilkan beberapa model persamaan pendugaan potensi cadangan
karbon (Lampiran 9). Secara rinci nilai koefisien korelasi (R) dan koefisien
determinasi (R2) dapat dilihat pada Tabel 11
Tabel 11. Nilai Koefisian Korelasi (R) dan Koefisien Determinansi (R2).
No Model Persamaan R R2 SSE
1 Linear -0,784 + 1,103 0,831 0,661 ,011
2. Logaritmatik 0,292 + 0,870 ln x 0,815 0,665 ,011
3. Eksponensial 7,677E-7 (EXP 14,697x) 0,827 0,684 ,142
Hasil analisis menunjukkan bahwa model linear memiliki nilai keofsien
korelasi (R) lebih tinggi dari model lain yang di uji sebesar 0,831. yang berarti
terdapat hubungan antara biomassa citra dengan 83% nilai lapangan. Nilai R 2 dari
model regresi Linear sebesar 0,661 yang menunjukkan bahwa pengaruh variabel
independen terhadap variabel dependen sebesar 66%, dan sisanya 37% merupakan
variabel lain yang tidak diamati dalam penelitian ini. Sehingga model yang
49
terpilih adalah model linear berdasarkan koefisien korelasi (R) dan koefisien
determinansi (R2) tertinggi dengan persamaan yang dihasilkan yaitu y = -0,784 +
1,103x
5.1.5 Potensi Cadangan Karbon Kawasan Hutan Produksi di Kecamatan

Nambo.
Nilai potensi simpanan karbon pada kawasan hutan produksi di
Kecamatan Nambo di atas permukaan tanah menggunakan model linear terpilih
mendapatkan nilai potensi karbon sebesar yaitu 396,02 ton dengan rata-rata
biomassa per hektar yaitu 0.03 ton/ha. Sebaran spasial simpanan karbon di
kawasan hutan produksi dinyatakan sebagai peta sebaran nilai simpanan karbon
potensial (Lampiran 12). Sebaran Nilai biomassa berkisar dibagi menjadi 3
kategori dengan menggunakan metode interupsi alami. Secara rinci kategori nilai
potensi penyimpanan karbon hutan disajikan pada Tabel 12
Tabel 12. Kelas Nilai Potensi Cadangan Karbon

Kelas Cadangan
No Interval Kelas Luas (ha) Karbon (ton/ha)
Karbon
1 Rendah -0.122 – -0.03 0,082 -0,160

2 Sedang -0.03 – 0.06 94,00 47,73
3 Tinggi 0.06 – 0.15 333.47 348,45
Total 427.55 396,02
Berdasarkan hasil analisis, Luas simpanan kandungan karbon di
Kecamatan Nambo, dengan wilayah luas kerapatan vegetasi yang tinggi terdapat
di Kelurahan Tobimeita, dengan luasan yang lebih tinggi dibanding kawasan lain
di kawasan hutan produksi yaitu seluas 155,84 hektar. Secara rinci Tabel 13
50
mencantumkan sebaran nilai simpanan karbon berdasarkan batas administratif
kawasan Nambo.
Tabel 13. Sebaran Kelas Kerapatan Karbon Berdasarkan Wilayah Administrasi

Kelas Kerapatan Kelurahan Luas (ha)
Nambo 0,01
Rendah Sambuli 0,03
Tobimeita 0,04
Benuanirae 28,74
Nambo 2,21
Peotaha 21,48
Sedang
Sambuli 3,48
Tobimeita 36,15
Tondonggeu
0,08
Matabubu 1,96
Benuanirae 54,55
Nambo 16,80
Tobimeita 155,84
Tinggi
Peotaha 88,58
Sambuli 9,18
Matabubu 8,44
Nilai simpanan karbon di suatu wilayah berkaitan dengan kepadatan dan
luas tutupan lahannya. Semakin tinggi kerapatan dan luas tutupan lahan di suatu
wilayah maka semakin tinggi pula nilai simpanan karbonnya. Hasil analisis
menunjukkan bahwa Kelurahan Tobimeita merupakan kawasan dengan tutupan
vegetasi tertinggi dalam menyerap karbon yaitu seluas 155,84 hektar (Tabel 13 )
dan kerapatan vegetasi tinggi yaitu 155,51 hektar (Tabel 8 ). Dengan demikian,
kawasan ini memiliki sebaran nilai simpanan karbon yang lebih tinggi
dibandingkan kawasan lain di kawasan studi.
5.2 Pembahasan
51
5.2.1 Distribusi Luas Kawasan Hutan Produksi
Kawasan hutan produksi tersebar di berbagai kelurahan di kecamatan
Nambo dan memiliki luas ± 427 Ha (Analisis Citra Tahun 2019). Sebaran hutan
produksi dengan vegetasi alami yang masih luas terdapat di Kelurahan Tobimeita
dengan luas 155,51 Ha. Dari hasil survey lapangan penyebab hutan di Kelurahan
Tobimeita yang masih luas disebabkan oleh masyarakat yang masih menjaga
kelestarian alam dengan melakukan program pengelolaan hutan secara sederhana
dan tradisional secara lokal, menggunakan penanaman berkayu dan tanaman
pangan dengan pola tanaman campuran dan system agroforestry dan budidaya
tanaman monokultur di beberapa wilayah milik masyarakat (Sudiana, et al. 2009)
dengan reboisasi secara mandiri serta melakukan penanaman jenis tanaman jangka
panjang sehingga program pengelolaan hutan rakyat di Kelurahan Tobimeita
sangat membantu dalam pelestarian kawasan hutan produksi di Kelurahan
Tobimeita.
Berdasarkan hasil survey lapangan kelurahan tondonggeu merupakan area
dengan tutupan vegetasi terkecil pada area lainnya setiap tahun terjadi penurunan
kawasan hutan yang signifikan karena pertumbuhan penduduk yang relatif tinggi,
ahli fungsi menjadi lahan tambahan, pemukiman dan pembangunan di kawasan
tondonggeu serta hutan menjadi non hutan. Pada tahun 2013 kawasan hutan pada
kelurahan Tobimeita memiliki luas 3,13 ha (Badan Pertanahan Nasional Kota
Kendari, 2013) dan menurun drastis di tahun 2020 menjadi 1,00 ha (Analisis
Citra, 2020).
52
5.2.3 Komposisi Jenis Vegetasi Kawasan Hutan Produksi di Kecamatan

