II. HARMONISASI DATA PROFIL TANAH WARISAN UNTUK PEMETAAN TANAH DIJITAL
2.5 Simpulan dan saran 1 Simpulan
Penelitian ini telah mengumpulkan dan menyatukan data profil tanah dan data penujang yang berserakan ke dalam suatu dataset tanah-lanskap. Berdasarkan hasil dan pembahasan disimpulkan bahwa:
1. Dataset tanah-lanskap telah tersedia yang selanjutnya dapat digunakan untuk pemodelan tanah-lanskap atau tujuan lainnya.
2. Kebanyakan sifat tanah mempunyai keragaman yang tinggi, kecuali untuk pH dan ketebalan horizon A.
3. Keragaman kovariat yang mewakili terain sangat tinggi, kecuali indeks kebasahan dan lebar aliran, yang menandakan bahwa keragaman lokal bisa tertangkap dengan baik oleh kovariat tersebut.
2.5.2 Saran
1. Perlu dikaji dan diuji cara-cara memposisikan ulang profil tanah warisan dengan informasi lokasi yang bersifat deskriptif memanfaatkan kemajuan teknologi dan internet saat ini.
2. Pendekatan pragmatis dapat dipilih sebagai cara alternatif dalam membuat dataset tanah-lanskap untuk pemetaan tanah dijital bagi wilayah-wilayah dengan infrastruktur data spasial yang belum berkembang.
3.1 Pendahuluan
Data tanah dan terain serta sebarannya di suatu lanskap adalah bahan masukan dalam berbagai pemodelan ekologi dan lingkungan, seperti: Century (Parton et al. 1987), WOFOST (Hijmans et al. 1994), dan sebagainya. Karena itu, data ini harus selalu tersedia dalam format yang sesuai dan pada tingkat akurasi yang diinginkan oleh para calon pengguna. Biasanya data tanah ini diperoleh melalui kegiatan survei tanah dan pengambilan contoh tanah di lapangan serta analisis contoh tanah itu di laboratorium tanah. Cara ini pada kenyataannya menyita waktu yang lama dan tenaga yang banyak sehingga menjadi mahal (Cole & Boettinger 2007; Bui 2007; Grundwald 2010).
Pendekatan dan teknik penyediaan data tanah yang lebih cepat dan murah menjadi perhatian beberapa ahli tanah satu dekade terakhir ini. Salah satunya adalah pemetaan tanah dijital yang banyak dikaji karena dapat menyediakan informasi tanah dan sebarannya secara kuantitatif (Lagacherie & McBratney 2007). Pada dasarnya pendekatan ini adalah operasionalisasi berbasis komputer dari ide menaksir penyebaran sifat tanah dalam suatu lanskap (Bui 2007). Teknik ini juga merevitalisasi data yang ada dan mengadopsi berbagai teknik pemodelan tanah-lanskap. Tinjauan tentang pendekatan ini dikemukakan oleh beberapa peneliti antara lain oleh McBratney et al. (2003), Lagacherie (2008), Minasny et al. (2008), dan Grundwald (2010).
Model tanah-lanskap adalah suatu model yang menghubungkan parameter lanskap dengan sifat tanah atau tipe tanah. Model ini direpresentasikan sebagai persamaan matematika, rule jika…maka, atau pohon keputusan (decision tree). Parameter lanskap, yang disebut juga kovariat, adalah peubah lingkungan yang mewakili faktor-faktor pembentuk tanah (Jenny 1941), yakni: iklim, bahan induk, relief, organisma, dan waktu. Model ini telah banyak dikembangkan terutama di daerah temperate, seperti: Amerika Serikat, Australia, Perancis, dan Jerman (lihat
McBratney et al. 2003). Teknik pemodelan yang digunakan beragam mulai dari teknik pemodelan linear (linear modelling), pemodelan generalisasi aditif (generalized additive modelling), pemodelan generalisasi linear (generalised
linear modelling), pemodelan klasifikasi dan regresi pohon (classification dan regressien tree modelling) hingga pemodelan jaringan syaraf tiruan (artificial neural network modelling). Di Indonesia, pemodelan tanah-lanskap masih jarang dilakukan karena pengkajian ini memerlukan data tanah yang banyak yang terorganisasi dengan baik.
Dari kelima faktor pembentuk tanah Jenny (1941), faktor relief sering digunakan dalam pemodelan tanah-lanskap. Dari kompilasi McBratney et al.
(2003) tentang artikel pemodelan tanah-lanskap, sebanyak 57 artikel dari 67 artikel yang terdaftar menggunakan faktor relief sebagai peubah penaksir. Ini dimungkinkan karena relief lebih mudah diparameterisasi dibandingkan faktor pembentuk tanah lainnya. Keberadaan SRTM DEM yang murah dan meliputi seluruh wilayah teresterial mendorong relief digunakan sebagai penaksir utama keragaman sifat tanah di suatu hamparan lahan.
