BAB I
PENDAHULUAN
1.1Latar Belakang
Saat ini masyarakat dunia sedang menghadapi kondisi yang mengkhawatirkan karena terjadinya perubahan iklim akibat dari pemanasan global. Menurut Hairiah dan Widianto (2007), dampak pemanasan global dapat mengakibatkan terjadinya bencana alam terutama berkaitan dengan menurunnya sumber daya alam, seperti menurunnya kualitas dan kuantitas air, serta menurunnya kualitas udara. Salah satu penyebab utama terjadinya perubahan iklim yang dianggap sangat serius saat ini adalah naiknya kadar Gas Rumah Kaca (GRK). Intergovernmental On Panel Climate Change (IPCC) (2001), menyatakan bahwa jika laju GRK dibiarkan terus tanpa adanya tindakan untuk menguranginya, maka suhu global rata-rata akan meningkat dengan laju 0.3oC setiap sepuluh tahun. Menurut Subagyono (2007), GRK terdiri dari beberapa gas utama yaitu: karbon dioksida (CO2), dinitro oksida (N2O), metana (CH4), sulfurheksaflorida (SF6), dan perfluorokarbon (PFC), dengan CO2 merupakan penyumbang emisi terbesar dalam GRK yaitu sebesar 77%.
Gas CO2 sebagai salah satu penyusun GRK terbesar di udara mampu diserap oleh pohon melalui proses fotosintesis dan diubah menjadi C-organik dalam bentuk biomasa (Hairiah dan Widianto 2007). Informasi tentang kandungan karbon suatu vegetasi atau tegakan hutan dapat diperoleh dengan menduga biomasa vegetasi tersebut. Menurut Brown (1997), hampir 50% dari biomasa suatu vegetasi hutan tersusun atas unsur karbon. Oleh karena itu, perlu diketahui teknik pendugaan biomasa.
dan sulit dilakukan pada lokasi yang tidak mudah terjangkau. Teknologi penginderaan jauh telah mengalami perkembangan dalam dunia kehutanan, dengan penggunaan satelit sebagai wahana dalam pengambilan data. Penginderaan jauh dirasa cukup memadai dalam memberikan informasi yang dibutuhkan secara cepat dan lengkap dengan tingkat ketelitian yang memadai dan biaya yang relatif murah.
Di Indonesia, pelaksanaan kegiatan kehutanan mulai dari perencanaan hutan sampai dengan pengawasan sumberdaya hutan telah menggunakan teknologi penginderaan jauh. Pada umumnya, citra satelit yang sering digunakan oleh para pengambil kebijakan kehutanan di Indonesia adalah citra Landsat. Hal ini dikarenakan citra Landsat merupakan citra optik sistem pasif dengan resolusi spektral yang tinggi, sehingga dirasa memungkinkan untuk dilakukan estimasi biomasa menggunakan citra Landsat. Pernyataan ini diperkuat juga oleh penelitian-penelitian sebelumnya, seperti pengembangan model pendugaan kandungan karbon dari biomasa pohon cemara di Alaska oleh Michalek et al. (2000), pendugaan biomasa pada hutan tropis di Brazil, Malaysia, dan Thailand oleh Foody et al. (2003), dan pendugaan biomasa permukaan tanah di Hutan Amazon, Brazil oleh Lu (2005). Penelitian-penelitian tersebut menunjukkan adanya hubungan antara nilai Digital Number (DN) citra Landsat dan biomasa yang cukup baik dengan nilai koefisien korelasi (r) yang lebih dari 0.7. Di Indonesia telah dilakukan penelitian tentang pendugaan biomasa menggunakan citra Landsat, seperti penelitian yang dilakukan oleh Yaya et al. (2005), yang mengkaji hubungan antara biomasa dengan kanal tunggal dan indeks vegetasi pada citra Landsat. Nilai korelasi yang dihasilkan relatif lemah (r < 0.70). Hubungan dengan korelasi yang lebih baik (r > 0.70) ditunjukkan oleh hubungan antara biomasa dengan dua karakteristik spektral atau lebih (Yaya et al. 2005).
gelombang radar jauh lebih besar dari ukuran (diameter) partikel atmosfer yang dilaluinya. Radar dikembangkan sebagai suatu cara yang menggunakan gelombang radio untuk mendeteksi adanya objek dan menentukan jarak (posisi)-nya (Lillesand dan Kiefer 1990). Sensor radar dapat mengukur dan mencatat intensitas tenaga balik (backscatter) dari pemancaran tenaga sensor (Purwadhi 2001).