Nambo
Berdasarkan data lapangan yang diperoleh, jenis yang terdapat di kawasan
hutan produksi di kecamatan Nambo terdapat 14 jenis di petak pengamatan yaitu
Tectona grandis, Acacia, Vitex coffacuss, Castanopsis Buruana, Neolamarckia
cadamba, Ceiba pentandra, Syzygium sp., Lithocarpus sp., Nauclea orientalis,
Macaranga, Mangifera indica, Shorea leprosula, Alstonia scolaris dan Diospyros.
Acacia merupakan jenis yang memiliki nilai kerapatan relative tertinggi (20,432)
tetapi mempunyai nilai dominansi yang rendah. Hal tersebut menunjukkan bahwa
rata – rata diameter jenis tersebut kecil namun memiliki jumlah yang banyak
(Gunawan, 2011), dibandingkan dengan jenis lainnya. Hal ini disebabkan karena
Acacia dapat tumbuh di berbagai jenis tanah dan mampu beradaptasi dengan baik
bahkan dengan tanah – tanah asam dan terdegradasi (National Research Council,
1983).
Jenis Acacia merupakan jenis yang mampu beregenerasi secara baik
walaupun di kondisi lingkungan yang sudah terganggu. Hal ini sejalan dengan
penelitian Eldoma dan Awang (1999) yang menyatakan bahwa kelimpahan jenis
Acacia dicirikan dapat tumbuh di daerah dataran rendah, beriklim tropis dan
periode kering yang pendek selama 4 bulan pada ketinggian di atas permukaan air
laut sampai ketinggian 480 m. Sedangkan jenis frekuensi relatif, nilai dominansi
relatif tertinggi dan nilai indeks nilai penting (INP) tertinggi terdapat pada jenis
Vitex Coffasuss. Pada jenis Vitex Coffasuss menunjukkan kehadiran dari 30
wilayah observasi di lokasi penelitian dan mempunyai rata – rata diameter yang
lebih besar di bandingkan jenis lainnya dari jumlah Acacia pada lokasi penelitian
53
(Gunawan, 2011). Jenis Vitex Coffasuss memiliki indeks nilai penting tertinggi
dibandingkan dengan jenis lainnya hal ini di sebabkan oleh kesesuaian tepat
tumbuh yang lebih baik dibanding dengan jenis lainnya (Nuraina, 2018).
5.2.3. Kerapatan Vegetasi Kawasan Hutan Produksi di Kecamatan Nambo

Melalui Analisis Citra
Penentuan klasifikasi kerapatan vegetasi di peroleh dengan menggunakan
hasil analisis (Normalized Difference Vegetation Index) NDVI yang di peroleh
dari citra sentinel 2 pada kawasan hutan produksi. Hasil analisis yang
menggabungkan antara band 4 (red) dan band 8 (Near Infra Red) dan memotong
data citra sesuai dengan batas AOI. Selanjutnya ditentukan dengan tingkat
kerapatan vegetasi dan menghitung nilai NDVI dari hasil penggabungan antara
band 4 (red) dan band 8 (Near Infra Red) serta menentukan kelas kerapatan
vegetasi dengan mengklasifikasi ulang menjadi tiga tingkat kerapatan vegetasi,
yaitu kerapatan rendah, sedang, dan tinggi (Triramanda, 2017).
Hasil analisis NDVI, menunjukan bahwa tingkat kerapatan di kawasan
hutan produksi di Kecamatan Nambo berkisar antara 0,601 dan 0,850 yang
kemudian dibagi ke dalam tiga kelas kerapatan yaitu jarang, sedang dan rapat.
Kelurahan Tobimeita merupakan wilayah terluas dengan tingkat kerapatan
tertinggi dibandingkan dengan wilayah lainnya yang memiliki luas yaitu 155,51
ha dan kelas kerapatan jarang terluas yaitu 0,73 ha terdapat pada Kelurahan
Petoaha. Kelurahan Tobimeita memiliki jenis vegetasi yang beragam dan terdapat
pola persebaran vegetasi yang tidak merata. Luas dengan tingkat kerapatan sedang
kelurahan Tobimeita terluas yaitu 35,86 ha Dari hasil survey lapangan wilayah ini
54
merupakan area dengan kondisi vegetasi pertumbuhan yang kurang rapat serta
terdapat jenis vegetasi yang beragam. Hal ini sejalan dengan pernyataan Thoha
(2014) yang menyatakan bahwa semakin tinggi nilai NDVI tutupan lahan maka
semakin rapat vegetasinya. Nilai NDVI yang lebih rendah menunjukkan tutupan
lahan dengan kerapatan vegetasi yang berkurang atau bahkan vegetasi yang lebih
sedikit.
5.2.4 Penyusunan Model Pendugaan Cadangan Biomassa
5.2.4.1 Uji Asumsi
Hasil uji asumsi yang dilakukan terhadap beberapa tahap pengujian
statistika parametrik dengan tujuan untuk mengetahui kenormalan pendistribusian
data antara variabel bebas yaitu biomassa lapangan terhadap variabel terikat yaitu
biomassa citra. Pengujian asumsi meliputi uji normalitas (normalitas), uji derajat
kebebasan (autokorelasi) dan uji homogenitas (heteroksiditas data).
Berdasarkan uji normalitas pada penelitan yang menggunakan metode
Kolomogrov Smirnov dengan 30 plot pengamatan maka dengan analisis regresi
terhadap 30 plot pengamatan, didapatkan nilai residual tinggi yang menunjukkan
keberadaan data yang outlier. Data yang outlier menunjukkan nilai biomassa
lapangan yang tidak sesuai dengan biomassa citra sehingga keberadaan 14 data
yang outlier dari 30 plot pengamatan dapat diketahui. Data outlier tersebut dapat
menyebabkan munculnya nilai rata-rata dan deviasi standar tersebut tidak
konsisten dari sebagian besar data. Selain itu, diperkirakan koefisien regresi yang
diperoleh salah, pada beberapa analisis inferensi dapat menyebabkan kesalahan

