BAB II

METODE PENELITIAN

2.1 Waktu dan Tempat Pengambilan Data

Pengambilan data dilakukan di BKPH Dungus dan BKPH Dagangan KPH

Madiun Perum Perhutani Unit II Jawa Timur pada bulan Oktober sampai

November 2011. Pengolahan data di lakukan di Laboratorium fisik remote

sensing dan GIS Departemen Manajemen Hutan Fakultas Kehutanan IPB

Desember sampai Maret 2012.

2.2 Data, Software, Hardware dan Alat

a. Data utama yang digunakan adalah sebagai berikut:

(1). Peta kawasan kerja KPH Madiun (Gambar 2).

Gambar 2 Peta kawasan KPH Madiun.

8

(2). Citra dijital resolusi sedang Landsat TM KPH Madiun (Gambar 3)

Gambar 3 Citra dijital resolusi sedang (Landsat TM perekaman 18 Juli 2006)

KPH Madiun.

9

(3). Peta citra dijital non-metrik resolusi tinggi lokasi Dungus (Gambar 4)

Gambar 4 Citra dijital non-metrik resolusi tinggi lokasi penelitian BKPH Dungus.

(4). Peta citra dijital non-metrik resolusi tinggi lokasi Dagangan (Gambar 5)

Gambar 5 Citra dijital non-metrik resolusi tinggi lokasi penelitian BKPH

Dagangan.

10

b. Data Pendukung yang digunakan pada penelitian ini adalah peta kerja di

lokasi BKPH Dungus dan lokasi BKPH Dagangan serta koordinat

GPSnya pada setiap BKPH yang disajikan pada Lampiran 1 dan 2.

c. Alat yang digunakan dalam penelitian ini adalah GPS map 60CSx

(Gambar 6a), kompas brunton (Gambar 6b), meteran, tali tambang, Haga

(Gambar 6c), kamera SLR dengan lensa fish eye, kamera digital, dan alat

tulis.

(a)

(b)

(c)

Gambar 6 (a) GPSmap 60CSx (b) kompas brunton, dan (c) Haga Hipsometer.

d. Software yang digunakan dalam pengolahan data adalah software

Arcview 3.2, Microsoft Excel 2007 dan SPSS ver 16.

e. Hardware yang digunakan dalam pengolahan data yaitu seperangkat

komputer dan printer.

11

2.3 Metode Penelitian

Tahapan dalam kegiatan penelitian adalah sebagai berikut:

2.3.1 Pra Pengolahan Data Citra

Sebelum melakukan pengolahan citra lebih lanjut, citra foto udara perlu

dilakukan koreksi geometrik. Sedangkan koreksi geometrik adalah koreksi yang

dilakukan untuk menghilangkan distorsi geometrik dari suatu citra dan sistem

koordinat geometrik. Koreksi yang umum dilakukan adalah koreksi geometrik

atau rektifikasi. Citra dijital yang telah terkoreksi dengan menggunakan koreksi

geometrik lalu di overlay dengan data citra pada citra Landsat TM. Desain untuk

plot contoh di lapangan ditentukan dengan menggunakan extension IHMB dengan

menggunakan metode purposive sampling. Agar mewakili keseluruhan area maka

untuk setiap kelompok umur, jumlah minimum plot contoh yang diambil adalah 3

sampai 4 plot.

a. Koreksi Geometrik (rektifikasi)

Rektifikasi yang dilakukan adalah rektifikasi citra-ke-citra (image-to-image

rectification). Pada penelitian ini dilakukan koreksi yang digunakan untuk

mengoreksi citra digital non-metrik menggunakan citra LANDSAT yang telah

terkoreksi sebelumnya, hal ini dilakukan agar koordinat geografis sama. Sistem

koordinat yang digunakan dalam koreksi geometrik adalah Universal Transvers

Mercator (UTM), zone 48 selatan (south UTM 1984).

Koreksi geometrik dimulai dengan memilih sejumlah titik-titik control

lapangan (GCP). Untuk penelitian ini jumlah total titik GCP (Lampiran 1 dan 2)

adalah sebanyak 17 titik, 7 titik GCP di BKPH Dungus dan 10 titik GCP di BKPH

Dagangan. GCP adalah suatu titik-titik pada permukaan bumi yang diketahui

koordinatnya baik pada citra (kolom/piksel dan baris) maupun pada peta (yang

diukur dalam lintang bujur meter). Syarat pemilihan GCP adalah tersebar merata

di seluruh citra dan relatif permanen atau tidak berubah dalam kurun waktu yang

pendek (seperti jalan, jembatan, sudut bangunan dan sebagainya) (Jaya 2009).