Penelitian ini bertujuan untuk: (i) mengidentifikasi peubah-peubah lingkungan yang dapat digunakan untuk menaksir sifat tanah, (ii) mengembangkan model tanah-lanskap dari data tanah warisan (legacy soil data) dari Pulau Jawa, (iii) menguji daya taksir model yang dikembangkan dengan teknik validasi silang (cross validation). Calon penaksir adalah 21 parameter relief yang diturunkan dari DEM dan respon adalah 12 sifat tanah yang penting untuk pengelolaan lahan dan lingkungan. Ketigapuluh model regresi tanah-lanskap yang dihasilkan merupakan acuan model (benchmark) untuk pengembangan model serupa di daerah tropika, khususnya Indonesia. Model yang dihasilkan juga dapat mendukung berbagai aplikasi dan penelitian berbasis tanah di Indonesia.
3.2 Bahan dan Metode
3.2.1 Penyiapan Dataset
Dataset tanah-lanskap yang digunakan diekstrak dari dataset hasil penelitian sebelumnya di Pulau Jawa, seperti disajikan pada Bab II. Dari 301 dataset tanah tersebut, sebanyak 224 digunakan sebagai training dataset untuk membuat model dan sisanya, 77 dataset, digunakan sebagai testing dataset untuk menguji model. Sebaran spasial lokasi profil tanah tersebut disajikan pada Gambar 3-1.
Gambar 3-1 Sebaran spasial profil tanah untuk pemodelan
Sifat tanah yang dijadikan sebagai respon dalam pemodelan meliputi: kedalaman tanah (Soildepth), ketebalan horizon A (Athick), kedalaman horizon B (DepthtoB), persentase fraksi pasir (Sand), persentase fraksi klei (Clay), kadar bahan organik tanah (SOM), kadar karbon organik tanah (SOC), Nitrogen total (Ntot), pH, retensi P (RetP), kejenuhan basa (BS), dan kapasitas tukar kation (CEC). Sementara itu, kovariat yang digunakan sebagai penaksir adalah kovariat yang merupakan parameterisasi dari faktor relief (lihat Tabel 2-3).
Secara umum sifat tanah (S) ini ditaksir oleh model regresi dengan rumus umum:
Si = f(X1, X2,...Xn) + e
dimana S
i
i = sifat tanah jenis ke-i, X=kovariat yang mewakili relief, n=jumlah
kovariat, dan e = galat.
3.2.3 Pembuatan, pengujian, dan validasi model Pembuatan model
Model tanah-lanskap dibuat menggunakan pendekatan stepwise regression.
Stepwise regression adalah suatu pendekatan memilih subset penaksir yang berpengaruh pada model regresi (SAS Instititute Inc. 2010). Teknik ini digunakan ketika sedikit teori tersedia yang dapat membimbing pemilihan penaksir suatu sifat tanah tertentu. Teknik ini cocok dengan penelitian ini karena selama ini belum diketahui kovariat mana dari banyak kovariat yang mewakili relief yang mempengaruhi sifat tanah.
Seleksi peubah penaksir menggunakan teknik forward stepwise, dengan peluang masuk (probability to enter) sebesar 0.25 dan peluang keluar (probability to leave) sebesar 0.10 (Bendel & Afifi 1977). Peluang masuk 0.25 merupakan p- value (taraf uji) maksimum suatu kovariat harus dimasukan ke model selama tahap maju (forward step). Jadi, kovariat yang memiliki p-value lebih dari 0.25 saat tahap maju tidak akan dimasukan ke dalam model. Sementara itu, peluang keluar 0.10 adalah taraf uji maksimum suatu kovariat harus dikeluarkan dari model pada saat tahap mundur (backward step). Jadi, kovariat yang mempunyai
p-value lebih dari 0.1 saat tahap mundur akan dikeluarkan dari model. Tahap maju dan mundur ini dilakukan sehingga diperoleh galat paling minimum. Pemodelan dibantu oleh perangkat lunak statistik JMP 9 (SAS Institute Inc. 2010).
Pengujian model
Kehandalan model dievaluasi berdasarkan indikator nilai koefisien determinan (R2) yang dihitung menurut rumus berikut (Pasaribu 1983):
∑ − ∑ − − = n Y Yi n i Y Yi R 1 2 1 2 2 ) ( ) ' ( 1
dimana: adalah nilai pengamatan sifat tanah contoh ke- i, adalah nilai taksiran sifat tanah contoh ke-i, adalah rata-rata sifat tanah dari contoh yang diamati. Nilai R2 jika dikalikan 100 mengindikasikani proporsi keragaman nilai respon yang dapat dijelaskan oleh model. Contohnya, nilai R2
Analisis ragam model dengan uji F dilakukan untuk melihat kontribusi model terhadap keragaman respon sedangkan analisis lack of fit (LOF) untuk mengetahui keragaman galat dari model. Model memuaskan (karena nyata menjelaskan keragaman nilai taksiran) jika uji F nyata dan uji LOF tidak nyata pada taraf uji 0.05.
= 0.20 mengindikasikan bahwa model dapat menjelaskan 20% dari keragaman nilai respon.