55
pengambilan keputusan dan kesimpulan (Wulandari, 2013). Hasil uji normalitas
pada residual biomassa citra dan biomassa lapangan menghasilkan P-value (K-S)
yaitu 0,200 dan dilakukan pada taraf uji 5% atau α = 0,05 yang merupakan P-
value (KS) > 0,05 yang menunjukkan data terdistribusi normal.
Uji derajat kebebasan (autokorelasi) dengan metode Durbin Watson
diperoleh nilai dw = 1,991 (Lampiran 7). Selain itu jika dibandingkan dengan nilai
tabel dw dengan signifikansi 5%, ukuran sampel N = 16 dan variabel bebas k = 1
sehingga diperoleh nilai dU = 1,370. Nilai dw 1,991 lebih besar dari nilai dU
1,370 dan lebih kecil dari 4-dU (4-1,370 = 2,63), berarti dU<dw<4-du
(1,370<1,991<2,63) sehingga dapat disimpulkan tidak terjadi autokorelasi
(hipotesis diterima).
Hasil analisis data menunjukkan bahwa hasil uji homogenitas dengan
metode Glejser (Lampiran 8). Menghasilkan nilai P-value sebesar 0,001. Uji
homogenitas menjelaskan kesamaan varian residual untuk pengamatan pada
model regresi jika nilai signifikansi antara variabel independent dengan nilai
residual absolut < 0,05 maka tidak ada heteroksiditas begitu pun sebaliknya
(Mardiatmoko, 2020). Berdasarkan hasil analisis dengan metode Glejser
menghasilkan nilai P-value sebesar 0,001 menjelaskan terjadi kesamaan antara
antara variabel independent dengan nilai residual absolut < 0,05.
5.2.4.2 Uji Korelasi
Berdasarkan nilai yang diperoleh dengan menggunakan metode Pearson
diketahui antara biomassa citra dan biomassa lapangan memiliki nilai r = 0,813
56
(Lampiran 4). Hal ini menunjukkan bahwa nilai r lebih besar dari nilai α = 0,05
artinya r > α nilai tersebut mencerminkan kekuatan hubungan antara dua variabel
yang diteliti dan memiliki hubungan antara dua variabel yang diuji proporsional
(Saharjo, 2011). Selain itu dari data yang dihasilkan terdapat nilai signifikansi
yang diporleh dari tersebut menghasilkan nilai signifikansi sebesar 0,001. Hal, ini
menunjukkan bahwa apabila nilai signifikansi < 0,05 maka data yang dihasilkan
terdapat hubungan antara biomassa citra dan biomassa lapangan. Nilai positif
berarti hubungan kedua variabel yang diuji proporsional. Jika nilai satu variabel
meningkat maka variabel lainnya akan meningkat, begitu pula sebaliknya
(Walpole, 1995, Wijayadi, 2017).
5.2.4.3 Validasi Model
Model regresi yang telah melalui beberapa tahap uji statistik parametrik,
kemudian dilakukan validasi terhadap model regresi yang dibangun. Pada
penelitian ini hasil model regresi kemudian di validasi dengan melihat nilai
signifikansi dan nilai t hitung pada setiap model yang di bangun. Jika nilai sig <
0,05 maka variabel independent memiliki pengaruh yang signifikan. Selanjutnya
dengan melihat nilai t hitung untuk mengetahui tingkat signifikansi konstanta dan
koefisien variabel pada model regresi dimana t hitung terpilih pada penelitian ini
terdapat pada model regresi linear yang menunjukkan nilai t hitung yaitu 5,223
dengan nilai signifikansi 0,001.