Jumlah GCP minimum dihitung dengan menggunakan persamaan :

GCPmin = (t+1)(t+2)/ 2

12

dimana,

t : orde dari persamaan transformasi.

RMSE (Root Mean Square Error) yang dihasilkan pada koreksi geometrik ini

adalah didapatkan dari GCP yang terpilih. Nilai RMSE tidak boleh lebih dari 0,5

piksel. Kesalahan rata-rata dari rektifikasi ini dihitung dengan rumus sebagai berikut:

𝑅𝑀𝑆𝐸 = 𝑥𝑟 − 𝑥𝑖 2 + (𝑦𝑟 − 𝑦𝑖)

2

Dimana:

RMSE = Root Mean Square Error

xr, xi dan yr, yi = Kesalahan ke arah x dan y untuk GCP ke-i

b. Desain Sampling

Desain sampling untuk pengambilan plot contoh di lapangan dilakukan

dengan menggunakan metode purposive sampling dengan bantuan extension

IHMB. Pemilihan desain sampling pertama-tama dilakukan secara acak. Menurut

Jaya et al. (2010) pengacakan pada arah Timur-Barat (sumbu X) dilakukan antara

0-1000 m (karena jarak antar jalur adalah 1000m), sedangkan pengacakan pada

sumbu Y (arah Utara-Selatan) pengacakan dilakukan antara 0 sampai dengan

jarak antar plot. Pada penelitian ini jarak antar plot yang digunakan sebesar 75 m.

Kemudian dilanjutkan dengan pembuatan grid dengan menggunakan ekstensi

IHMB-Jaya Versi 6 yang disajikan pada Gambar 7.

13

Gambar 7 Peta pembuatan grid plot contoh.

c. Pemilihan Plot Contoh

Setelah dilakukannnya desain sampling, maka untuk selanjutnya yaitu

tahap pemilihan plot contoh pada peta kerja. Pemilihan plot contoh tersebut

didapatkan 38 titik plot di masing-masing lokasi, yaitu di BKPH Dungus (Gambar

8) dan BKPH Dagangan (Gambar 9). Pemilihan plot contoh tersebut tersebar di

seluruh areal BKPH dan telah mewakili kelas-kelas umur yang ada.

Gambar 8 Peta sebaran plot penelitian lokasi BKPH Dungus.

14

15

Gambar 9 Peta sebaran plot penelitian lokasi BKPH Dagangan.

15

2.3.2 Pengambilan Data Lapangan

Pengambilan data lapangan dilakukan di atas peta kerja dan peta administrasi

KPH Madiun, Perhutani Unit II Jawa Timur. Pemilihan titik plot pengukuran

lapangan dilakukan berdasarkan sebaran kelas umur di lokasi penelitian, Bagian

Hutan dan kenampakan citra dijital non metrik resolusi tinggi. Terpilih masing-

masing 38 titik pada lokasi BKPH Dungus dan pada lokasi BKPH Dagangan. Plot

contoh yang digunakan berbentuk lingkaran dengan luasan sesuai dengan KU

(Kelas Umur) yang disajikan pada Tabel 1.

Tabel 1 Luas petak ukur pada hutan tanaman jati

Kelas Hutan Petak Ukur

Luas (Ha) Radius (m)

Kelas Umur I - II 0,02 7,92

Kelas Umur III - IV 0,04 11,28

Kelas Umur V ke atas 0,1 17,85

Data yang diambil di lapangan di antaranya adalah :

a. nomor plot

b. keliling pohon setinggi dada

c. keliling pohon setinggi 0,5 meter

d. tinggi total pohon

e. tinggi bebas cabang (tbc).

f. diameter tajuk

g. jarak dan sudut azimuth setiap pohon dari titik pusat plot

h. koordinat plot contoh

i. koordinat pohon

Untuk data pembantu, diambil juga beberapa foto lapangan dan foto

persentase penutupan tajuk (crown cover) menggunakan kamera SLR berlensa

fish eye. Semua data tersebut dicatat pada tally sheet yang telah dipersiapkan pada

tahapan persiapan.

