V. HASIL DAN PEMBAHASAN
5.3 Analisis Pemodelan Spasial
5.3.1 Analisis Regresi Logistik Biner (BinaryLogistic Regression Analysis) 5.3.1.1 Model kesesuaian habitat kirinyuh
Model kesesuaian habitat bukanlah upaya yang pasti untuk memprediksi ada tidaknya suatu spesies tumbuhan atau satwa pada suatu habitat, tetapi lebih merupakan upaya untuk mengidentifikasi areal atau blok kawasan hutan mana yang harus diprioritaskan dalam pengelolaannya (Rahmat 2012). Pemodelan ini menggunakan pendekatan model regresi logistik biner dengan prosedur Enter dengan sistem eliminasi manual. Variabel prediktor untuk membangun model regresi logistik biner kesesuaian habitat kirinyuh menggunakan delapan data spasial yaitu ketinggian (elevasi), kelerengan (slope), arah kelerengan (aspect), penutupan vegetasi (NDVI), suhu, kelembaban vegetasi, jarak terdekat dari jalur patroli/trek dan jarak terdekat dari pemukiman atau aktivitas manusia.
Setiap titik kehadiran dan ketidakhadiran yang digunakan dinilai variabel prediktornya melalui bantuan perangkat lunak Arc Gis ver. 9.3. Lampiran 2 menyajikan data atribut pasangan titik kehadiran dan ketidakhadiran yang digunakan untuk membangun model.
Perhitungan nilai variabel prediktor menggunakan perangkat lunak SPSS 16 dengan taraf kepercayaan 95%. Dari hasil perhitungan dengan prosedur ini diperoleh empat variabel prediktor yang memiliki taraf signifikansi kurang dari 0,05 dan empat variabel dengan taraf signifikansi lebih dari 0,05 (Lampiran 4). Konstanta persamaan regresi logistik ( 0) sebesar -22,938 dengan koefisien
regresi masing-masing variabel prediktor dan taraf signifikansinya sebagaimana disajikan pada Tabel 2.
Berdasarkan hasil perhitungan tersebut maka dikatakan sementara bahwa model regresi pada tahap ini belumlah baik karena nilai konstansta dan nilai 4 prediktor lainnya masih memiliki nilai probabilitas (signifikansi) di atas 0,05. Untuk itu, menurut Santoso (2012) model regresi dapat diulang lagi dengan hanya memasukkan prediktor yang sudah signifikan sebagai variabel independen, dalam kasus ini adalah suhu, NDVI, NDMI dan jarak dari trek.
69
Tabel 2 Taraf signifikansi dan koefisien regresi variabel prediktor tahap Enter 1 No. Variabel predictor Koefisien regresi Signifikansi
1. Ketinggian (elv) 6,334 0,269
2. Kelerengan (slp) 0,026 0,414
3. Arah kelerengan (asp) 0,001 0,652
4. Penutupan Vegetasi (NDVI) -45,789 0,010
5. Suhu (sh) 1,623 0,039
6. Kelembaban vegetasi (NDMI) -30,675 0,035
7. Jarak dari trail (jt) -72,932 0,000
8. Jarak dari kebun (jk) -0,153 0,901
Konstanta -22,938 0,261
Dari hasil perhitungan tahap ke-2 ini diperoleh tiga variabel prediktor yang memiliki taraf signifikansi kurang dari 0,05 dan satu variabel dengan taraf signifikansi lebih dari 0,05 (Lampiran 4). Konstanta persamaan regresi logistik ( 0) sebesar 13,588 dengan koefisien regresi masing-masing variabel prediktor
dan taraf signifikansinya sebagaimana disajikan pada Tabel 3.
Tabel 3 Taraf signifikansi dan koefisien regresi variabel prediktor tahap Enter 2
No. Variabel prediktor Koefisien regresi Signifikansi
1. Suhu (sh) 0,253 0,315
2. Penutupan vegetasi (NDVI) -32,046 0,026
3. Kelembaban vegetasi (NDMI) -24,742 0,048
4. Jarak dari trail (jt) -66,290 0.000
Konstanta 13,588 0,096
Hasil perhitungan ke-2 pada persamaan regresi ini masih menunjukkan adanya satu prediktor yang masih memiliki nilai probabilitas (signifikansi) lebih dari 0,05 begitu pula dengan nilai konstantanya, sehinggga masih dapat dimungkinkan untuk dilakukan analisa regresi yang ke-3 dengan hanya memasukkan prediktor NDVI, NDMI dan jarak dari trail sebagai variabel independennya, dengan hasil sebagaimana disajikan pada Tabel 4.