57
Hasil uji validasi model menunjukkan bahwa model regresi linear
menghasilkan nilai t hitung 5,223 atau > 0,05 dengan nilai signfikansi 0,000 atau
P-Value < 0,05 dapat diartikan bahwa dari data variabel yang dihasilkan tidak
memiliki perbedaan. Berdasarkan hasil nilai signifikansi dan t hitung, maka semua
model yang diuji dinyatakan dapat digunakan sebagai model penduga potensi
biomassa pada kawasan hutan produksi di wilayah kajian.
5.2.5 Pemilihan Model Penduga Biomassa
Hasil dari persamaan analisis regresi untuk mengestimasi biomassa di atas
permukaan tanah sudah cukup untuk menentukan kandungan biomassa dari
beberapa model yang dapat digunakan dalam penelitian ini diantaranya linear,
logaritmatik, dan eksponensial. Hubungan antara indeks vegetasi dan karbon
biasanya linier, berdasarkan nilai koefisien korelasi (R) menunjukkan kekuatan
antara variabel bebas dan variabel tak bebas bila hasilnya mendekati (R=1) artinya
kedua hubungan variabel itu kuat (Lu et al., 2002), apabila ke dua hubungan
variabel itu lemah hasil yang diperoleh dari koefisien korelasi (R < 0,04) (Young,
1982 dalam Sulaiman, 2002).
Hasil analisis menunjukkan bahwa model linear memiliki nilai (R) lebih
mendekati (R=1) dibandingkan dengan model lainnya yang di uji sebesar 0.831,
hal ini dapat diartikan bahwa kedua hubungan antara variabel biomassa citra dan
lapangan memiliki nilai sebesar 83%. Nilai R2 dari model lienar menghasilkan
nilai sebesar 0.661 artinya nilai tersebut menunjukkan koefisien determinansi
dapat mempengaruhi variabel terikat sebesar 66% dan bila dikalkulasikan terdapat
58
34% hasil dari variabel lainnya yang tidak di amati pada penelitian ini. Hasil
tersebut menunjukkan bahwa analisis regresi linear dapat digunakan untuk
pengembangan model dalam penelitian ini dimana model yang dihasilkan yaitu y
= -0,784 + 1,103x dengan nilai R sebesar 83%.
5.2.6 Potensi Cadangan Biomassa dan Karbon Kawasan Hutan Produksi di

Kecamatan Nambo.
Potensi karbon hutan memiliki nilai yang berbeda, hal tersebut dipengaruhi
dari berbagai macam faktor diantaranya tipe hutan, vegetasi hutan, kerapatan
vegetasi, dan kondisi biofisik lainnya, termasuk penerapan pengelolaan hutan
(Chairul, 2016). Model analisis regresi linear terpilih dalam penelitian ini untuk
menghitung nilai cadangan karbon di kecamatan Nambo mendapatkan nilai yaitu
sebesar 396 ton/ha. Nilai potensi cadangan karbon tersebut didapatkan dari data
citra sentinel 2 yaitu band 4 (red) dan band 8 (Near Infra Red) dengan
menggunakan metode indeks vegetasi yang ternormalisasi logaritmatik
Normalized Diverence Vegetation Index (NDVI), yang memiliki luas pada masing
- masing gridnya (10 x 10) m dan menghasilkan nilai NDVI yang di konversi
menjadi karbon dengan menggunakan model analisis regresi linear.
Berdasarkan hasil analisis, kelurahan Tobimeita memiliki nilai cadangan
karbon tertinggi yaitu dengan luas 155,84 ha dan memiliki kelas kerapatan
tertinggi dengan luas yaitu 155,51 ha dibandingkan dengan wilayah kelurahan
lainnya wilayah ini dipengaruhi oleh wilayah terluas, tingkat kerapatan vegetasi,
luas tutupan lahan dan jenis tumbuhan yang terdapat pada wilayah tersebut.
Sedangkan potensi kandungan karbon terendah terdapat di wilayah tobimeita

59
dengan luas 0,04 ha dan memiliki kelas kerapatan rendah dengan luas 0,65 ha,
berdasarkan hasil survey lapangan kawasan tobimeita dengan kandungan karbon
terendah dan merupakan wilayah terluas dibandingkan dengan wilayah kelurahan
lainnya di Kecamatan Nambo hal ini, karena masyarakat yang melakukan
pengelolaan hutan mengunakan system pengelolaan secara tradisional secara local
sehingga jenis vegetasi yang beragam dan pola persebaran vegetasi yang tidak
merata.
Nilai Kandungan karbon yang tinggi pada suatu wilayah di tentukan oleh
kandungan keanekaragaman yang tinggi merupakan ciri dalam penyimpanan
karbon yang baik (Hairiah dan Rahayu, 2007). Peningkatan kandungan karbon
suatu hutan ditentukan oleh biomassa, sedangkan besarnya biomassa dipengaruhi
oleh diameter batang, tinggi pohon, kerapatan vegetasi, luas tutupan lahan dan
berat jenis tumbuhan di atas lahan tersebut (Chairul 2016). Serta berpengaruh
dengan kemampuan suatu jenis dalam jumlah karbon yang ditimbun dalam
tanaman sangat bergantung pada jenis dan sifat tanaman itu sendiri (Pamudji,
2011).
60
VI. SIMPULAN DAN SARAN
VI.1. Simpulan
Berdasarkan hasil penelitian, maka dapat disimpulkan bahwa :
1. Persamaan model pendugaan terbaik yaitu y = -0,784 + 1,103x, dengan nilai R2
sebesar 66%.
2. Potensi karbon di atas permukaan pada kawasan hutan produksi di lokasi
penelitian merupakan hutan alam sekunder yang telah ada campur tangan
61
manusia dalam proses pertumbuhan tegakannya di Kecamatan Nambo
diketahui sebesar 396,02 ton di tahun 2020.
VI.2. Saran
Saran yang dapat disampaikan berdasarkan hasil penelitian ini bahwa model
estimasi ini dapat digunakan untuk menghitung potensi simpanan karbon pada
ekosistem hutan (khususnya ekosistem hutan alam) dengan kondisi geografis yang
relatif sama dengan wilayah studi. Untuk membuktikan apakah model persamaan
yang dihasilkan tidak spesifik di lokasi, disarankan untuk menguji metode yang
sama di wilayah geografis yang berbeda.
DAFTAR PUSTAKA
Arnanto, A. 2013. Pemanfaatan Transformasi Normalized Difference Vegetation