Evaluasi andil penaksir
Evaluasi andil kovariat terhadap keragaman nilai taksiran dilakukan menggunakan nilai t-ratio selanjutnya disebut nilai T, yang dihitung menurut rumus berikut (SAS Institute Inc. 2010) :
SE b T =
dimana: b adalah koefisien dari kovariat penaksir dalam model dan SE adalah
standard error dari koefisien tersebut. Nilai T ini adalah suatu uji koefisien kovariat apakah sama dengan nol atau tidak sama dengan nol. Umumnya, pada pemodelan dicari nilai T lebih dari 2 yang biasanya berhubungan dengan probabilitas (p-value) kurang dari 0.05. Dalam penelitian ini, nilai T digunakan untuk menilai andil suatu kovariat terhadap keragaman nilai taksiran. Dengan demikian, kovariat dapat diurutkan berdasarkan tingkat pengaruhnya terhadap keragaman nilai taksiran.
Validasi model
Pada tahapan validasi model, model digunakan untuk menaksir sifat tanah dari testing dataset. Berdasarkan nilai hasil taksiran dan nilai sebenarnya kemudian dihitung mean absolute error (MAE) dan mean of observed and predicted ratio (MPOR) menggunakan rumus seperti berikut:
n Yoi Ypi MAE n
∑
− = 1 | | n Yoi Ypi MPOR n ) ( 1∑
=dimana: Yoi adalah nilai pengamatan sifat tanah contoh ke-i, Ypi adalah nilai taksiran sifat tanah contoh ke-i, dan n=jumlah contoh untuk validasi.
Nilai MAE digunakan untuk membandingkan daya taksir suatu sifat tanah yang sama pada kedalaman yang berbeda. Sementara itu, nilai MPOR akan digunakan untuk membandingkan daya taksir model setiap sifat tanah.
Untuk keperluan interpretasi dan memperhatikan akurasi pemetaan teknik pemetaan tanah konvensional dan dijital seperti diuraikan sebelumnya, daya taksir
model diharkatkan berdasarkan nilai MPOR. Daya taksir model dibedakan atas 2 grup utama, yakni daya taksir baik dan daya taksir buruk. Daya taksir baik dibedakan lagi atas 3 kategori, yaitu:
Daya taksir tinggi : nilai taksiran kurang 15% di atas atau di bawah nilai sebenarnya, ekuivalen dengan 0.85<MPOR< 1.15.
Daya taksir sedang : nilai taksiran 15-25% di atas atau di bawah nilai sebenarnya, ekuivalen dengan 1.15≤MPOR<1.25 atau 0.75<MPOR≤0.85.
Daya taksir rendah : nilai taksiran 25-40% di atas atau di bawah nilai sebenarnya, ekuivalen dengan 1.25≤MPOR≤1.40 atau 0.60≤MPOR≤ 0.75.
Sementara itu, model berdaya taksir buruk jika nilai taksiran berada lebih dari 40% di atas atau di bawah nilai sebenarnya, yang ekuivalen dengan nilai MPOR lebih dari 1.40 atau kurang dari 0.60.
3.3 Hasil
3.3.1 Dataset sifat tanah
Tabel 3-1 menyajikan ringkasan statistik dari dataset yang digunakan untuk menurunkan model. Jumlah profil tanah nampak tidak sama karena sifat kimia yang dianalisis dipilih sesuai dengan tujuan dari kegiatan survei. Jumlah data retensi P paling rendah karena sifat tanah ini jarang dianalisis. Ini merupakan ciri khas dari data warisan yang merupakan hasil kompilasi dari data profil terdahulu.
Jika dibandingkan antar kedalaman pada sifat tanah yang sama, keragaman lapisan atas (0-30 cm) lebih rendah daripada lapisan di bawahnya untuk bahan organik, karbon organik, nitrogen total, kejenuhan basa, retensi P dan kapasitas tukar kation. Di lain pihak, keragaman lapisan atas lebih tinggi daripada lapisan bawah seperti ditunjukan oleh fraksi klei, fraksi pasir, dan pH. Ini akan berimplikasi pada keragaan model untuk menaksir sifat tanah pada kedalaman tersebut.
