HASIL DAN PEMBAHASAN
5.3 Hubungan Antara Peubah Biomassa dan Peubah Lain
Sebelum pemilihan model terbaik dilakukan pendugaan korelasi dan multikolinearitas pada masing-masing peubah yang digunakan guna melihat hubungan antar variabel yang nantinya akan digunakan pada pembuatan model. Berikut merupakan korelasi antara peubah biomassa dan peubah lain yang ditunjukkan pada Tabel 5.
Tabel 5 Korelasi antara peubah biomassa, backscatter, umur, dan tinggi Peubah bebas Biomassa 50 m
HH 50 m HV 12,5 m HH 12,5 m HH Umur 50 m HH 0,235 50 m HV 0,479 0,895 12,5 m HH 0,375 0,332 0,461 12,5 m HV 0,496 0,117 0,346 0,868 Umur 0,746 0,231 0,490 0,395 0,550 Tinggi 0,782 0,186 0,486 0,642 0,781 0,870
Berdasarkan Tabel 5 dapat diperoleh informasi bahwa peubah backscatter, umur, dan tinggi memiliki korelasi positif dengan biomassa. Peubah backscatter 12,5 meter menunjukkan hubungan yang lebih erat dengan biomassa dibandingkan nilai backscatter pada resolusi 50 meter.
Korelasi yang erat dapat dilihat pada peubah backscatter HH 12,5 meter dengan backscatter HV 12,5 meter dan peubah backscatter HH 50 meter dengan backscatter HV 50 meter serta pada peubah tinggi dengan umur. Korelasi yang erat ini mengindikasikan adanya multikolinearitas.
Multikolinearitas merupakan adanya hubungan yang sangat erat antara satu peubah bebas dengan peubah bebas lainnya dalam satu model regresi. Hal tersebut dapat menyebabkan koefisien regresi tidak stabil (Irawan 2007). Dalam mengetahui adanya multikolinearitas pada suatu persamaan dapat dilihat dari nilai VIF (Variance Inflation Factor) dari peubah yang digunaksn. Nilai VIF yang sangat besar atau (VIF > 5) mempunyai arti bahwa model tersebut mengandung multikolinearitas. Berikut Tabel 6 menunjukkan nilai VIF dari masing-masing peubah bebas yang digunakan.
24
Tabel 6 Nilai VIF dari peubah bebas yang digunakan pada resolusi 50 meter
Variance Inflation Factor (VIF)
Peubah HH HV Umur Tinggi
X1, X2, X3, X4 8,5 10,8 4,2 5,1 X1, X3, X4 1,1 4,2 4,1 X2, X3, X4 1,3 4,2 4,2 X1, X3 1,1 1,1 X2, X3 1,3 1,3 X1,X4 1 1 X2, X4 1,3 1,3
Keterangan : X1 = polarisasi HH, X2 = polarisasi HV, X3 = umur, dan X4 = tinggi
Tabel 7 Nilai VIF dari peubah bebas yang digunakan pada resolusi 12,5 meter Variance Inflation Factor (VIF)
Peubah HH HV Umur Tinggi
X1, X2, X3, X4 4,3 6,3 5,2 9 X1, X3, X4 1,5 4,2 4,4 X2, X3, X4 2,3 4,2 5 X1, X3 1,2 1,2 X2, X3 1,4 1,4 X1,X4 1,7 1,7 X2, X4 2,6 2,6
Keterangan : X1 = polarisasi HH, X2 = polarisasi HV, X3 = umur, dan X4 = tinggi
Berdasarkan data Tabel 6 dan Tabel 7 di atas menunjukkan adanya multikolinearitas pada peubah bebas resolusi 50 meter dan 12,5 meter. Multikolinearitas terdapat pada persamaan yang menggunakan peubah polarisasi HH, polarisasi HV, umur, dan tinggi, baik pada resolusi 50 meter maupun resolusi 12,5 meter berdasarkan nilai VIF > 5. Dari informasi nilai VIF di atas dapat diketahui bahwa adanya peubah HH dan HV atau polarisasi gabungan pada satu persamaan menyebabkan terjadi multikolinearitas. Berdasarkan uji multikolinearitas tersebut, maka salah satu peubah dari polarisasi HH atau HV harus dibuat dalam dua persamaan polarisasi yang berbeda guna menghasilkan koefisien regresi yang stabil.
25
5.3.1 Analisis Regresi Pada Resolusi 50 Meter
Berikut merupakan hasil regresi pendugaan biomassa pada citra resolusi 50 meter yang ditampilkan pada Tabel 8.