Index (NDVI) Citra Landsat TM Untuk Zonasi Vegetasi Di Lereng
Merapi Bagian Selatan [skripsi]. Sekolah Tinggi Pertanahan Nasional.
Yogyakarta.
[BIG] Badan Informasi Geospasial. 2014. Peraturan Kepala BIG No.3 Tahun
2014 Tentang Pedoman Teknis Pengumpulan dan Pengolahan Data
Geospasial Mangrove.
[BPS] Badan Pusat Statistik, 2020. Kecamatan Nambo dalam Angka 2020.
Kendari. Sulawesi Tenggara.
62
[BPN] Badan Pertahanan Nasional Kota Kendari, 2013
[BPDASS] Balai Pengelolaan Daerah Aliran Sungai Sampara, 2017.
Chairul, E Muchktar, Mansyurdin, M Tesri dan G Indra. 2016 .Struktur Kerapatan

Vegetasi Dan Estimasi Kandungan Karbon Pada Beberapa Kondisi Hutan
Di Pulau Siberut Sumatera Barat. Jurnal Metamorfosa 3 (1) : 15 – 22
Dewi, F.A. 2015. Pendugaan Serapan Karbon Dioksida Pada Areal Penanaman
Kerjasama Toso Company Ltd. dengan Hutan Pendidikan Gunung Walat
[skripsi]. Institut Pertanian Bogor. Bogor.
Eldoma, A. dan Awang, K. 1999 Site adaptability of Acacia mangium, Acacia

auliculiformis, Acacia crassicarpaand Acacia aulacocarpa. APAFRI
Publication Series No. 3. Asia Pacific Association of Forestry Research
Institutions, Kuala Lumpur. Malaysia.
[FAO] Food and Agriculture Organization of the United Nations. 2006. Global
forest resources assessment 2005. Progress towards sustainable forest
management. FAO Forestry Paper 147. FAO, Rome.
Forestian, O. 2011. Estimasi Biomassa Dan Kerapatan Vegetasi Mangrove

Menggunakan Data Landsat ETM+ Studi Di Hutan Lindung Dan Hutan
Produksi Tetap Muara Gembong, Kabupaten Bekasi [skripsi]. Institut
Pertanian Bogor. Bogor.
ESA. 2012. Sentinel-2 ESA’s Optical High-Resolution Mission For GMES

Operational Services. ESA Communications. Netherlands.
Gunawan, W., S. Basuni., A. Indrawan., L.B Prasetyo dan H. Soedjito. 2011.

Analisis Komposisi dan Struktur Vegetasi Terhadap Upaya Restorasi
Kawasan Hutan Taman Nasional Gunung Gede Pangrango. JPSL 1 (2) :
93-105
Hairiah, K., A. Ekadinata., R. Ratna dan S. Rahayu. 2011. Pengukuran Cadangan

Karbon Dari Tingkat Lahan Ke Bentang Lahan Edisi Ke 2. World
Agroforsetry Centre: Malang.
Hairiah K., S. Rahayu. 2007. Pengukuran Karbon Tersimpan di Berbagai Macam

Penggunaan Lahan. Bogor (ID): ICRAF.
Ketterings, M., Richard, C., Van, M.N., Yakub, A., Palm, C.A. 2001. Reducing
Uncertainly In The Use Of Allometric Biomass Equation For Predicting
Above-Ground Tree Biomass In Mixed SecondaryForest. Journal Forest
Ecology and Management 146:199-209
63
Krisnawati, H., Adinugroho W.C dan Imanuddin R. 2012. Monograf Model-

Model Alometrik untuk Pendugaan Biomassa Pohon pada Berbagai Tipe
Ekosistem Hutan di Indonesia. Badan Penelitian dan Pengembangan
Konservasi dan Rehabilitasi Kementrian Kehutanan dan Lingkungan
Hidup: Bogor.
Kurniawan, A., dan Yuniari D. 2013. Persamaan Allometrik Biomassa Dan

Karbon Untuk Pendugaan Simpanan Karbon Dalam Mendukung Upaya
Konservasi Savana Corypha Utan. Balai Penelitian Kehutanan. Kupang
LAPAN. 2015. Pedoman Pengelolaan Data Penginderaan Jauh Landsat 8 Untuk

Mangrove. Pusat Pemanfaatan Penginderaan jauh, Lembaga Penerbangan
dan Antariksa Nasional: Indonesia
Lu, D., P. Mausel, E. Brondizio and E. Moran. 2002. Aboveground Biomass