Tabel 3-1 Ringkasan statistik beberapa sifat tanah dari training dataset di Jawa
Sifat tanah
Jumlah
Profil Rata-rata median
Mini- mum Maksi- mum Simp. baku CV(%)* Soildepth (cm) 223 103.48 110.00 11.00 200.00 46.03 45 Athick (cm) 223 17.67 17.00 6.00 31.00 4.94 28 DepthtoB (cm) 199 21.40 18.00 7.00 55.00 9.32 44 Sand0-30 (%) 223 18.76 12.00 0.00 97.00 20.09 107 Sand30-50 (%) 207 17.27 10.00 0.00 95.00 18.68 108 Sand50-100 (%) 194 19.80 11.50 0.00 90.00 21.11 106 Clay0-30 (%) 223 54.82 60.00 2.00 90.00 20.63 38 Clay30-50 (%) 208 56.53 58.00 2.00 90.00 20.51 36 Clay50-100 (%) 190 55.75 58.00 3.00 91.00 20.61 37 SOM0-30 (%) 224 2.23 1.79 0.39 14.67 1.87 84 SOM 30-50 (%) 222 1.38 1.03 0.08 15.03 1.50 109 SOM 50-100 (%) 215 0.97 0.80 0.12 11.01 0.99 102 SOC0-30 (%) 224 1.29 1.04 0.23 8.51 1.08 84 SOC30-50 (%) 222 0.80 0.60 0.05 8.72 0.87 109 SOC50-100 (%) 215 0.56 0.46 0.07 6.39 0.58 102 Ntot0-30 (%) 224 0.13 0.11 0.03 0.65 0.09 70 Ntot30-50 (%) 207 0.09 0.07 0.02 0.75 0.08 85 Ntot50-100 (%) 182 0.07 0.06 0.01 0.32 0.05 67 pH0-30 207 6.00 5.80 0.70 8.30 1.06 18 pH30-50 185 6.10 6.00 4.60 8.30 0.97 16 pH50-100 172 6.17 6.10 4.50 8.40 0.99 16 RetP0-30 (%) 25 43.28 42.60 5.70 86.20 20.34 47 RetP30-50 (%) 21 39.75 41.40 0.60 83.40 23.23 58 RetP50-100 (%) 16 39.53 38.20 1.00 87.80 25.78 65 BS0-30 (%) 200 72.57 79.00 2.00 162.00 27.53 38 BS30-50 (%) 180 71.37 79.50 1.00 118.00 29.65 42 BS50-100 (%) 169 73.20 84.00 1.00 122.00 29.58 40 CEC0-30 (cmol/kg) 204 32.47 31.50 3.00 100.00 16.22 50 CEC30-50 (cmol/kg) 186 32.47 31.00 5.00 98.00 16.67 51 CEC50-100 (cmol/kg) 167 31.41 30,00 6.00 95.00 16.36 52
*CV=koefisien keragaman; rendah jika CV <15 %, sedang jika 15%<CV<35%, dan tinggi jika CV >35% (Wilding dan Dress, 1983)
Tabel 3-2 menunjukan ringkasan statistik dari dataset yang digunakan untuk menguji daya taksir model. Jumlah profil retensi P sangat sedikit yaitu 2 hingga 7 data sehingga model retensi tidak bisa diuji daya taksirnya. Jumlah penguji yang sedikit menyebabkan pola data tidak bisa diketahui. Jumlah data yang disukai minimal 30 data dan menyebar merata di lanskap.
Tabel 3-2 Ringkasan statistik beberapa sifat tanah dari testing dataset di Jawa
Sifat tanah
Jumlah
Profil Rata-rata median
Mini- mum Maksi- mum Simp. baku CV(%)* Soildepth (cm) 76 100.53 100.00 14.00 190.00 46.48 46 Athick (cm) 76 17.52 17.50 10.00 30.00 4.05 23 DepthtoB (cm) 70 22.64 20.00 10.00 50.00 9.56 42 Sand0-30 (%) 76 16.43 10.00 1.00 72.00 16.46 100 Sand30-50 (%) 71 14.23 9.00 0.00 55.00 13.93 98 Sand50-100 (%) 65 16.67 10.00 1.00 73.00 16.46 99 Clay0-30 (%) 76 56.03 58.00 7.00 88.00 19.74 35 Clay30-50 (%) 72 59.71 61.50 18.00 91.00 18.64 31 Clay50-100 (%) 65 57.45 60.00 15.00 95.00 19.61 34 SOM0-30 (%) 76 2.24 1.71 0.58 19.67 2.46 110 SOM 30-50 (%) 73 1.34 1.09 0.28 8.07 1.19 89 SOM 50-100 (%) 68 1.09 0.79 0.26 11.83 1.49 137 SOC0-30 (%) 76 1.29 0.99 0.33 11.41 1.43 111 SOC30-50 (%) 73 0.78 0.63 0.16 4.68 0.69 88 SOC50-100 (%) 68 0.64 0.46 0.15 6.86 0.86 134 Ntot0-30 (%) 76 0.12 0.10 0.03 0.88 0.09 75 Ntot30-50 (%) 70 0.08 0.07 0.03 0.34 0.05 63 Ntot50-100 (%) 63 0.06 0.06 0.02 0.22 0.04 67 pH0-30 68 6.07 5.80 4.40 8.30 1.05 17 pH30-50 63 6.18 6.10 4.50 8.40 1.05 17 pH50-100 55 6.17 6.00 4.10 8.40 1.09 18 RetP0-30 (%) 7 46.31 44.90 19.30 75.30 19.28 42 RetP30-50 (%) 5 35.46 39.80 13.90 55.90 16.62 47 RetP50-100 (%) 2 21.95 21.95 16.50 27.40 7.08 32 BS0-30 (%) 62 71.63 78.00 1.00 102.00 27.20 38 BS30-50 (%) 58 71.19 82.00 1.00 155.00 31.94 45 BS50-100 (%) 52 72.54 82.00 1.00 144.00 32.59 45 CEC0-30 (cmol/kg) 63 33.19 32.00 5.00 101.00 17.54 53 CEC30-50 (cmol/kg) 60 32.83 32.00 5.00 97.00 17.21 52 CEC50-100 (cmol/kg) 56 31.96 32.00 5.00 78.00 16.22 51
*CV=koefisien keragaman; rendah jika CV <15 %, sedang jika 15%<CV<35%, dan tinggi jika CV >35% (Wilding dan Dress, 1983)
Untuk dataset ini, keragaman sifat tanah umumnya tergolong tinggi, kecuali pH, ketebalan horizon A, dan fraksi klei yang tergolong sedang. Sementara itu, keragaman vertikal mirip dengan dengan keragaman vertikal pada training dataset. Keragaman lapisan olah (0-30 cm) yang lebih rendah daripada lapisan bawah ditunjukan oleh bahan organik, karbon organik, pH, dan kejenuhan basa. Sementara itu, keragaman lapisan olah (0-30 cm) yang lebih tinggi daripada
lapisan bawah ditunjukan oleh fraksi pasir, fraksi klei, nitrogen total, dan kapasitas tukar kation. Jadi, pola keragaman dari training dataset dan testing dataset secara umum sama.