Tabel 4 Taraf signifikansi dan koefisien regresi variabel prediktor tahap Enter 3 No. Variabel prediktor Koefisien regresi Signifikansi
1. Penutupan vegetasi (NDVI) -30,571 0,030
2. Kelembaban vegetasi
(NDMI)
-28,092 0,021
3. Jarak dari trail (jt) -64,988 0,000
Konstanta 19,455 0,001
Hasil perhitungan ke-3 menunjukkan bahwa konstanta dan tiga variabel prediktor adalah signifikan secara statistik dimana semuanya memiliki nilai signifikan dibawah 0,05 yang berarti bahwa ketiga variabel tersebut berpengaruh nyata terhadap model kesesuaian habitat atau penyebaran kirinyuh. Dengan demikian, dari hasil ketiga perhitungan tersebut maka hasil analisa regresi yang ke-3 merupakan model regresi yang lebih baik digunakan untuk memprediksi variabel peluang keberadaan kirinyuh. Dengan demikian, bentuk persamaan regresi logistiknya adalah:
Z = 19,455-(30,571*NDVI)-(28,092*NDMI)-(64,988*jt) Nilai persamaan P= [ez /(1+ez)] adalah
=
( , , , , )
1 + ( , ( , ) ( , ) ( , ))
Hasil perhitungan nilai P pada persamaan tersebut menunjukkan bahwa ketiga peubah tersebut yaitu NDVI, NDMI dan jarak dari trail memberikan pengaruh nyata terhadap frekuensi kehadiran kirinyuh pada suatu habitat. Sifat dan besarnya hubungan antara ketiga peubah tersebut dengan frekuensi kehadiran kirinyuh pada suatu habitat dapat diketahui dari besarnya nilai koefisien determinasi (R²). Nilai R² sebesar 50,1% mengindikasikan bahwa keragaman frekuensi kehadiran kirinyuh pada suatu habitat dipengaruhi oleh peubah NDVI, NDMI dan jarak dari trail secara simultan sebesar 50,1% sedangkan sisanya (49,9%) dipengaruhi oleh peubah lain yang tidak digunakan dalam model ini.
Peubah NDVI, NDMI dan jarak dari trail merupakan peubah yang signifikan dengan semua koefisiennya bernilai negatif. Koefisien regresi variabel NDVI sebesar -30,571 menunjukkan bahwa semakin tinggi nilai NDVI atau
71
semakin tingginya derajat kehijauan suatu vegetasi (berhutan), maka semakin kecil kemungkinan kehadiran kirinyuh. Koefisien regresi variabel NDMI sebesar -28,092 menunjukkan bahwa semakin tinggi nilai NDMI atau semakin tingginya derajat kelembaban vegetasi, maka semakin kecil kemungkinan kehadiran kirinyuh begitupula dengan interpretasi yang sama terhadap nilai koefisien regresi variabel untuk jarak ke jalan trail sebesar -64,988.
Hasil tersebut di atas mampu menjelaskan teori yang ada bahwa keberadaan spesies tumbuhan asing invasif sangat tergantung pada ketersediaan cahaya matahari yang sangat tinggi (Parendes & Jones 2000; Hawbaker & Radeloff 2004). Hal ini dapat dijelaskan dengan nilai peubah NDVI dan NDMI yang secara langsung berhubungan dengan sinaran cahaya matahari. Faktor gangguan antropogenik dalam bentuk jalan setapak atau jalan raya juga merupakan faktor yang berpengaruh besar terhadap penyebaran spesies tumbuhan asing invasif dibandingkan dengan gangguan alam (Rew et al. 2006). Selain itu, banyak penelitian yang berhasil menemukan bahwa aktivitas manusia sepanjang jalur setapak seperti menunggang kuda (Tyser & Worley 1992; Campbell & Gibson 2001) dapat meningkatkan kemungkinan masuk dan menyebarnya spesies tumbuhan asing sepanjang jalur tersebut (Campbell & Gibson 2001).