Estimation of Successional and Mature Forests Using TM Images in the
Amazon Basin. Dalam Richardson, D. and P. van Oesteron, editors.
Advances in Spatial Data Handling. New York: Springer-Verlag
Manuri, S., C.A.S., Putra dan A.D. Saputra. 2011. Tehnik Pendugaan Cadangan
Karbon Hutan. Merang. REDD Pilot Project: Palembang.
Mardiatmoko, G. 2020. Pentingnya Uji Asumsi Klasik Pada Analisis Regresi

Linier Berganda (Studi Kasus Penyusunan Persamaan Allometrik Kenari
Muda [Canarium Indicum L.]). Jurnal Ilmu Matematika dan Terapan 14
(3) : 333-342
Massiri, S. 2010. Biomassa dan Karbon pada kondisi Mature Building dan Gap di
Hutan Tropis [tesis] Universitas Gadjah Mada, Yogyakarta.
McRoberts, R.E., E.O. Tomppo. 2007. Remote Sensing Support For National
Forest Inventories. Elsevier. USA
Murdiyarso, D., D. C. Donato, J. B. Kauffman, S. Kurnianto, M. Stidham, dan M.

Kanninen. 2010. Carbon Storage in Mangrove and Peatland Ecosystems:
A Preliminary Account from Plots in Indonesia. CIFOR. Bogor.
Nabila. 2019. Pemanfaatan citra sentinel 2-a untuk pengembangan model estimasi
stok karbon pada tegakan vegetasi wilayah kota kendari [skripsi].
Universitas Halu Oleo, Kendari.
National Research Council 1983 Mangium and other fast-growing Acacias for the
humid tropics. National Academy Press. Washington, DC AS
Nuraina, I., Fahrizal dan H. Prayogo. 2018. Analisis Komposisi dan

Keanekaragaman Jenis Tegakan Penyusun Hutan Tembawang Jelomuk Di
64
Desa Meta Bersatu Kecamatan Sayan Kabupaten Melawi. Jurnal Hutan

Lestari. 6 (1) : 137-146
Nuriyana, L. 2014. Pendugaan Potensi Simpanan Karbon Di Atas Permukaan

Tanah Pada IUPHHK-HA PT. Wapoga Mutiara Timber Unit II Papua
Pamudji, H.W. 2011. Potensi Serapan Karbon pada Tegakan Akasia [skripsi].
Institut Pertanian Bogor. Bogor.
Parresol, B. 1999. Assesing Tree and Stand Biomass: A Review With Examples
and Critical Comparisons. Forest Science 4 (5) : 573-593
Rakhmawati, M. 2012. Pemanfaatan Citra Landsat Untuk Estimasi Biomassa Atas

Permukaan Dari Berbagai Penutupan Lahan Dengan Pendekatan Indeks
Vegetasi (Studi Kasus Kabupaten Mamuju Utara, Sulawesi Barat)
[skripsi]. Institut Pertanian Bogor. Bogor
Ravindranath, N.H, Ostwald M. 2008. Carbon Inventory Methods: Handbook for

greenhouse gas inventory, carbon mitigation and roundwood production
projects: Springer.
Reza, A.D.D. 2014. Potensi Cadangan Karbon Di Atas Permukaan Tanah Di

Taman Hutan Raya Pancoran Mas Depok [skripsi]. Institut Pertanian
Bogor. Bogor
Rosdania., Agus, F dan Harsah, K. 2015. Sistem informasi geografi batas wilayah
kampus universitas mulawarman menggunakan google maps api. Jurnal
Informatikan Mulawarman 10 (1) : 38-46.
Saharjo, B.H., Wardhana, H.P.F. 2011. Pendugaan Potensi Simpanan Karbon

Pada Tegakan Pinus (Pinus Merkusii Jungh. Et De Vriese) Di KPH
Cianjur Perum Perhutani Unit III Jawa Barat Dan Banten. Jurnal
Silvikultur Tropika 3 (1) : 96 – 100.
Samiaji, T. 2011. Gas CO2 di Wilayah Indonesia. Peneliti Bidang Komposisi

Atmosfer. Jurnal Berita Digantara 12 (2) : 68-75.
Sardianto. 2017. Model Penduga Biomasa Tegakan Sengon (Paraserianthes

falcataria) Berbasis Citra Landsat 8 Oli Di IUPHHK-HTI Trans PT
Belantara Subur Kalimantan Timur [skripsi]. Institut Pertanian Bogor.
Bogor.
Selviana, V. 2012. Pendugaan Potensi Volume, Biomassa, dan Cadangan Karbon

Tegakan di Hutan Pendidikan Gunung Walat Sukabumi Jawa Barat
65
Sembiring, R.K. 1995. Analisis Regresi. Institut Teknologi Bandung: Bandung.
Stone, Susan., M.C. Leon dan P. Fredericks. 2010. Perubahan Iklim & Peran
Hutan Manual Pelatih. Conservation International: United States America
Susandi, A. 2008. Dampak Perubahan Iklim terhadap Ketinggian Muka Laut di

Wilayah Banjarmasin. Jurnal Ekonomi Lingkungan 12 (2) : 1 - 8.
Sutaryo, D. 2009. Penghitungan Biomassa Sebuah Pengantar untuk Studi Karbon

dan Perdagangan Karbon. Wetlands International Indonesia Programme.
Bogor.
Sulaiman, W, 2002. Jalan Pintas Menguasai SPSS 10. Andi: Yogyakarta.
Sudiana, E., AR, H.N., B Yuniadi., Soemarno. 2009. Pengelolaan Hutan Rakyat
Berkelanjutan Di Kabupaten Ciamis. Journal Agritek 17 (3) : 9-14.
Triramanda, A. 2017. Pengembangan Hutan Kota Pondok Labu Berdasarkan