Tabel 3-3 menyajikan ringkasan statistik kovariat untuk pembuatan model. Nilai kovariat ini merupakan hasil pengolahan di SAGA GIS. Keragaman dari kovariat ini tergolong tinggi, kecuali lebar aliran (FW) yang tergolong rendah dan indeks kebasahan (WI) yang tergolong sedang. Semakin tinggi keragaman, semakin bersifat lokal kovariat tersebut. Artinya, kovariat itu dapat menangkap keragaman lokal dengan baik.
Tabel 3-3 Ringkasan statistik kovariat dari training dataset
Kode Kovariat* Jumlah grid Rata- rata median Mini mum Maksi mum Simp. baku CV(%)** ZC (m dps) 224 29.3 9.2 0.0 428.8 57.2 196 WI 224 18.4 18.4 10.3 24.9 4.1 22 TPI 220 1.7 0.0 -27.0 49.0 9.1 536 SP 224 6.5E+03 1.3E+03 8.1E+00 2.2E+05 2.1E+04 320 SL (m) 224 194.2 90.0 0.0 2194.6 334.2 172 SG (deg) 224 2.1 0.3 0.0 27.7 4.4 215 MRVBF 224 4.4 4.9 0.0 8.9 2.8 64 MRRTF 224 4.1 3.59 0.0 8.9 3.4 83 MCA (m2) 224 1.2E+08 5.6E+06 1.4E+04 1.2E+09 2.0E+08 180 LSF 224 26.3 9.1 0.0 248.7 40.2 153 KP (rad/m) 224 2,2E-05 0.0 -3,6E-03 2,4E-03 6,1E-04 2761 KC (rad/m) 224 5,6E-05 0.0 -1,9E-03 2,9E-03 5,2E-04 941 FW (m) 224 114.4 117.6 90.0 127.3 11.1 10 FPL (m) 224 951.4 649.3 0.0 6834.7 991.9 104 FA (m2) 224 9.3E+04 4.9E+04 8.1E+03 7.8E+05 1.3E+05 130 Elev (m dpl) 224 202.7 96.7 -0.9 1443.2 254.3 126 CU (rad/m) 224 7,7E-05 0.0 -4,5E-03 4,73E-03 9,7E-04 1248 CS (rad) 224 0.1 0.1 0.0 0.4 0.1 109 CI 224 2.5 0.1 -57.4 76.0 26.2 1057 CA (m2) 224 8.6E+05 2.7E+04 8.1E+03 1.3E+08 8.7E+06 1000 AZ (deg) 224 180.2 180.51 3.5 360.0 116.6 65 *) lihat daftar singkatan untuk penjelasan kode kovariat
**) CV=koefisien keragaman; rendah jika CV <15 %, sedang jika 15%<CV<35%, dan tinggi jika CV >35% (Wilding dan Dress, 1983)
3.3.2 Model regresi tanah lanskap
Tabel 3-4 menyajikan model regresi tanah-lanskap. Sebanyak 10 model penaksir menunjukan jumlah penaksir yang paling sedikit, yakni: Sand0-30,
Sand30-50, Sand50-100, BS30-50, SOM30-50, SOC30-50, pH0-30, pH30-50, pH50-100
Tabel 3-4 menunjukan bahwa nilai probabilitas dari analisis sidik ragam (anova) kurang dari 0.05. Ini menunjukan bahwa model tersebut secara nyata menjelaskan keragaman dari nilai taksiran. Dilihat dari uji ketidaktepatan (LOF), model umumnya tidak tepat secara tidak nyata. Berdasarkan kedua indikator ini, semua model tergolong memuaskan kecuali model penaksir retensi P.
dan RetP30-50. Ini mengindikasikan bahwa faktor lingkungan pada masing-masing model tersebut predominan mempengaruhi keragaman nilai sifat tanah dan bahwa model tersebut paling efisien karena menggunakan penaksir sedikit.