16

17

2.3.3 Pengolahan Data Lapangan

Sebelum pengolahan data lapangan, data pada citra diolah terlebih dahulu,

yaitu dengan mencari persentase penutupan tajuk (crown cover) dari masing-

masing plot, menghitung jumlah pohon pada citra dan menghitung diameter tajuk

pohon di setiap plot.

a. Teknik mengukur persentase tutupan tajuk pada citra (crown cover) (C)

1) Mengukur persentase tajuk citra

Persentase penutupan tajuk merupakan persentase areal tertutup oleh

proyeksi vertikal tajuk-tajuk pohon. Menghitung persentase penutupan

tajuk (crown cover) pada citra dilakukan secara perhitungan visual dengan

menghitung antara areal tutupan tajuk dan gap tajuk. Adapun rumus dalam

menghitung persentase penutupan tajuk yaitu :

Persentase penutupan tajuk citra (%) = Luas wilayah bertajuk

Luas plot contoh x 100%

Pada Gambar 10 dapat dilihat bahwa hasil luasan tajuk tersebut didapatkan

dari hasil deliniasi areal tutupan tajuk dan gap tajuk.

Gambar 10 Plot contoh persentase penutupan tajuk (crown cover) pada citra.

2) Memetakan persentase penutupan tajuk hasil pengukuran lapangan

Memetakan hasil pengukuran tajuk di lapangan didapatkan dari persamaan

y = 0,173x + 1,443 yaitu yang berasal dari hasil perhitungan setiap

kerapatan pohon (jari-jari tajuk) di satu keterwakilan plot pada setiap kelas

umur di lapangan dengan nilai dbh-nya. Kemudian dipetakan pada

masing-masing plot contoh, sehingga dapat membandingkannya antara

Areal tutupan

tajuk

Gap tajuk

18

hasil di citra dan di lapangan (Gambar 10 dan 11). Terdapat pada plot

contoh 105 dengan persentase tajuk di citra sebesar 72% dan persentase

tajuk lapangannya 48%.

Gambar 11 Plot contoh persentase penutupan tajuk (crown cover) pada lapangan.

b. Teknik mengukur jumlah pohon pada citra (N)

Menghitung jumlah pohon pada citra dilakukan secara visual langsung

dengan memberikan tanda pada pohon yang berada dalam luasan tajuk. Kemudian

dibandingkan antara pohon citra dengan lapangan seperti pada Gambar 12.

(a)

(b)

Gambar 12 (a) Plot contoh jumlah pohon pada citra. (b) Plot contoh

jumlah pohon di lapangan.

Posisi

pohon

Persentase tajuk

di lapangan

19

c. Menghitung diameter tajuk (crown diameter) (D)

Menghitung diameter tajuk (crown diameter) dilakukan dengan metode

interpretasi visual dengan mengukur panjang diameter terpanjangnya dengan arah

dari utara ke selatan dan barat ke timur (Gambar 13). Perhitungan tersebut dengan

menggunakan icon measure pada software Arc View Gis ver 3.2.

Gambar 13 Plot contoh diameter tajuk.

d. Penyusunan model

1). Model-model alternatif

Penyusunan model regresi dan pemilihan parameter tegakan di citra foto

udara (citra dijital non-metrik resolusi tinggi) yang akan digunakan sebagai

peubah bebas dibuat sesederhana mungkin, tetapi mempunyai ketelitian yang

cukup tinggi. Pada penelitian ini model penduga potensi yang dikembangkan

antara lain dijelaskan pada Tabel 2.

Arah pengukuran

diameter tajuk

20

Tabel 2 Bentuk model-model yang diuji cobakan dalam melakukan penyusunan

model sediaan tegakan jati

Model Persamaan

1) Linier

a. Sederhana V = a + b.C

V = a + c.D

V = a + d.N

b. Berganda V = a + b.C + c.D + d.N

2) Non Linier

a. Sederhana V = a.Cb

V = a.Dc

V = a.Nd

b. Berganda V = a.Cb.Dc.Nd

c. Kuadratik V = a + b.C2 + c.D

2 + d.N

2

d. Polynomial V = a + b.C + c. C2

V = a + b.D + c. D

2

V = a + b.C + c. D + d. C. D + e. C

2 + f. D

2

Selain model-model umum yang biasa digunakan tersebut, ada beberapa

model penduga potensi dengan foto udara yang dihasilkan dari penelitian-

penelitian terdahulu yang disajikan pada Tabel 3.

21

Pada Tabel 3 disajikan beberapa model penduga sediaan tegakan dengan

foto udara.