Tutupan Lahan dan Sifat Tanah [skripsi]. Institut Pertanian Bogor. Bogor
Thalib, M.S. 2017. Klasifikasi Tutupan Lamun Menggunakan Data Citra Sentinel-
2A Di Pulau Bontosua, Kepulauan Spermonde [skripsi]. Universitas
Hasanuddin. Makassar.
Thoha, S.A. 2014. Model Penguatan Kelembagaan Pengelolaan Risiko Kebakaran

Hutan dan Lahan Berbasis Masyarakat [skripsi]. Institut Pertanian Bogor.
Bogor.
Wahyuni, N.I. 2012. Integrasi Penginderaan Jauh dalam Penghitungan Biomasa

Hutan (Integrating Of Remote Sensing In Forest Biomass Measurement).
Jurnal Info BPK Manado 2 (2) : 115 -126.
Walpole, R. E, 1995. Pengantar Statistika. Volume ke-3. Gramedia Pustaka

Utama: Jakarta.
Widyasari, N., A., E. 2010. Pendugaan Biomassa dan Potensi Karbon Terikat di
Atas Permukaan Tanah Pada Hutan Gambut Merang Bekas Terbakar di
Sumatera Selatan [tesis]. Institut Pertanian Bogor. Bogor
Wulandari, S., Sutarman dan O Darnius. 2013. Perbandingan metode least

trimmed squares dan penaksir m dalam Mengatasi permasalahan data
pencilan. Jurnal Saintia Matematika 1 (1) : 73-85
Yulianti, N. 2009. Cadangan Karbon Lahan Gambut Dari Agroekosistem Kelapa

Sawit PTPN IV Ajamu, Kabupaten Labuhan Batu, Sumatera Utara
66
67
LAMPIRAN
Lampiran 1. Peta Sebaran Kawasan Hutan Produksi di Kecamatan Nambo,

68
Lampiran 2. Sebaran Plot Pengamatan Kawasan Hutan Produksi di Kecamatan

Nambo
Lampiran 3. Peta Kerapatan Vegetasi Kawasan Hutan Produksi Kecamatan

Nambo
69
Lampiran 4. Hasil Uji Korelasi Menggunakan Metode Pearson
Correlations
Biomassa
NDVI
(ton/ha)
NDVI Pearson Correlation 1 ,813**
Sig. (2-tailed) ,000
N 16 16
Biomassa (ton/ha)
Pearson Correlation ,813** 1
Sig. (2-tailed) ,000
N 16 16
**. Correlation is significant at the 0.01 level (2-tailed).
Lampiran 5. Hasil Uji Normalitas Sebelum dilakukan Penghapusan 14 Sampel

70
One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 30
a,b
Normal Parameters Mean
,0000000
Most Extreme Differences Std. Deviation 1780,369193
Absolute ,114
Positive ,110
Negative -,114
Test Statistic ,114
Asymp. Sig. (2-tailed) .200c,d
a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
Lampiran 6. Hasil Uji Normalitas Setelah dilakukan Pengurangan Sampel

71
One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 16
a,b
Normal Parameters Mean
,0000000
Most Extreme Differences Std. Deviation ,01081687
Absolute ,151
Positive ,081
Negative -,151
Test Statistic ,151
Asymp. Sig. (2-tailed) .200c,d,
a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
4 This is a lower bound of the true significance.
Lampiran 7. Hasil Uji Autokorelasi Menggunakan Metode Durbin Watson

Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
a
1 .813 .661 .637 ,01120 1.991
a. Predictors: (Constant), NDVI

b. Dependent Variable: Biomassa (ton/ha)
72
Lampiran 8. Hasil Uji Heteroedasitas Menggunakan Metode Glejser.

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression .003 1 .003 27.280 .000b
Residual .002 14 .000
Total .005 15
a. Dependent Variable: AbsUi

b. Predictors: (Constant), NDVI
Lampiran 9. Model Pendugaan Menggunakan Persamaan Regresi.
Model Linear
Model Summary
R R Square Adjusted R Square Std. Error of the Estimate
.813 .661 .637 .011
The independent variable is NDVI.
Coefficients
Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta t Sig.
NDVI 1.103 .211 .809 5.223 .000
(Constant) -.784 .167 -4.692 .000
Logaritmatik
Model Summary
.815 .665 .641 .011

Coefficients
73
Standardized
ln(NDVI) .870 .165 .815 5.269 .000

(Constant) .292 .039 7.547 .000
Eksponensial
Model Summary
.827 .684 .661 .142

Coefficients
Standardized
NDVI 14.697 2.670 .827 5.505 .000

(Constant) 7.677E-7 .000 .473 .643
The dependent variable is ln(Biomassa (ton/ha)).
Lampiran 10. Peta Sebaran Simpanan Karbon Dengan Model Linear.