Model penaksir retensi P ini menarik karena meskipun nilai R2 yang lebih tinggi dibandingkan model lainnya, model penaksir P ini tidak memuaskan karena tidak nyata menerangkan keragaman dari sifat tanah yang ditaksir. Ini menyiratkan bahwa kecukupan model tidak selamanya bisa diukur dengan nilai R2
Nilai R .
2
dari model-model pada penelitian ini sama dengan nilai R2
model dari penelitian lain (misalnya Tsai et al. 2001). Menurut Beckett dan Webster (1971), nilai R2 yang lebih besar dari 0.7 tidak biasa pada kebanyakan model spasial, tetapi nilai R2
3.3.3 Andil kovariat pada keragaman nilai sifat tanah
sebesar 0.5 atau kurang dari 0.5 umum diperoleh dalam model spasial. Dengan demikian, hasil ini mendukung pendapat tersebut.
Teknik regresi dapat mendeteksi arti penting setiap penaksir terhadap keragaman sifat tanah. Nilai mutlak dari t ratio (nilai T), yaitu rasio antara koefisien regresi penaksir dengan galat bakunya adalah indikator untuk perbandingan andil tersebut. Biasanya nilai T merupakan statistik untuk menguji apakah koefisien regresi berbeda dengan nol atau tidak. Jika tidak nyata pada taraf uji tertentu maka koefisien regresinya sama dengan nol yang berarti bahwa penaksir tersebut tidak berkontribusi secara nyata pada keragaman nilai taksiran. Nilai T yang tinggi mengindikasikan bahwa nilai koefisien regresi penaksir lebih tinggi daripada galatnya.
Tabel 3-4 Model regresi tanah-lanskap untuk menaksir sifat tanah di Jawa
Response Model R2 N p- value
Anova LOF Soildepth 112.18-0.000245 SP + 0.012 SL-1.585 MRRTF-3.531CS +0.353CI 0.08 223 0.0043 0.89 Athick 9.03 + 0.252MRVBF + 0.069FW +0.0031Elev -12.906CS 0.08 223 0.001 0.34 DepthtoB 20.33 -0.048ZC + 0.420SG-0.262MRRTF+ 0.0076Elev +0.0000000097MCA 0.10 199 0.001 0.19 Clay0-30 68.59-1.310MRVBF-0.000018FA -0.0129Elev-49.474CS 0.10 223 0.0001 0.59
Clay30-50 70.01-1.355MRVBF-0.000019FA-0.0157Elev-37.37CS 0.10 208 0.0003 0.48 Clay50-100 70.46-1.540 MRVBF+0.143LSF-6209.73KP+3978.70KC -0.000033FA-122.045CS 0.13 190 0.0003 0.48 Sand0-30 4.59+1.453MRVBF+0.000023FA+76.457CS 0.12 223 <.0001 0.47 Sand30-50 38.33-1.575WI+1.213MRVBF+0.000029FA 0.14 207 <.0001 0.40 Sand50-100 11.04+0.00027SP+1.106MRRTF+0.00003FA 0.12 194 <.0001 0.33 BS0-30 52.91+2.639MRVBF+2.938MRRTF-0.0382Elev + 40.285CS 0.40 200 <.0001 0.35 BS30-50 56.41+2.184MRVBF+3.036MRRT-0.0358Elev 0.36 180 <.0001 0.14 BS50-100 56.34+1.0897SG+2.651MRVBF+3.268MRRTF-0.056Elev 0.41 169 <.0001 0.22 CEC0-30 37.20-0.797MRVBF+0.000000021MCA-0.0082Elev -0.0119AZ 0.10 204 0.0005 0.21 CEC30-50 63.68-0.00041SP-0.780MRVBF+0.000000021MCA -5916.06KC-0.224FW-0.013AZ 0.14 186 <.0001 0.27 CEC50-100 62.70-0.00041SP-0.812MRVBF+0.00000002MCA -4171.28KC-0.222FW-0.015AZ 0.14 167 0.0006 n.d. SOM0-30 2.3 -0.126MRRTF+0.0000015FA+0.0034Elev-5.172CS 0.17 224 <.0001 0.39 SOM30-50 1.42-0.074MRRTF+0.003Elev-4.829CS 0.17 222 <.0001 0.92 SOM50-100 0.89-0.042MRRTF-0.0065LSF+0.002Elev 0.19 215 <.0001 0.53 SOC0-30 1.34-0.073MRRTF+0.00000087FA+0.0019Elev-3.001CS 0.17 224 <.0001 0.39 SOC30-50 0.82-0.043MRRTF+0.0018Elev-2.800CS 0.17 222 <.0001 0.92 SOC50-100 0.30-0.0024ZC+0.0532MRVBF-0.0507MRRTF +0.00149Elev 0.20 215 <.0001 0.54 Ntot0-30 0.23-0.00027ZC-0.0079MRRTF+24.175KC -0.0009FW+0.00000013FA+0.0002Elev-0.238CS 0.28 224 <.0001 0.48 Ntot30-50 0.17-0.00032ZC+0.005MRVBF-0.0069MRRTF -0.00084FW+0.00022Elev-0.1907CS 0.24 207 <.0001 0.96 Ntot50-100 0.07-0.0011TPI+0.0039MRVBF-0.0067MRRTF +20.795KC+0.00012Elev-0.1514CS 0.27 181 <.0001 n.d. pH0-30 5.68+0.111MRRTF-0.00068Elev-0.0053CI 0.15 207 <.0001 0.38 pH30-50 5.77+0.00027SL+0.097MRRTF-0.001Elev+1.4106CS 0.15 185 <.0001 n.d pH50-100 5.94+0.089MRRTF-0.0014Elev+2.1910CS 0.14 172 <.0001 n.d Pret0-30 56.54-0.0009SP-55.719SG-16361.158KC 0.38 25 0.0163 n.d Pret30-50 -0.55-0.0013SP+6.276MRRTF-0.5577CI 0.24 21 0.1903 n.d Pret50-100 -25.49-0.0017SP+8.601MRRTF+0.0108FPL-1.0951CI 0.71 16 0.0053 n.d