Tabel 3 Model-model penduga potensi sediaan tegakan dengan foto udara

No Persamaan R

2

(%) Penelitian Sumber

1. Log V = 0,06 + 1,11 Log C + 0,133 Log D

69,2 Model penduga volume tegakan dengan foto

udara di hutan alam

studi kasus di HPH PT. Sura Asia, Propinsi Dati

I Riau

Budi 1998

2. V = 1,47.10-4

H1,42

D0,35

N2,21

81 Model penduga volume

terbaik dengan foto

udara skala 1 : 20000

untuk tegakan pinus

(Pinus merkusii) di KPH Pekalongan Barat

dengan pendekatan

stratifikasi dan tanpa stratifikasi

Hidayatullah 1996

3 a). V = 54,2 – 0,469 C

untuk SFNAP

b). V = 32,4 – 0,246 C

untuk CAP

76,2

69,1

Kajian teknis

pemanfaatan potret

udara non-metrik format kecil pada bidang

kehutanan

Cahyono 2001

4. a). Ln V = -1,65 +

0,798LnC + 1,58 Ln D

untuk bonita ≤ 3

b). Ln V = -0,713 +

1,206 LnC + 0,219 Ln D

untuk bonita ≥ 4

74,5

64,9

Tabel volume udara

(Aerial Volume Tabel)

Hardjoprajitno

S. 1996

5. V = 35481338,92 C3,00

79,3 Penyusunan tabel tegakan hutan tanaman

dengan potret udara

Prihanto 1996

6. V = -10,2 + 0,169N +

8,20D

53,8 Penduga Volume

Tegakan Jati di BKPH Cikampek KPH

Purwakarta melalui foto

udara

Suar 1993

7. Ln V = -5,577 + 0,427 Ln

N + 2,591Ln H

67,4 Hubungan Antara

Volume Tegakan

Dengan Peubah Potret Udara Sebagai Alat

Inventarisasi Hutan

Atmosoemarto

1993

22

2). Penduga regresi

Tahap selanjutnya berkaitan dengan pembangunan model di atas adalah

penyusunan persamaan regresi. Penduga regresi bagi nilai tengah (rata-rata)

populasi dapat diperoleh sebagai berikut:

(a). Penyusunan model dengan peubah tunggal

y = a + b. x

Dimana: y = V dalam m3

/ha

x = dapat berupa C, D, N

Kemiringan (slope) garis regresi dapat dihitung dengan rumus:

x

xy

JK

JHKb dan a 𝑦 - b𝑥

JHKxy = 𝑥𝑦−

𝑥 𝑦

𝑛

𝑛−1

JKx = 𝑥2− 𝑥 2/𝑛

𝑛−1

Dimana: 𝑦 = Rata-rata peubah tak bebas (y berupa V dalam m3 /ha)

𝑥 = Rata-rata peubah bebas (x berupa C, D, N)

JHK = Jumlah hasil kuadrat

JK = Jumlah kuadrat

a = Koefisien elevasi

b = Koefisien regresi

n = Banyaknya plot

(b). Penyusunan model dengan peubah ganda

y = a + b.x1 + c.x2

Dimana: y = V dalam m3

/ha

x = x berupa C, D, N

a, b, c= Konstanta

Maka kemiringan (slope) garis regresi antar pasangan data dapat dihitung

dengan rumus:

𝑛 𝑥1𝑖

𝑥2𝑖

𝑥1𝑖

𝑥1𝑖2

𝑥1𝑖 𝑥2𝑖

𝑥2𝑖

𝑥1𝑖 𝑥2𝑖

𝑥1𝑖2

𝑎𝑏𝑐 =

𝑦𝑖 𝑥1𝑖𝑦𝑖 𝑥2𝑖𝑦𝑖

23

(c). Korelasi Antar Peubah

Penyusunan model pendugaan sediaan tegakan ini masing-masing

menggunakan metode persamaan regresi terbaik. Namun, sebelumnya dilakukan

terlebih dahulu perhitungan koefisien korelasi menggunakan pendekatan korelasi

product moment (r) yang menyatakan tingkat keeratan hubungan antar peubah

yang akan digunakan dalam pendugaan tegakan. Nilai r dapat dihitung dengan

rumus sebagai berikut:

r =

Dimana:

xi = Dimensi pohon ke – i

yj = Dimensi pohon lainnya ke – j

n = Jumlah pohon

Besarnya nilai r berkisar antara -1 sampai +1. Jika nilai r = -1 maka

hubungan antara dua peubah adalah korelasi negatif sempurna. Artinya, apabila

salah satu peubah nilainya menurun, maka peubah lainnya akan meningkat.