5.3.1.2Uji Kelayakan Model Regresi Logistik
Kelayakan suatu model regresi logistik dapat dilihat dari signifikansi penurunan nilai -2 Log Likelihood serta hasil uji Hosmer and Lemeshow pada pengolahan menggunakan perangkat lunak SPSS 16 sebagaimana terlampir dalam lampiran 4.
Penurunan nilai -2 Log Likelihood dari 133,084 menjadi 87,806 dengan signifikansi 0,000 (< 0,05) menunjukkan bahwa model regresi layak untuk digunakan. Uji Hosmer and Lemeshow digunakan untuk melihat kecocokan variabel prediktor yang digunakan dalam membangun model dengan model yang dihasilkan. Berkebalikan dengan signifikansi penurunan nilai -2 Log Likelihood
dimana model layak jika nilai signifikansi berada dibawah taraf signifikansi 0,05, signifikansi nilai uji Hosmer and Lemeshow harus lebih besar dari taraf signifikan 0,05 untuk dapat dikatakan model itu cocok (fit) dengan variabel prediktor yang
digunakan. Nilai uji Hosmer and Lemeshow menunjukkan nilai 3,643 dengan signifikansi 0,888 (> 0,05). Nilai signifikansi ini menunjukkan bahwa model cocok dengan variabel prediktor yang digunakan.
5.3.1.3Kelas Kesesuaian Habitat
Kesesuaian habitat kirinyuh ditentukan dari besarnya nilai Indeks Kesesuaian Habitat. Nilai tersebut kemudian dikelas untuk menentukan tingkat kesesuaian habitat yaitu kesesuaian tinggi, kesesuaian sedang dan kesesuaian rendah. Penentuan selang kelas kesesuaian habitat dilakukan dengan membagi tiga selisih nilai Indeks Kesesuaian Habitat yang tertinggi dan terendah. Luas tiap kelas kesesuaian habitat disajikan pada Tabel 5.
= 0,999 0
3 = 0,333
Tabel 5 Kelas kesesuaian habitat kirinyuh beserta luas areal
No. Kelas Kesesuaian Habitat IKH Luas Areal
1 Kesesuaian rendah 0 – 0,333 1335,99 Ha
2 Kesesuaian sedang 0,333 – 0,666 31,61 Ha
3 Kesesuaian tinggi 0,666 – 0,999 91,46 Ha
5.3.2 Analisis Komponen Utama (Priciple Component Analysis/PCA) 5.3.2.1 Model kesesuaian habitat kirinyuh
Pada dasarnya, Priciple Component Analysis/PCA atau Analisis Komponen Utama (AKU) merupakan suatu teknik mereduksi banyak data untuk mengubah suatu matrik data awal/asli menjadi satu set kombinasi linear yang lebih sedikit akan tetapi menyerap sebagian besar jumlah varian dari data awal. Banyaknya faktor (komponen) yang dapat diekstrak dari data awal adalah sebanyak variabel yang ada. Kita harus mereduksi data asli dengan sedikit mungkin komponen/faktor akan tetapi masih memuat sebagian besar variasi dari data asli katakan lebih dari 80% (Supranto 2004).
Data yang digunakan dalam analisis komponen utama ini adalah data 48 titik kehadiran kirinyuh. Hasil Analisis Komponen Utama yang dilakukan terhadap faktor peubah yang mempengaruhi tempat tumbuh kirinyuh menunjukkan bahwa dari 8 faktor lingkungan fisik yang diamati dapat
73
dikelompokkan menjadi 3 faktor komponen utama. Hal ini diindikasikan dengan eigenvaluenya > 1. Ketiga komponen baru tersebut dapat menjelaskan sebesar 73,51% dari variabilitas keseluruhan variabel faktor yang diamati (Tabel 6). Meskipun komponen pertama relatif lebih besar daripada komponen kedua dan ketiga, perbedaannya tidaklah terlalu besar. Hal ini dapat mengindikasikan bahwa antara kedua faktor komponen memberikan informasi yang relatif sama besar untuk dapat menggambarkan kondisi habitat kirinyuh.
