ADNAN ANHUM
NIM. M1A114218
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.
ADNAN ANHUM
NIM. M1A1 14 218
ii
ABSTRAK
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%.
iii
ABSTRACT
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%.
iv
RINGKASAN
v
© Hak Cipta milik UHO, tahun 2021
Hak Cipta dilindungi Undang-Undang
vi
SKRIPSI
ADNAN ANHUM
M1A1 14 218
Diajukan sebagai salah satu syarat untuk memperoleh gelar sarjana pada
Program Studi Kehutanan
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
xi
III.8 Analisis Data........................................................................................ 29
III.9 Definisi Operasional............................................................................. 33
DAFTAR PUSTAKA 60
LAMPIRAN 65
xii
DAFTAR TABEL
xiii
DAFTAR GAMBAR
xiv
DAFTAR LAMPIRAN
xv
I. PENDAHULUAN
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
perubahan curah hujan, dan perubahan suhu (selama 30 tahun) (Samiaji, 2011).
10 negara berkembang berjumlah sekitar 8,22 juta hektar, dimana 1,87 juta hektar
Hutan yang luas dengan kondisi vegetasi yang baik akan menghasilkan
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
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
data penginderaan jauh itu sendiri, sehingga bermanfaat bagi masyarakat luas.
yang berkaitan dengan biomassa. Secara praktis, indeks vegetasi ini adalah
transformasi matematika yang melibatkan beberapa saluran pada suatu waktu dan
3
Informasi mengenai jumlah sebaran kandungan karbon yang berada pada kawasan
hutan produksi tersebut. Oleh karena itu, penting untuk mengetahui potensi
permodelan yang terpilih akan menghasilkan peta estimasi stok karbon yang
Kecamatan Nambo.
inventarisasi kawasan hutan produksi berkenaan dengan waktu, biaya dan tenaga.
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
Potensi Carbon
Analisis Regresi
Model
Validasi
Ha) direncanakan sebagai blok khusus oleh Kesatuan Pengelolaan Hutan Produksi
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.
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
belahan dunia telah terjadi perubahan iklim tersebut ditandai dengan mencairnya
es di daerah kutub, naiknya permukaan laut serta berubahnya pola curah hujan
manusia yang menggunakan bahan bakar fosil secara berlebihan sehingga terjadi
penumpukan gas rumah kaca seperti CO2, CH4 dan N2O di atmosfer (Nuriyana
2014).
karbon hutan (mempertahankan cadangan karbon yang ada pada hutan dari
kehilangan akibat deforestasi, degradasi dan akibat lain dari praktek pengelolaan
bakar fosil secara langsung melalui produksi energy biomassa atau secara tidak
9
fosil. Salah satu cara yang paling mudah dalam meningkatkan cadangan karbon
dilaksanakan dalam kawasan hutan negara, namun bisa juga dilaksanakan di luar
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
sinergi antar pihak dalam suatu kebijakan multisektoral sehingga upaya penurunan
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
Infromasi Geografis (SIG) secara otomatis dengan cara pemetaan daerah yang
sesuai posisi areal tanam yang dicatat menggunakan GPS (Global Positioning
memudahkan pendugaan biomasa secara cepat dan efesian. Data yang di hasilkan
pendugaan biomassa baik menggunakan sensor pasif (optik) maupun sensor aktif
digunakan untuk membuat peta, baik peta dasar maupun peta tematik, dapat
(double sampling), dapat digunakan pada unit manajemen seperti penataan hutan,
fenomena vegetasi pada kisaran spektrum radiasi merah dengan infra merah dekat
lain merupakan perkembangan penginderaan jarak jauh untuk vegetasi saat ini
karaktersitik spektral dari vegetasi (daun) sehingga pada spektrum cahaya tampak,
dengan melakukan pengukuran biomassa tanaman sehingga cara yang tepat adalah
persamaan alometrik ini di lakukan pada jenis – jenis pohon yang memiliki pola
berdasarkan nilai karbon (CO2) pada setiap bagian tanaman (batang, daun dan
pelepah) yang kemudian dijumlahkan untuk setiap pohon sehingga dalam metode
bagian pohon yang terdiri atas batang, cabang ranting/daun dan buah yang telah
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
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
B. Stratified random
13
A. Stratified systematic
saluran menjadi satu atau lebih peubah baru. Indeks vegetasi merupakan salah
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.
klorosis yang terjadi pada daun tanaman terganggu dengan yellowness index dan
dalam pengukuran fluks suhu tanah atau radiasi tanah” (Forestian, 2011).