Sebaliknya jika nilai r = 1 maka hubungan antara dua peubah merupakan korelasi

positif sempurna. Artinya, apabila salah satu peubah meningkat, maka peubah

lainnya akan meningkat pula. Bila r mendekati -1 atau +1 maka hubungan antara

peubah itu kuat dan terdapat korelasi yang tinggi antara kedua peubah itu

(Walpole 1995). Hipotesisnya: H0 : p = 0, artinya tidak ada korelasi antara 2

peubah H1 : p ≠ 0, artinya ada korelasi antara 2 peubah H0 diterima apabila p > α

dan H1 diterima apabila p < α.

Untuk menguji apakah nilai koefisien korelasi memiliki nilai yang

signifikan (nilai r > 0,7071 dalam hubungannya terhadap tegakan), perlu

dilakukan perhitungan Uji-Z pada tingkat kepercayaan 95% (α = 0,005).

Hipotesis yang digunakan dalam pengujian keeratan koefisien korelasi

adalah H0 : ρ ≥ 0,7071 dan H1 : ρ < 0,7071. Rumus yang digunakan dalam Uji Z

yaitu:

nn

n

ji /)y(y/)x(x

/)y)(x(yx

2

j

22

i

2

jiji

)( ZrZZhitung

24

Dimana:

Z = Sebaran normal Z

σ = Pendekatan simpangan baku tranformasi Z

ρ = Nilai koefisien korelasi yang diharapkan pada populasi

r = Nilai koefisien korelasi

n = Jumlah data

Jika hasil Z-hitung ≤ 1,96, maka H0 diterima, yang berarti bahwa

hubungan antara peubah bebas dengan volume cukup erat dengan r ≥ 0,7071.

Sedangkan jika Z-hitung > 1,96, maka H1 diterima, yang berarti bahwa hubungan

antara peubah bebas dalam model dengan volume adalah kurang erat.

3) Uji Koefisien regresi

Pengujian hipotesis dilakukan terhadap model guna mengetahui

keberartian hubungan peubah pada citra dengan volume tegakan di lapangan.

Analisis yang digunakan dalam pengujian hipotesis adalah analisis ragam sebagai

berikut:

Tabel 4 Analisis ragam untuk regresi sederhana

Sumber

Keragaman

db JK KT F Hit

Regresi Dbr = p-1 JKR =b.JHKxy KTR =JKR/dbr KTR/KTS

Sisa Dbs = n-p JKS = JKy - JKR KTS = JKS/dbs

Total n-1 JKT = JKy

Keterangan: p = banyaknya peubah regresi

n = banyaknya plot contoh yang diamati

Tabel 5 Analisis ragam untuk regresi berganda

Keragaman db JK KT F Hit

Regresi Dbr = p-1 JKR = b.JHKxy KTR = JKR/dbr KTR/KTS

Sisa Dbs = (m-1)–(p-1) JKS = JKy - JKR KTS = JKS/dbs

Total m-1 JKT = JKy

Keterangan: p = banyaknya parameter

m = banyaknya plot contoh

Hipotesis yang diuji adalah:

H0 : βi = 0, i = 1,2,3,…,p

H1 : sekurang-kurangnya ada satu βi ≠ 0.

25

Bila hasil analisis keragaman tersebut diperoleh F-hit > F-tab maka terima

H1, yang berarti minimal ada satu peubah yang bebas yang berpengaruh nyata

terhadap peubah tak bebas dan sebaliknya (Walpole 1995).

Jika H1 diterima melalui Uji –F, maka selanjutnya dilakukan uji signifikansi

koefisien masing-masing peubah bebas dengan menggunakan perhitungan Uji-t.

Rumus yang digunakan dalam perhitungan Uji-t adalah:

nsthitung

/

Dimana:

X = Pengamatan

μ = Nilai tengah

𝑠 = Standar deviasi

n = Jumlah sampel

Dengan hipotesis sebagai berikut:

H0 : μ = μ0,

H1 : μ ≠ μ0.

Selanjutnya kriteria uji bagi hipotesis dengan menggunakan t-hitung, yaitu

jika thitung > ttabel maka terima H1, yang berarti pengukuran di lapangan dan di

citra berbeda nyata. Sedangkan jika thitung < ttabel maka terima H0, yang berarti

pengukuran di lapangan dan di citra tidak berbeda nyata.