Tabel 6 Keragaman total komponen utama
Komponen Akar Ciri (Initial Eigen Values)
Total % Keragaman %Kumulatif Keragaman
1 2.873 35.909 35.909 2 2.004 25.052 60.961 3 1.004 12.545 73.506 4 0.946 11.826 85.332 5 0.549 6.868 92.200 6 0.506 6.321 98.521 7 0.099 1.238 99.759 8 0.019 0.241 100.000
Hasil analisis tersebut (nilai total dari akar ciri) kemudian digunakan untuk menentukan bobot masing-masing variable. Keeratan hubungan antara keempat variable kesesuaian habitat kirinyuh. dengan komponen utama seperti disajikan pada Tabel 7 berikut.
Tabel 7 Vektor ciri PCA
Variabel Komponen Utama
1 2 3 Slope 0.198 0.274 0.378 Aspect -0.104 -0.762 0.173 Suhu -0.915 0.229 0.194 NDVI -0.019 0.820 .116 NDMI 0.266 0.486 0.596 Elevasi 0.979 0.020 -0.002
Jarak Jalan Trail -0.038 -0.616 0.652
Jarak Kebun 0.977 -0.083 -0.010
Komponen variabel elevasi/ketinggian adalah variabel yang cukup berpengaruh pada faktor komponen pertama (PC1), diikuti jarak dari kebun.
Komponen penutupan vegetasi (NDVI) adalah variabel yang berpengaruh pada faktor komponen kedua (PC2), sedangkan komponen kelembaban vegetasi (NDMI) serta jarak dari jalan trail merupakan variabel yang berpengaruh pada faktor komponen ketiga (PC3).
Hasil di atas menunjukan bahwa variabel elevasi dan jarak kebun mempunyai hubungan positif yang tinggi terhadap komponen utama pertama. Sedangkan variabel NDVI mempunyai hubungan positif yang tinggi terhadap komponen kedua. Dan terakhir variabel NDMI dan nilai jarak dari sungai dan kemiringan lereng mempunyai hubungan positif yang tinggi terhadap komponen utama ketiga. Dengan demikian besarnya bobot masing-masing variabel sajikan dalam Tabel 8.
Tabel 8 Koefisien tiap variable kesesuaian habitat kirinyuh
No. Variable Nilai Bobot
1. Elevasi (elv) 2,873
2. Jarak Kebun (jkb) 2,873
3. NDVI (NDVI) 2,004
4. NDMI (NDMI) 1,004
5. Jarak jalan taril (jtr) 1,004
5.3.2.2 Kelas Kesesuaian Habitat Kirinyuh
Untuk menentukan indeks kesesuaian habitat kirinyuh digunakan bobot dari tiap variabel yang sudah masuk ke dalam persamaan. Sebelum dilakukan perhitungan kesesuaian habitat terlebih dahulu dilakukan pengkelasan tiap variabel habitat untuk menentukan skor tiap kelas dari variabel tersebut. Setiap kelas dalam satu variabel memiliki nilai yang berbeda satu dengan yang lainnya. Skor dari masing-masing kelas variabel ditentukan oleh banyaknya titik- titik keberadaan dari habitat kirinyuh sebagaimana yang disajikan pada Tabel 9.
75
Tabel 9 Skor variabel/faktor kesesuaian habitat
No. Variabel Kelas Skor
1 Elevasi/Ketinggian 1.000 - 1.500 m dpl 3
1.500 – 2.400 m dpl 2
>2.400 m dpl 1
2 Jarak dari kebun 0 – 1.500 m 3
1.500 – 3.000 m 2 >3.000 m 1 3 NDVI -0,35 – 0,2 1 0,2 – 0,4 2 >0,4 3 4 NDMI -0,261 – 0,1 1 0,1 – 0,2 2 0,2 – 0,3 3
5 Jarak dari jalan trail 0 – 300 m 3
300 – 1.000 m 2
>1.000 m 1
Persamaan model kesesuaian habitat kirinyuh didapat melalui perhitungan terhadap masing-masing variabel yang digunakan sebagai prediktor menggunakan SPSS 19, sehingga didapatkan persamaan sebagai berikut:
Y=(2,873*elv)+( 2,873*jkb)+( 2,004*NDVI)+( 1,004*NDMI)+(1,004*jtr)
Persamaan di atas menunjukkan bahwa elevasi, jarak kebun dan NDVI mempunyai koefisien (bobot) yang paling tinggi diantara variable yang lain, dimana Y adalah Indeks Kesesuaian Habitat dan nilai variabel yang dimasukkan adalah skor dari masing-masing variabel yang terdapat di dalam persamaan tersebut.