14
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
yang dipimpin oleh Astrium GmbH (Jerman) sebagai kontraktor utama, sementara
dipahami sebagai produk generik yang akan kompatibel dengan akurasi penunjuk
dan persyaratan stabilitas dari beberapa misi pengamatan Bumi (ESA, 2012)
15
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
pada bidang pandang lebar dan sepktrum luas sehingga cakupan yang besar
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
Karbon salah satu unsur penting dalam keseimbangan alam sehingga perlu
untuk diperhatikan karena berpotensi bagi lahan lahan yang sudah terdegradasi
dipresentasikan melalu suatu persamaan dengan varibel tinggi dan diameter pohon
Metode yang sering digunakan pada dasarnya ada empat yakni metode
berat basah di berbagai carbon pool yang terdiri dari biomassa atas, biomassa
bawah/akar, biomassa kayu mati, biomassa serasah dan biomassa tanah organik
variabel diameter lingkar batang pohon dan tinggi pohon serta serasah yang ada
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
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
kemudian dipilih persamaan terbaik. Jika menggunakan bantuan pro gram statistik
2010).
alometrik yang telah ada dari penelitian sebelumnya. Biomassa hutan dapat
vegetasi biomassa terkandung karbon sekitar 50% (Brown dkk, 1989 dalam
hubungan antara ukuran atau pertumbuhan salah satu komponen individu pohon
batang (dbh) dan tinggi pohon dengan metode non-destruktif. Metode pengukuran
dbh dan tinggi tegakan berdasarkan penelitian Murdiyarso et al., (2010) yaitu
biomassa dari pohon, itu hanya bisa diduga berdasarkan diameter, tinggi atau
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
2015).
bervariasi untuk setiap lokasi dan spesies, penggunaan persamaan standar ini
(Sutaryo, 2009)
yang digunakan menjadi model pendugaan nilai biomassa vegetasi wilayah kota
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
(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
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
dengan objek lain pada kawasan hutan produksi di lokasi penelitian. Bentuk
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
besaran lingkar batang, identifikasi jenis dan perhitungan jumlah individu jenis
yang ditemukan.
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
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
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.
a. Diameter lingkar batang pohon, jenis pohon, tinggi pohon dan jumlah
individu.
perhitungan dari sinar tampak dan inframerah dekat yang direfleksikan oleh
1. Observasi
lapangan terhadap objek yang diteliti meliputi pengukuran diameter setinggi dada,
jenis pohon, keliling lingkar batang pohon, jumlah jenis individu dan jumlah
NDVI.
lahan pada kawasan hutan produksi yaitu band 432, sedangkan untuk
band 8 dan 4.
mendapatkan kualitas visual dan variabilitas spektral citra menjadi lebih baik.
daerah penelitian. Selain itu, pemotongan hasil fotogrametrik dan data citra.
GIS.
spektral yang terdapat pada fotogrametrik dan untuk dikelaskan kedalam kelas
70% dan setelah divalidasi dengan data lapangan maka akurasi hasil penelitian
lokasi sampel berdasarkan hasil interpertasi citra data penginderaan jarak jauh
kemudian dibagi dengan “phi” (Π) atau 3,14. Pada pengamatan ini, data pohon
dengan :
atasnya maka diameter diukur pada ukuran setinggi dada atau di bawah
cabang.
l. Membuat model regresi antara nilai karbon lapangan dan nilai NDVI citra.
harus melalui beberapa uji lanjut lainnya uji Korelasi, Uji Koefisien
determinansi, uji ANOVA, Uji Asumsi Kuadrat terkecil, Uji Validasi Model.
Koreksi radiometrik
Penarjaman digital
Cropping
Berdasarkan AOI
Alometrik
Biomassa
Model
Uji Statistik
Model Terpilih
Gambar 4. Prosedur Penelitian Esrtimasi Potensi Karbon Pada Kawasan Hutan Produksi
3.8. Analisis
Dengan Data
Pemanfaatan Teknologi Penginderaan Jarak Jauh Di Kecamatan Nambo
lingkungan dan dapat dilaksanakan lebih cepat untuk areal hutan yang lebih luas.
biomassa adalah :
Ket : bercabang
BK : Berat Kering (kg/pohon)
D : Diameter setinggi dada (cm)
H : Tinggi total tanaman (cm)
Ρ : Kerapatan kayu
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
Perhitungan indeks vegetasi tutupan lahan dilakukan pada citra satelit yang
Vegetation Index) yang merupakan perhitungan dari sinar tampak dan inframerah
dekat yang direfleksikan oleh vegetasi. Proses ini bertujuan untuk mengetahui dan
menggunakan persamaan:
32
NIR−RED
NDVI =
NIR+ RED
dimana ;
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.