74
Lampiran 11. Kegiatan Pengukuran Dalam Penelitian

75
Proses membuat petak pengamatan Proses pengukuran keliling vegetasi
Castanopsis Buruana Diospyros
Shorea leprosula Lithocarpus sp.
BIODATA PENULIS
Adnan Anhum. Penulis merupakan anak kedua dari dua

bersaudara, lahir di Kendari, 15 Mei 1997. Penulis menempuh
Pendidikan formal di SMKN 02 Kendari dan melanjutkan
Pendidikan S1 melalui program SNMPTN, berhasil diterima di
76
Universitas Halu Oleo, Fakultas Kehutanan dan Ilmu Lingkungan, Jurusan

Kehutanan pada tahun 2014 dengan NIM. M1A1 14 218. Penulis memilih fokus
penelitian di sistem informasi geografis dan menyelesaikan tugas akhir dengan
judul “Estimasi Potensi Karbon Pada Kawasan Hutan Produksi dengan
Pemamfaatan Teknologi Penginderaan Jarak Jauh Di Kecamatan Nambo.
Penulis juga Aktif sebagai Ketua Mapping Survey Community (MAPSURCOM)
FHIL Periode 2017-2018 dan Dewan Perwakilan Mahasiswa (DPM) FHIL
Periode 2017-2018.

Skripsi Adnan Anhum M1a114218 Fhil

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Skripsi Adnan Anhum M1a114218 Fhil

Diunggah oleh

Hak Cipta:

Format Tersedia

SKRIPSI

ESTIMASI POTENSI KARBON PADA KAWASAN HUTAN

PROGRAM STUDI MANAJEMEN HUTAN

Kendari, 26 April 2021

ADNAN ANHUM Estimasi Potensi Karbon Pada Kawasan Hutan Produksi

Kata Kunci : Biomassa, Cadangan Karbon, GIS, Hutan Produksi, NDVI

ADNAN ANHUM Estimation of Carbon Potential in Production Forest Areas by

Keywords: Biomass, Carbon Stock, GIS, Production Forest, NDVI

ADNAN ANHUM Estimasi Potensi Karbon Pada Kawasan Hutan Produksi

Hutan merupakan kawasan yang ditumbuhi pepohonan dan tumbuhan

Kata kunci : Biomassa, Karbon, Hutan Produksi, Penginderaan Jauh.

Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa

Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya

ESTIMASI POTENSI KARBON PADA KAWASAN HUTAN

PROGRAM STUDI MANAJEMEN HUTAN

II. TINJAUAN PUSTAKA

III. METODE PENELITIAN

IV. GAMBARAN UMUM LOKASI PENELITIAN

V. HASIL DAN PEMBAHASAN

VI. SIMPULAN DAN SARAN

1. Karakteristik Sentinel 2 ............................................................................... 16

1. Kerangka Pikir Penelitian Estimasi Stok Karbon Kawasan Hutan

1. Peta Sebaran Kawasan Hutan Produksi di Kecamatan Nambo................... 66

1.1. Latar Belakang

Hutan merupakan kawasan yang ditumbuhi pepohonan dan tumbuhan

lingkungan dan serta mencegah munculnya pemanasan global.

Pemanasan global diyakini sebagai sumber tanda-tanda perubahan iklim.

Perubahan iklim akan mempengaruhi perubahan musim hujan dan kemarau,

Namun karena tingginya insiden degradasi hutan dan deforestasi, penyerapan

karbondioksida selama ini berkurang. Hutan yang terdegradasi secara bertahap

akan kehilangan fungsinya sebagai penyerap karbondioksida. Data deforestasi dari

di kawasan tersebut berasal dari Indonesia (FAO, 2005).

akumulasi penyerapan CO2 yang besar. Saat ini banyak pertimbangan

bermunculan untuk mengatasi pemanasan global, salah satunya dengan

mengetahui kandungan karbon. Hutan memiliki struktur yang beragam berupa

perubahan stoknya. Simpanan karbon dalam hutan dapat diduga berdasarkan

biomassanya, sehingga pendugaan biomassa sangat diutamakan dalam pendugaan

simpanan karbon (Nuriyana, 2014).

Estimasi stok karbon di wilayah yang lebih luas membutuhkan metode

yang dapat mengekstrapolasi pengukuran berbasis plot ke tingkat bentang alam.

Perkembangan teknologi penginderaan jauh saat ini dimanfaatkan untuk

dengan menggunakan teknologi penginderaan jauh (sensorik). Dalam hal

efektivitas biaya, waktu dan kemudahan pengukuran, teknologi penginderaan jauh

memiliki potensi besar untuk mengembangkan metode pengukuran penyimpanan

karbon (McRoberts dan Tomppo, 2007).

Teknologi penginderaan jauh sangat bermanfaat untuk dilakukan

penelitian dalam mengestimasi potensi karbon, karena mudah untuk mendapatkan

Metode indeks vegetasi merupakan algoritma yang diterapkan pada citra

(umumnya multisaluran), untuk menunjukan aspek kerapatan vegetasi atau aspek

menghasilkan citra baru yang lebih representatif dalam presentasi fenomena

vegetasi (Arnanto, 2013).

Kurangnya data mengenai potensi karbon yang tersedia pada wilayah

Kawasan hutan produksi menjadikan kendala dalam sektor pembangunannya.

hutan produksi dapat memberikan gambaran dalam mendesain rencana

pengembangan hutan produksi sehingga adanya penelitian karbon di kawasan

sebaran karbon hutan dan menjadikan pertimbangan ekologisnya yang berada di

kawasan hutan produksi.

1.2. Rumusan Masalah

Berdasarkan latar belakang di atas, maka rumusan masalah dalam

penelitian ini adalah sebagai berikut :

1. Bagaimana model pendugaan karbon di Kawasan Hutan Produksi ?

2. Bagaimana estimasi cadangan karbon di Kawasan Hutan Produksi ?

1.3. Tujuan dan Manfaat Penelitian.