77
5.3.3 Validasi Model
Validasi model ditujukan untuk mengetahui tingkat kepercayaan terhadap model yang dibangun. Validasi model dilakukan dengan menguji model menggunakan data validasi sebanyak 48 pasang data yang dioverlaykan ke dalam peta kesesuaian habitat. Nilai validasi klasifikasi kesesuaian habitat kirinyuh dihitung berdasarkan perbandingan jumlah titik pertemuan kirinyuh yang ada pada satu klasifikasi kesesuaian dengan jumlah total titik pertemuan kirinyuh hasil survey.
Hasil validasi terhadap model regresi logistik menunjukkan bahwa 31 titik (64,6%) masuk ke dalam kelas kesesuaian tinggi, 11 titik (22,9%) kelas kesesuaian sedang, sedangkan untuk kelas kesesuaian rendah sebanyak 6 titik (12,5%). Tingginya persentase data yang ditemui pada kelas kesesuaian tinggi menunjukkan bahwa model yang digunakan memiliki validitas yang tinggi pula. Nilai validasi untuk Analisis Komponen Utama menunjukkan 31 titik (64,6%) masuk ke dalam kelas kesesuaian tinggi, 17 titik (35,4%) kelas kesesuaian sedang, sedangkan untuk kelas kesesuaian rendah tidak ditemukan titik kirinyuh (Tabel 10).
Tabel 10 Hasil validasi model keseusaian habitat kirinyuh
No. Kelas
Kesesuaian
Model Berdasarkan Analisis Regresi Logistik
Model Berdasarkan Analisis Komponen Utama Jumlah Titik Kirinyuh Persentase (%) Jumlah Titik Kirinyuh Persentase (%) 1. Tinggi 31 64,6 31 64,6 2. Sedang 11 22,9 17 35,4 3. Rendah 6 12,5 0 0
Model yang dihasilkan ini merupakan model peramalan (predictif model). Walaupun dalam pengertian tertentu sebuah model dianggap tidak realistis, model ini sekurang-kurangnya dapat digunakan untuk mempelajari kesesuaian habitat dan penyebaran kirinyuh di TNGGP. Selain itu, setiap jenis analisis spasial yang digunakan dalam membangun sebuah model memiliki kelebihan dan kekurangan masing-masing sehingga ada kemungkinan asumsi-asumsi yang dibangun dalam membangun sebuah model tersebut salah, tetapi diharapkan model tersebut dapat bermanfaat.
79
Berdasarkan hasil validasi model di atas (Tabel 10), terlihat bahwa model yang dibangun berdasarkan Analisis Regresi Logistik Biner menghasilkan 3 (tiga) kelas kesesuaian habitat kirinyuh yaitu pada kelas tinggi, sedang dan rendah sedangkan pada model yang dibangun berdasarkan Analisis Komponen Utama hanya menghasilkan 2 (dua) kelas kesesuaian yaitu tinggi dan sedang. Jika ditinjau lebih lanjut berdasarkan jumlah titik kirinyuh yang seharusnya tidak berada pada kelas kesesuaian rendah seperti yang ditemukan pada hasil validasi model berdasarkan Analisis Regresi Logistik Biner maka dapat dikatakan bahwa model yang dibangun untuk memprediksi sebaran dan kesesuaian habitat kirinyuh berdasarkan Analisis Komponen Utama adalah model yang lebih sesuai dibandingkan model yang dibangun berdasarkan Analisis Regresi Logistik Biner.