4) Uji Verifikasi Model

Setelah model terbangun dan secara statistik dapat diterima, maka perlu

dilakukan uji verifikasi terhadap model tersebut. Uji verifikasi model terbangun

dengan menggunakan perhitungan Uji-χ2

, е (Bias), SA (Simpangan Agregat), SR

(Simpangan Rata-rata) dan RMSE (Root Mean Square Error) (Spurr 1952 dalam

Divayana 2011). Pada penelitian ini, perhitungan Uji-χ2 menunjukkan besarnya

kecocokan antara hasil perhitungan menggunakan model (nilai harapan) dengan

perhitungan data lapangan (nilai observasi/nilai aktual). Jika nilai χ²-hitung lebih

kecil dari nilai χ²-tabel, maka dapat dinyatakan bahwa hasil dugaan menggunakan

model terbangun tidak berbeda dengan perhitungan data lapangan (nilai aktual).

26

Dimana:

χ2 = Nilai Chi-square

𝐸𝑖 = Nilai ekspetasi/ dugaan

𝑂𝑖 = Nilai observasi/ aktual

RMSE digunakan untuk mengetahui seberapa besar error yang terjadi pada

hasil perhitungan model jika dibandingkan dengan nilai aktual. Semakin kecil

nilai RMSE, maka semakin kecil pula kesalahan yang terjadi pada penggunaan

model. Perhitungan RMSE menggunakan rumus sebagai berikut:

%100

][1

2

n

Ha

HaHt

RMSE

n

ii

ii

Dimana:

RMSE = Root Mean Square Error

Hti = Nilai dugaan

Hai = Nilai aktual

n = Jumlah pengamatan

Bias (℮) adalah kesalahan sistematis yang dapat terjadi karena kesalahan

dalam pengukuran, baik kesalahan teknis pengukuran maupun kesalahan karena

alat ukur. Nilai ℮ yang dapat diterima adalah jika nilainya mendekati nol.

Perhitungan ℮ (Bias) dapat dirumuskan sebagai berikut:

n

Y

YYn

iAi

AiTi }%100){(

e1

Dimana:

℮ = Bias

YT = Nilai dugaan

YA = Nilai aktual

N = Jumlah pengamatan

k

ii

iihitung

E

EO1

2

2 )(

27

Simpangan Agregat (SA) adalah perbedaan antara jumlah nilai aktual dan

jumlah nilai dugaan (Spur 1952). Nilai SA diharapkan berkisar antara -1 sampai

+1.

Nilai SA dapat dihitung dengan rumus:

Ti

ATi

Y

YYSA i

Dimana:

SA = Simpangan Agregat

YT = Nilai dugaan

YA = Nilai aktual

Nilai SR menunjukkan suatu model dapat dikatakan baik jika nilainya

tidak lebih dari 10%. Perhitungan SR yaitu dengan rumus sebagai berikut:

n

Y

YY

SR

n

iTi

AiTi

1

%}100|{|

Dimana:

SR = Simpangan Rata-rata

YT = Nilai dugaan

YA = Nilai aktual

n = Jumlah pengamatan

Untuk mendapatkan model yang akurat dan valid, perlu adanya penyusunan

peringkat terhadap model dengan acuan kriteria-kriteria uji yang dilakukan.

Penyusunan peringkat dilakukan dengan memberikan skor pada model-model

yang diperoleh. Kemudian akan terbentuk model terbaik yang dapat digunakan

sesuai kriteria yang ada yaitu model yang memuat sedikit peubah penduga,

kemudahan mengukur peubah bebas dan potensial kesalahannya rendah.

Pemberian skor dilakukan berdasarkan nilai SA, SR, RMSE, dan е dengan

menggunakan rumus sebagai berikut:

14maxmin

max

SASASkor 14

maxmin

maxe

eSkor

14maxmin

max

SRSRSkor 14

maxmin

max

RMSERMSESkor

28

2.4 Pendugaan Biomassa

Biomassa didefinisikan sebagai jumlah total bahan organik hidup di atas

tanah pada pohon termasuk ranting, daun, cabang, batang utama dan kulit yang

dinyatakan dalam berat kering oven ton per unit area (Brown 1997). Biomassa

dibedakan menjadi dua kategori, yaitu biomassa di atas permukaan tanah (above

ground biomass) dan biomassa di bawah permukaan tanah (bellow ground

biomass). Biomassa di atas permukaan tanah terdiri atas semua biomassa hidup di

atas permukaan tanah yang meliputi batang, tunggak, cabang, kulit, buah/biji, dan

daun. Biomassa dibawah permukaan tanah terdiri atas semua akar pohon yang

masih hidup kecuali serabut akar (diameter < 2mm).