Tabel 8 Hasil regresi pada resolusi 50 meter menggunakan peubah backscatter
Polarisasi Model R²adj (%) RMSE
HH Y = 263,057 + 13,071X₁ 2,91 117,39 Y = 228,24 – 1,075X₁² 3,10 117,28 Y = EXP(5,617 + 0,068X₁ ) 2,70 117,52 HV Y = 456,818 + 22,949X₁ 20,80 106,02 Y = 318,267 – 0,917X₁² 21,18 105,77 Y = EXP(6,466 + 0,107X₁ ) 17,64 108,12
Keterangan : Y = biomassa, X1 = backscatter
Pemilihan model terbaik berdasarkan nilai R2adj terbesar dan nilai RMSE paling kecil. R2adj merupakan nilai koefisien determinasi terkoreksi dan RMSE merupakan nilai bias (error) rata-rata dari suatu persamaan. Berdasarkan hasil analisis diperoleh permodelan terbaik pada polarisasi HV dengan model kuadratik dengan nilai koefisien determinasi terkoreksisebesar 21,18 % dan RMSE sebesar 105,77. Dari hasil permodelan menggunakan backscatter resolusi 50 meter, polarisasi HV merupakan nilai polarisasi terbaik sehingga untuk penyusunan model berikutnya hanya menggunakan polarisasi terbaik saja. Selanjutnya ditambahkan peubah umur pada resolusi 50 meter yang ditampilkan pada Tabel 9 berikut.
Tabel 9 Hasil regresi pada resolusi 50 meter menggunakan peubah backscatter dan umur
Polarisasi Model R²adj (%) RMSE
HV
Y = 131 + 7,15X₁ + 7,8X₂ 54,89 80,02
Y = 186 – 0,469X₁² + 0,161X₂² 46,94 86,78 Y = EXP(5,145 + 0,048X₁ + 0,032X₂) 47,13 86,63 Keterangan : Y = biomassa, X1 = backscatter, dan X2 = umur
Berdasarkan Tabel 9 regresi terbaik dengan menggunakan peubah backscatter dan umur pada citra resolusi 50 meter, yaitu Y = 131 + 7,15X₁ + 7,8X₂ dengan koefisien determinasi terkoreksi sebesar 54,89% dan RMSE sebesar 80,02.
26
Tabel 10 berikut merupakan tabel hasil permodelan dengan menggunakan peubah backscatter dan tinggi pohon.
Tabel 10 Hasil regresi pada resolusi 50 meter menggunakan peubah backscatter dan tinggi pohon
Polarisasi Model R²adj (%) RMSE
HV
Y = 44,241 + 6,189X₁ + 11,842X₂ 60,33 75,03 Y = 97,926 – 0,333X₁² + 0,358X₂² 59,30 76,00 Y = EXP(4,332 + 0,044X₁ + 0,071X₂) 58,11 77,12 Keterangan : Y = biomassa, X1 = backscatter, dan X3 = tinggi
Berdasarkan Tabel 10 hasil regresi terbaik citra resolusi 50 meter dengan menggunakan peubah backscatter dan tinggi menggunakan persamaan linier dengan koefisien determinasi terkoreksi 60,33% dan nilai RMSE sebesar 75,03. Kemudian dilakukan analisis regresi terbaik menggunakan peubah backscatter, nilai dan umur untuk pendugaan biomassa yang ditampilkan pada Tabel 11 berikut.
Tabel 11 Hasil regresi pada resolusi 50 meter menggunakan peubah backscatter, umur dan tinggi
Polarisasi Model R²adj (%) RMSE
HV
Y = 41,7 + 5,18X₁ + 2,77X₂ + 8,59X₃ 60,64 74,75 Y = 98,7 – 0,318X₁² + 0.03X₂² + 0,317X₃² 59,73 75,60 Y = EXP (4,306 – 0,039X₁ + 0,005X₂ + 0,064X₃) 58,37 76,86 Keterangan :Y = biomassa, X1 = backscatter, X2 = umur, dan X3 = tinggi
Berdasarkan hasil regresi pada Tabel 11, dapat diketahui bahwa model terbaik untuk menduga biomassa resolusi 50 meter menggunakan persamaan linier dengan koefisien determinasi terkoreksi sebesar 60,64% dan RMSE 74,75 yang berarti bahwa model regresi linier berganda menggunakan peubah backscatter, umur, dan tinggi mampu menjelaskan biomassa atas permukaan dengan alometrik sekitar 60,64%.
Penambahan peubah umur dan tinggi dalam persamaan memberikan penambahan nilai koefisien determinasi terkoreksi pada model yang digunakan. Hal tersebut menandakan bahwa penambahan umur dan tinggi pada permodelan yang dibuat mampu memberikan pendugaan biomassa lebih baik dibandingkan hanya menggunakan peubah backscatter. Pernyataan tersebut dapat dilihat dari
27
penambahan nilai koefisien determinasi terkoreksi dan perubahan nilai RMSE yang semakin kecil.
5.3.2 Analisis Regresi Pada Resolusi 12,5 Meter
Berikut hasil permodelan dalam pendugaan biomassa pada citra resolusi 12,5 meter menggunakan peubah backscatter.