Regresi linier : Y = c + bx
Regresi logaritmatik : Y = c + b ln x
Regresi eksponensial : Y = c exp
dimana,
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
variabel bebas (indeks vegetasi/NDVI) dalam suatu model regresi. Semakin tinggi
nilai R2 dalam suatu model regresi, maka semakin baik pula model tersebut
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.
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
validasi dapat diketahui penyimpangan nilai penduga biomassa hasil dari model-
model regresi yang dibangun dengan biomassa di lapangan. Uji validasi model
melihat sebaran data normal dari nilai sediaan karbon yang di ukur dari seluruh
daerah atau gejala di permukaan bumi yang direkam dengan alat tertentu
(device), yang diperoleh tanpa kontak langsung terhadap obyek, daerah atau
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,
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
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
f. Peta adalah Gambaran dari unsur – unsur alam dan unsur – unsur buatan, yang
g. Stok karbon adalah jumlah karbon dalam waktu tertentu yang terdapat dalam
h. Tajuk adalah bagian atas tanaman yang terdiri atas cabang, ranting dan daun
Nambo Kabupaten Kota Kendari yang sekaligus sebagai Ibu kota provinsi
berada di antara 3o59’55’’ dan -4o03’18’’ Lintang Selatan, dan membentang dari
Matabubu. Ada satu pulau yaitu Bungkutoko yang memiliki luas 1,60 km atau
4.2. Iklim
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
Tentang iklim curah hujan rata-rata (mm) dan hari hujan (hh) Kecamatan Nambo
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
4.3. Topografi
lebih dari 40% (Balai Pengelolaan Daerah Aliran Sungai Sampara, 2017).
40
Jenis tanah Ada tiga jenis tanah di wilayah Nambo, yaitu Litosol, Podzolic
Gambar 6. Peta Jenis Tanah Balai Pengelolaan Daerah Aliran Sungai Sampara
(BPDASS)
5.1 Hasil
penyimpanan karbon. Hasil identifikasi distribusi dan luas tutupan lahan hutan
kenampakan warna citra sentinel 2 tahun 2019 yang terlihat, diperoleh luas total
42
yaitu 427 ha. Distribusi hutan produksi di Kecamatan Nambo Kabupaten Kota
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
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
diperoleh dengan menggunakan data citra sentinel 2 yaitu band 4 (red) dan band 8
(Near Infra Red) dan algoritma indeks vegetasi ternormalisasi NDVI untuk
rendah, sedang, dan tinggi (Triramanda, 2017) sehingga kerapatan vegetasi dapat
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
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
Tabel 9
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
Sumber : Analisis Data, 2020
merupakan kawasan yang didominasi oleh vegetasi hutan dengan kerapatan tinggi
tingkat kerapatan tutupan lahan yang jarang, dan luas wilayahnya lebih besar dari
data yang outlier (Lampiran 5). Berdasarkan data yang diperoleh terdapat 14 data
normalitas dengan metode kolomogrov Smirnov pada residual biomassa citra dan
47
biomassa lapangan menghasilkan nilai P-value (KS) yaitu 0,200 atau > α yang
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).
produksi. Secara rinci validasi model berdasarkan data analisis regresi dapat
menunjukkan t hitung 5,223 artinya > 0,05. Hasil uji tersebut menunjukkan bahwa
Model terbaik dipilih berdasarkan nilai keofisien korelasi (R) dan nilai
signfikansi (sig). Beberapa model yang digunakan pada penelitian ini adalah
mengetahui nilai koefisien korelasi (R) dan nilai keofisien determinansi (R 2) yang
terbesar. Keeratan antara nilai (R) yang dapat dilihat dari koefisien determinansi
bagus model regresi yang dibentuk (Reza, 2014). Hasil analisis regresi yang
karbon (Lampiran 9). Secara rinci nilai koefisien korelasi (R) dan koefisien
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
Sumber : Analisis Data, 2020
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
1,103x
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
kategori dengan menggunakan metode interupsi alami. Secara rinci kategori nilai
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
kawasan Nambo.