Biomassa hutan di atas permukaan merupakan komponen penting yang

sangat terkait dengan siklus karbon, alokasi nutrisi hutan, akumulasi bahan bakar

fosil dan habitat dalam ekosistem hutan. Ekosisitem hutan juga mempunyai

peranan penting dalam siklus karbon secara global. Hutan menyimpan karbon

sekitar 80% (IPCC 2001). Tegakan hutan yang masih produktif untuk tumbuh

mampu menyerap gas CO2 yang ada di atmosfer dan menyimpannya dalam

bentuk biomassa pohon (Losi et al. 2003).

Metode pengukuran biomassa pada dasarnya ada empat cara utama yaitu

metode sampling dengan pemanenan (destructive sampling), metode sampling

tanpa pemanenan (non-destructive sampling), metode pendugaan melalui

pengindraan jauh, dan metode pembuatan model. Metode sampling dengan

pemanenan (destructive sampling) merupakan metode pengukuran biomassa

dengan cara merusak atau menebang pohon untuk selanjutnya dilakukan

pengukuran berat basah di berbagai carbon pool yang terdiri dari biomassa atas,

biomassa bawah/akar, biomassa kayu mati, biomassa serasah dan biomassa tanah

organik (Ostwald 2008). Sedangkan metode sampling tanpa pemanenan (non-

destructive sampling) merupakan pengukuran biomassa dengan cara tidak

merusak pohon dan hanya mengukur biomassa atas kemudian mengukur diameter

dan tinggi pohon serta serasah yang ada.

Metode sampling dengan pemanenan (destructive sampling) memberikan

hasil yang paling akurat untuk menduga biomassa, tetapi teknik ini tidak dapat

diterapkan pada semua areal hutan karena kerusakan yang diakibatkan cukup

29

besar. Selain kerusakan yang cukup besar, mahalnya biaya dan lamanya waktu

serta besarnya tenaga yang dibutuhkan dibandingkan dengan teknik pendugaan

biomassa lain menjadi bahan pertimbangan dalam penggunaan teknik ini. Metode

sampling tanpa pemanenan (non-destructive sampling) merupakan teknik

pendugaan yang saat ini banyak dilakukan karena tidak perlu melakukan

pemanenan pohon. Teknik ini memiliki efisiensi yang baik jika dibandingkan

dengan teknik sampling destruktif. Parameter penyusun metode non-destructive

sampling yaitu diameter pohon, tinggi pohon, volume batang, dan basal area

untuk menduga biomassa.

Menurut Brown (1997) ada dua pendekatan untuk menduga biomassa

pohon, yang pertama berdasarkan pendugaan volume kulit sampai batang bebas

cabang yang kemudian diubah menjadi jumlah biomassa (ton/ha) dan yang kedua

secara langsung dengan menggunakan regresi biomassa. Seperti dikemukakan

oleh Tiryana (2005), potensi biomassa hutan juga dapat diketahui melalui data

hasil inventarisasi baik dengan menggunakan faktor konversi volume ke biomassa

maupun persamaan alometrik yang menghubungkan dimensi pohon (diameter dan

atau tinggi) dengan biomassanya.

Diameter pohon merupakan salah satu variabel yang penting bagi

pendugaan biomassa selain kerapatan jenis pohon dan tipe hutan (Chave et al.

2001). Sehubungan dengan pernyataan tersebut Ketterings et al. (2001) membuat

model penduga biomassa hutan dengan menggunakan variabel diameter dan

kerapatan jenis dalam persamaan sebagai berikut:

W = 0,11 ρ D 2,62

Dimana:

W = biomassa (kg/pohon)

ρ = kerapatan jenis (gr/cm3) ρ pohon jati sebesar 0,75 ton/m

3

(Martawijaya 1992).

D = diameter setinggi dada (cm)

Selain menggunakan rumus Ketterings, pendugaan biomassa dapat pula

menggunakan model alometrik Brown. Pada pendugaan nilai biomassa tegakan

jati di lokasi penelitian digunakan model alometrik Brown (1997) yang

dikembangkan oleh Hendri (2001) yang diformulasikan kembali oleh Tiryana

30

(2011) di daerah KPH Cepu. Hutan Tanaman jati di KPH Cepu memiliki iklim

yang sama dengan hutan jati di KPH Madiun yaitu tipe iklim C sehingga kurang

lebih kondisi umum lapangan baik kondisi tegakannya memiliki kesamaan.