Tabel 3-5 menyajikan nilai T untuk kovariat penaksir. Elevasi merupakan penaksir paling penting untuk kadar bahan organik tanah pada kedalaman 0-30 cm karena nilai T-nya paling besar (5.65) dibandingkan nilai T penaksir lainnya. Penaksir berikutnya adalah MRRTF, kemudian kemiringan rata-rata catchment (CS) dan akumulasi aliran (FA). Jadi, berdasarkan andilnya terhadap keragaman bahan organik tanah pada 0-30 cm, Elev > MRRTF > CS > FA.
Elevasi merupakan penaksir paling penting untuk ketiga sifat tanah yaitu bahan organik tanah, karbon organik tanah dan total nitrogen. Elevasi di Pulau Jawa berkaitan erat dengan iklim mikro. Iklim mikro ini (temperatur dan kelembaban) mempengaruhi dinamika populasi mikroba. Mikroba ini berperan dalam menentukan laju dekomposisi bahan organik yang pada akhirnya akan mempengaruhi status bahan organik di dalam tanah.
Nilai T juga mengindikasikan frekuensi penaksir dalam pemodelan sifat tanah. Elevasi, MRRTF, CS, dan MRVBF adalah penaksir yang paling sering digunakan (digunakan untuk menaksir oleh 15-20 sifat tanah) dalam penelitian ini. Iklim mikro yang diwakili elevasi, tipe permukaan geomorfik (permukaan erosi atau permukaan deposisi) yang diwakili MRRTF dan MRVBF, serta kemiringan rata-rata catchment merupakan faktor pengendali keragaman sifat tanah tropika. Ketiga komponen ini nampaknya mengendalikan keseimbangan pedogenesis di Pulau Jawa.
Selain itu, akumulasi aliran (FA), kekuatan arus (SP), contour curvature
(KC) dan lebar aliran (FW) digunakan oleh 5 sampai 10 model. Kelima kovariat ini mengkarakterisasi intensitas erosi tanah. Erosi merupakan faktor yang menentukan tingkat stabilitas perkembangan tanah, yang dipengaruhi dan dikondisikan oleh elevasi, indeks multiresolusi kerataan igir (MRRTF), kemiringan catchment rataan (CS), dan multiresolusi indeks kerataan lembah (MRVBF).
Tabel 3-5 Keragaman nilai T sebagai ukuran arti penting penaksir terhadap keragaman nilai taksiran
Respon SP* SL MRRTF MRVBF CS CI FW FPL FA Elev ZC SG MCA LSF KP KC AZ TPI WI Soildepth 1.64 1.21 1.76 1.36 2.75 Athick 1.95 2.43 2.35 1.86 DepthtoB 1.08 2.2 2.52 1.87 2.79 Clay0-30 2.45 2.26 1.72 1.87 Clay30-50 2.45 1.65 1.65 2.24 Clay50-100 2.69 2.99 2.76 1.85 2.32 1.23 Sand0-30 2.91 4.32 2.22 Sand30-50 2.57 2.93 4.82 Sand50-10 3.25 2.55 2.60 BS0-30 4.81 3.31 1.59 4.31 BS30-50 4.22 2.37 4.19 BS50-100 3.99 2.84 5.44 1.92 CEC0-30 1.78 1.64 3.53 1.25 CEC30-50 2.68 1.71 2.13 3.44 2.36 1.29 CEC50-100 2.63 1.73 1.99 3.26 1.65 1.40 SOM0-30 3.60 2.74 1.60 5.65 SOM30-50 2.60 3.18 6.37 SOM50-10 2.23 6.81 3.4 SOC0-30 3.60 2.74 1.60 5.65 SOC30-50 2.60 3.18 6.37 SOC50-100 3.62 2.94 6.93 2.86 Ntot0-30 5.00 2.69 1.95 2.82 7.00 2.15 2.23 Ntot30-50 3.67 2.05 2.31 1.90 7.31 2.74 Ntot50-100 5.58 2.47 3.00 6.37 2.77 2.31 pH0-30 5.26 2.03 2.47 pH30-50 1.39 4.64 1.30 3.13 pH50-100 3.97 1.97 3.93 P ret0-30 1.64 3.09 2.14 P ret30-50 1.27 2.22 1.56 P ret50-100 1.94 3.62 3.09 3.00 Jumlah 8 1 20 15 16 4 5 1 9 20 4 3 4 2 1 6 2 1 1
*) Lihat daftar singkatan untuk penjelasan kode kovariat.