Tabel 12 Hasil regresi pada resolusi 12,5 meter menggunakan peubah backscatter
Polarisasi Model R²adj (%) RMSE
HH Y = 469,955 + 40,526X₁ 11,70 111,95 Y = 324,398 – 2,751X₁² 13,98 110,49 Y = EXP(6,462 + 0,178X₁ ) 7,88 114,35 HV Y = 598,796 + 32,313X₁ 22,50 104,92 Y = 376,226 – 1,142X₁² 23,36 104,29 Y = EXP(7,546 + 0,185X₁ ) 18,77 107,38
Keterangan : Y = biomassa dan X1 = backscatter
Berdasarkan Tabel 12, hasil regresi terbaik menggunakan peubah backscatter, yaitu persamaan kuadratik pada polarisasi HV dengan nilai koefisien determinasi terkoreksi sebesar 23,36% dan RMSE sebesar 104,29. Polarisasi terbaik pada permodelan di atas menggunakan polarisasi HV sehingga untuk penambahan peubah pada permodelan selanjutnya menggunakan polarisasi HV saja. Pada Tabel 13 berikut merupakan hasil permodelan dengan menggunakan peubah backscatter dan umur.
Tabel 13 Hasil regresi pada resolusi 12,5 meter menggunakan peubah backscatter dan umur
Polarisasi Model R²adj (%) RMSE
HV
Y = 341 + 18,6X₁ + 5,49X₂ 62,36 73,09
Y = 263 – 0,672X₁² + 0,123X₂² 57,38 77,78
Y = EXP(7,729 + 0,181X₁ + 0,016X₂) 62,07 73,38 Keterangan : Y = biomassa, X1 = backscatter, dan X2 = umur
Berdasarkan hasil regresi menggunakan peubah backscatter dan umur pada Tabel 13, model terbaik yang dapat digunakan adalah model regresi linier dengan koefisien determinasi terkoreksi sebesar 62,36% dan RMSE sebesar 73,09. Selanjutnya dilakukan penyusunan model dengan menggunakan peubah
28
backscatter dan tinggi pada model regresi resolusi 12,5 meter dengan hasil regresi ditunjukkan pada Tabel 14 berikut.
Tabel 14 Hasil regresi pada resolusi 12,5 meter menggunakan peubah backscatter dan tinggi
Polarisasi Model R²adj (%) RMSE
HV
Y = 219,492 – 14,483X₁ + 9,025X₂ 63,60 71,89 Y = 159,557 – 0,451X₁² + 0,297X₂² 63,45 71,33 Y = EXP(6,139 + 0,136X₁ + 0,044X₂) 65,29 70,18 Keterangan : Y = biomassa, X1 = backscatter, dan X2 = tinggi
Berdasarkan Tabel 14 hasil analisis regresi menggunakan peubah backscatter dan tinggi diperoleh model terbaik, yaitu model regresi eksponensial dengan nilai koefisien determinasi terkoreksi sebesar 65,29% dan RMSE sebesar 70,18. Kemudian dilakukan analisis regresi menggunakan peubah backscatter, umur dan tinggi dengan hasil regresi ditunjukkan pada Tabel 15 berikut.
Tabel 15 Hasil regresi pada resolusi 12,5 meter menggunakan peubah backscatter, umur, dan tinggi
Polarisasi Model R²adj (%) RMSE
HV
Y = 219 + 13,8X₁ + 2,72X₂ + 5,84X₃ 63,96 71,52 Y = 164 – 0,45X₁² + 0,0378X₂² + 0,0243X₃² 63,07 72,40 Y = EXP (3,01 – 0,055X₁ + 0,006X₂ + 0,073X₃) 57,48 77,68 Keterangan : y = biomassa, X1 = backscatter, X2 = umur, dan X3 = tinggi
Pada Tabel 15 diketahui hasil permodelan pendugaan biomassa terbaik dengan peubah backscatter, umur, dan tinggi menggunakan persamaan linier dengan nilai koefisien determinasi terkoreksi sebesar 63,96% dan nilai RMSE sebesar 71,52. Berdasarkan hasil permodelan tersebut menunjukkan bahwa penambahan peubah umur dan tinggi mempengaruhi pendugaan biomassa dalam permodelan dibandingkan hanya menggunakan peubah backscatter saja. Namun data tinggi pohon yang tersedia pada penelitian ini hanya terdapat pada plot-plot pengamatan saja sehingga tidak dapat memberikan informasi keseluruhan data tinggi di wilayah yang diamati. Selain itu, tinggi pohon saat ini hanya dapat dipetakan menggunakan LIDAR (Light Detection and Ranging) sehingga pemilihan model pendugaan biomassa terbaik untuk pemetaan sebaran biomassa pada penelitian ini menggunakan peubah backscatter dengan umur.
29