Berikut ini adalah persamaan alometrik Brown yang digunakan:

W = 0,2759D2,2227

(R2

= 0,941)

Dimana:

W = biomassa tegakan (kg/pohon)

D = diameter setinggi dada (cm)

Dapat pula dengan menggunakan metode perhitungan Vademecum

Kehutanan (1976) dalam Ginoga et al. (2005) sebagai berikut:

B = (4/3) V ρ

Dimana:

B = biomassa tegakan (ton/ha)

V = volume pohon (m3 /ha)

ρ = kerapatan jenis kayu (ton/m3 )

Model Vademecum tersebut digunakan karena mudah diaplikasikan serta cukup

sederhana.

Menurut IPCC (2003) dalam Janiatri 2012 terdapat dua pendekatan untuk

mengestimasi nilai kandungan biomassa yaitu, pendekatan langsung,

menggunakan persamaan allometrik pada sampel plot dan pendekatan tidak

langsung menggunakan nilai Biomass Exspansion Factor (BEF). Metode ini

termasuk metode non-destructive sampling karena tidak memerlukan pemanenan

pohon contoh dalam pendugaan biomassanya. Pengkonversian hasil inventarisasi

hutan dalam bentuk volume dilakukan dengan mengalikan nilai tersebut dengan

konstanta nilai Biomass Exspansion Factor (BEF).

Biomass Expansion Factor (BEF) didefinisikan sebagai rasio total bobot

kering tanur di atas permukaan tanah pada diameter minimum (dbh) 10 cm atau

lebih dengan bobot biomassa kering tanur pada volume yang diinventarisasi atau

rasio antara AGB total dengan biomassa batang yang dapat dimanfaatkan. Pada

penelitian ini nilai Biomass Exspansion Factor (BEF) yang digunakan adalah

Biomass Exspansion Factor (BEF) pada tegakan Jati yang dikembangkan di

31

daerah tropis Panama, di hitung dengan membagi total proporsi biomassa dengan

biomassa cabang sehingga menghasilkan nilai BEF sebesar 1,53186 (Kraenzel et

al. 2003). Pendugaan biomassa atas permukaan menggunakan Biomass Expansion

Factor (BEF) dilakukan dengan menggunakan rumus :

BAP = V x 𝜌 x BEF

Dimana:

BAP = Biomassa Atas Permukaan (ton/ha)

V = Volume tegakan (m3 /ha)

ρ = Berat jenis kayu (ton/m3)

BEF = Biomass Expansion Factor dengan koefisien 1,53186 untuk Jati pada

hutan tropis (Kraenzel et al. 2003).

2.5 Penyusunan Tabel Volume

Penyusunan tabel volume berasal dari model penduga yang terpilih

berdasarkan hasil penentuan peringkat gabungan tersebut diatas. Dari model

penduga volume yang terpilih akan didapatkan nilai volume untuk nilai tertentu

yang diukur atau diamati dilapangan. Kemudian terakhir dapat disusun dalam

bentuk tabel volume lokal atau standar untuk jenis tegakan jati (Tectona grandis

Linn f.) di KPH Madiun Unit II Jawa Timur pada BKPH Dungus dan BKPH

Dagangan.

2.6 Monogram

Monogram adalah suatu tema atau bentuk yang dibuat untuk melengkapi

atau mengkombinasikan dua bentuk citra atau beberapa grafik kedalam satu

simbol. Jenis objek yang ditaksir dalam menyusun monogram ini adalah kelas

potensi penutupan tajuk, kelas diameter tajuk dan jumlah pohon pada citra dijital

resolusi tinggi. Penyusunan monogram digunakan sebagai penyajian gambar dari

hasil analisis atau interpretasi citra sehingga dapat dilihat perbandingan kelas

potensi di lapangan dengan di citra.

32

2.7 Pelaporan

Tahapan terakhir dari serangkaian kegiatan penelitian ini adalah pembuatan

laporan. Secara keseluruhan tahapan pelaksanaan penelitian ini dapat dilihat pada

diagram alir berikut.

33

Gambar 14 Diagram alir kegiatan.

Ya

Analisis Statistik dan Penyusunan

Model Tabel Volume Tegakan

Model Penduga Sediaan

Mulai

Persiapan Data

Pendukung

Citra

Dijital

Rektifikasi

Pra Pengolahan Citra Desain

Penarikan Contoh

Pengambilan Data Lapangan

Model Penduga

Sediaan

Diterima

Verifikasi Model Terbaik

Peubah

Lapangan

Citra Terkoreksi

Selesai Pembuatan Monogram

Tabel Volume

Estimasi Biomassa

Tidak

Ya