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
luas tutupan lahannya. Semakin tinggi kerapatan dan luas tutupan lahan di suatu
wilayah maka semakin tinggi pula nilai simpanan karbonnya. Hasil analisis
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
5.2 Pembahasan
51
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
pangan dengan pola tanaman campuran dan system agroforestry dan budidaya
dengan reboisasi secara mandiri serta melakukan penanaman jenis tanaman jangka
Tobimeita.
dengan tutupan vegetasi terkecil pada area lainnya setiap tahun terjadi penurunan
kawasan hutan yang signifikan karena pertumbuhan penduduk yang relatif tinggi,
tondonggeu serta hutan menjadi non hutan. Pada tahun 2013 kawasan hutan pada
Kendari, 2013) dan menurun drastis di tahun 2020 menjadi 1,00 ha (Analisis
Citra, 2020).
52
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).
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
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).
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
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.
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.
data antara variabel bebas yaitu biomassa lapangan terhadap variabel terikat yaitu
biomassa citra. Pengujian asumsi meliputi uji normalitas (normalitas), uji derajat
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
konsisten dari sebagian besar data. Selain itu, diperkirakan koefisien regresi yang
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-
diperoleh nilai dw = 1,991 (Lampiran 7). Selain itu jika dibandingkan dengan nilai
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
(hipotesis diterima).
metode Glejser (Lampiran 8). Menghasilkan nilai P-value sebesar 0,001. Uji
model regresi jika nilai signifikansi antara variabel independent dengan nilai
residual absolut < 0,05 maka tidak ada heteroksiditas begitu pun sebaliknya
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
Model regresi yang telah melalui beberapa tahap uji statistik parametrik,
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 <
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
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
beberapa model yang dapat digunakan dalam penelitian ini diantaranya linear,
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,
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
dapat mempengaruhi variabel terikat sebesar 66% dan bila dikalkulasikan terdapat
58
34% hasil dari variabel lainnya yang tidak di amati pada penelitian ini. Hasil
pengembangan model dalam penelitian ini dimana model yang dihasilkan yaitu y
Potensi karbon hutan memiliki nilai yang berbeda, hal tersebut dipengaruhi
dari berbagai macam faktor diantaranya tipe hutan, vegetasi hutan, kerapatan
(Chairul, 2016). Model analisis regresi linear terpilih dalam penelitian ini untuk
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
Normalized Diverence Vegetation Index (NDVI), yang memiliki luas pada masing
- masing gridnya (10 x 10) m dan menghasilkan nilai NDVI yang di konversi
karbon tertinggi yaitu dengan luas 155,84 ha dan memiliki kelas kerapatan
lainnya wilayah ini dipengaruhi oleh wilayah terluas, tingkat kerapatan vegetasi,
luas tutupan lahan dan jenis tumbuhan yang terdapat pada wilayah tersebut.
dengan luas 0,04 ha dan memiliki kelas kerapatan rendah dengan luas 0,65 ha,
sehingga jenis vegetasi yang beragam dan pola persebaran vegetasi yang tidak
merata.
Nilai Kandungan karbon yang tinggi pada suatu wilayah di tentukan oleh
karbon yang baik (Hairiah dan Rahayu, 2007). Peningkatan kandungan karbon
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.1. Simpulan
sebesar 66%.
penelitian merupakan hutan alam sekunder yang telah ada campur tangan
61
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
DAFTAR PUSTAKA
[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
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.
[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.
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
Manuri, S., C.A.S., Putra dan A.D. Saputra. 2011. Tehnik Pendugaan Cadangan
Karbon Hutan. Merang. REDD Pilot Project: Palembang.
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
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
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
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.
Stone, Susan., M.C. Leon dan P. Fredericks. 2010. Perubahan Iklim & Peran
Hutan Manual Pelatih. Conservation International: United States America
Sudiana, E., AR, H.N., B Yuniadi., Soemarno. 2009. Pengelolaan Hutan Rakyat
Berkelanjutan Di Kabupaten Ciamis. Journal Agritek 17 (3) : 9-14.
Thalib, M.S. 2017. Klasifikasi Tutupan Lamun Menggunakan Data Citra Sentinel-
2A Di Pulau Bontosua, Kepulauan Spermonde [skripsi]. Universitas
Hasanuddin. Makassar.
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
LAMPIRAN
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).
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
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,
Total .005 15
Model Linear
Model Summary
Coefficients
Standardized
Logaritmatik
Model Summary
Standardized
Unstandardized Coefficients Coefficients
Eksponensial
Model Summary
Standardized
Unstandardized Coefficients Coefficients
BIODATA PENULIS