3.3.4 Validasi model
Pengujian model dilakukan untuk mengetahui galat taksiran dari model, sehingga daya taksir model bisa diketahui. Pengujian dilakukan dengan mengunakan model untuk menaksir suatu sifat tanah tertentu, kemudian membandingkan nilai hasil taksiran dengan nilai sebenarnya. Galat adalah istilah untuk menunjukan selisih antara kedua nilai tersebut. Pada penelitian ini validasi dilakukan menggunakan validasi silang (cross validation) yaitu menggunakan sebagian dataset sebagai dataset penguji yang dipilih secara acak dari total dataset. Cara ini sering dilakukan dalam pemodelan tanah-lanskap karena pengadaan dataset baru memerlukan biaya yang relatif besar (Bishop & Minasny 2006).
Tabel 3-6 menyajikan keragaan daya taksir model sebagai hasil validasi silang. Validasi tidak bisa dilakukan untuk model penaksir retensi P karena contoh yang sedikit yakni < 7 contoh (Tabel 3-2). Berdasarkan nilai MPOR, model regresi dengan daya taksir tergolong buruk ditunjukan oleh model penaksir fraksi pasir untuk semua kedalaman, dan model penaksir kejenuhan basa pada kedalaman 30-100 cm.
Sebaliknya, model regresi lainnya berdaya taksir tergolong baik. Pada golongan ini, model dapat dibedakan lagi atas daya taksir yang tinggi, sedang dan rendah. Daya taksir yang tinggi ditunjukan oleh model penaksir pH di semua kedalaman, model penaksir kedalaman horizon A, model penaksir kedalaman horizon B, dan model penaksir fraksi klei pada 30-50 cm.
3.4 Pembahasan
Hasil validasi mengindikasikan bahwa sifat tanah dapat ditaksir menggunakan model dengan penaksir berupa aneka parameter topografi. Nilai taksiran dan peta taksiran ini merupakan informasi awal yang berharga sebelum pengecekan lapangan dan pengambilan contoh dilakukan.
Model-model ini dapat membantu dalam pembuatan peta sifat-sifat tanah yang bersifat kontinyu. Saat ini sifat-sifat tanah disajikan dalam bentuk kategorik rendah, sedang atau tinggi atau dalam bentuk angka kisaran. Penyajian sifat tanah secara kontinyu lebih menguntungkan terutama bagi pemodelan lingkungan yang menghendaki data kuantitatif. Keperluan data sifat tanah kuantitatif ini
diperkirakan akan semakin meningkat di masa mendatang. Pada saat itu, berbagai aplikasi sistem pakar dan berbagai sistem penunjang pengambilan keputusan akan banyak dikembangkan khususnya di bidang ekologi, lingkungan dan pertanian. Penelitian inovatif untuk memperoleh kovariat baru dan eksplorasi teknik pemodelan juga akan semakin diperlukan di masa yang akan datang.
Tabel 3-6 Keragaan daya taksir model
Respon Satuan Jumlah contoh MAE MPOR Kelas daya taksir
Soildepth cm 76 40.1 1.38 rendah Athick cm 76 3.5 1.07 tinggi DepthtoB cm 70 7.6 1.07 tinggi Clay0-30 % 76 17.2 1.26 rendah Clay30-50 % 72 16.4 1.07 tinggi Clay50-100 % 65 15.8 1.31 rendah Sand0-30 % 76 13.3 3.63 buruk Sand30-50 % 71 11.1 3.45 buruk Sand50-100 % 65 14.8 3.39 buruk SOC0-30 % 76 0.61 1.37 rendah SOC30-50 % 73 0.39 1.40 rendah SOC50-100 % 68 0.36 1.34 rendah SOM0-30 % 76 1.05 1.37 rendah SOM30-50 % 73 0.68 1.40 rendah SOM50-100 % 68 0.60 1.30 rendah Ntot0-30 % 76 0.046 1.23 sedang Ntot30-50 % 70 0.035 1.31 rendah Ntot50-100 % 63 0.028 1.35 rendah pH0-30 68 0.81 1.01 tinggi pH30-50 63 0.85 1.01 tinggi pH50-100 55 0.87 1.02 tinggi BS0-30 % 62 17.66 1.32 rendah BS30-50 % 58 21.38 1.54 buruk BS50-100 % 52 20.96 1.45 buruk