Pada tahun 2006 Jepang telah meluncurkan satelit ALOS (Advanced Land Observing Satellite) dengan salah satu sensornya adalah sensor radar Phased Array type L-band Synthetic Aperture Radar (PALSAR). PALSAR merupakan sensor gelombang mikro aktif yang menggunakan frekuensi band L (Frekuensi-pusat 1270 MHz/23,6 cm) untuk melakukan pengamatan malam dan siang hari tanpa terpengaruh oleh kondisi cuaca (FORDA dan JICA 2005). Citra PALSAR merupakan citra baru yang masih dalam proses eksperimen, serta memiliki kemampuan dalam menangkap karakteristik vegetasi, seperti halnya biomasa. Hal ini dapat diperkuat dari beberapa penelitian yang telah dilakukan sebelumnya, seperti pendugaan biomasa atas permukaan di Pulau Jawa dan Bali yang dilakukan oleh Puspitasari (2010); pendugaan biomasa tegakan jati di KPH Kebonharjo oleh Syarif (2011); dan pendugaan biomasa tegakan pinus di Banyumas Barat yang dilakukan oleh Riska (2011). Penelitian-penelitian tersebut menunjukkan hubungan yang cukup kuat antara citra PALSAR dan biomasa, dengan koefisien determinasi (R2) antara 39.7% dan 79.4%. Penelitian penggunaan citra PALSAR yang sudah dilakukan masih terbatas pada penelitian di daerah Jawa dan Bali. Sehingga perlu dilakukan eksplorasi penggunaan citra PALSAR lebih banyak lagi terutama pada daerah-daerah lain yang memiliki topografi berbeda.
Merujuk pada Peraturan Menteri Kehutanan Republik Indonesia Nomor: P.62 /Menhut-II/2011, menjelaskan bahwa karet sebagai tanaman kehutanan mampu berperan dalam penyerapan dan penyimpanan karbon biomasa. Tanaman karet memiliki peran yang sangat besar dalam penyerapan CO2 karena memiliki
kanopi yang lebar dan permukaan hijau daun yang luas.
Saat ini jenis pohon yang banyak ditemukan pada hutan tanaman rakyat
rakyat. Dengan kata lain, pohon karet ini sudah menjadi bagian yang tidak
terpisahkan dengan vegetasi atau tegakan hutan. Sebagai salah satu jenis tanaman
berkayu yang memberikan nilai ekonomis yang menjanjikan baik dari hasil kayu,
getah maupun serapan karbonnya, maka penelitian ini menfokuskan penelitian
tentang pendugaan biomasa pohon karet. Kawasan hutan sering menjadi sasaran
konversi lahan menjadi lahan-lahan perkebunan, sehingga penelitian ini juga
membangun model-model pendugaan biomasa kelapa sawit yang kelak dapat
dijadikan pembanding dalam memberikan argumentasi bahwa tanaman atau
pohon hutan memberikan kontribusi resapan karbon yang lebih baik dibandingkan
dengan tanaman perkebunan. Pohon karet mampu mengolah CO2 sebagai sumber
karbon yang digunakan untuk fotosintesis (Indraty 2005). Dalam penelitian ini
pendugaan biomasa kelapa sawit dilakukan sebagai pembanding, dalam rangka
mengetahui tanaman mana yang memiliki kemampuan menyerap karbon lebih
banyak.
1.2Tujuan
Tujuan utama dari penelitian ini adalah untuk membangun model penduga biomasa pada tanaman karet dan kelapa sawit menggunakan citra PALSAR resolusi spasial 50 m, dan citra Landsat.
1.3Manfaat
BAB II
METODE PENELITIAN
2.1Waktu dan Tempat
Penelitian ini dimulai pada bulan Agustus 2010 sampai dengan bulan Nopember 2010. Lokasi penelitian terletak di Kabupaten Simalungun dan sekitarnya, Provinsi Sumatera Utara, yang secara geografis terletak antara 98.320 – 99.350 BT dan 2.360 – 3.180 LU (Gambar 1). Pengolahan dan analisis data dilakukan di Laboratorium Remote Sensing dan GIS Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor antara bulan Desember 2010 dan Juli 2011. Sedangkan penyusunan laporan hasil penelitian dilakukan pada bulan Agustus 2011.
2.2Data, Software, Hardware dan Alat
Hardware yang digunakan dalam penelitian ini adalah satu unit komputer yang dilengkapi dengan Software Erdas Imagine Ver 9.1, ArcView GIS Ver 3.3, dan Microsoft Excel 2007. Sedangkan alat yang digunakan dalam penelitian ini adalah GPS CS 60, klinometer, pita ukur, dan kamera.
Data utama yang digunakan dalam penelitian ini adalah :
1. Citra ALOS PALSAR perekaman Juni 2009 dengan resolusi spasial 50 m, dan citra Landsat ETM 7 path/row 128 dan 129/58 perekaman tanggal 6 Juli 2000 dan tanggal 24 April 2000, dengan resolusi spasial 30 m daerah Kabupaten Simalungun, Sumatera Utara (Gambar 2 dan 3).
2. Data hasil inventarisasi tegakan karet dan kelapa sawit dalam kegiatan “Project for support on Forest Resources Management Through Leveraging Satelite Image Information” tahun 2010 di Kabupaten Simalungun, Sumatera Utara, dengan unit contoh berupa plot lingkaran berdasarkan kelompok umur.
2.3Tahapan Pelaksanaan
Gambar 2 Citra Landsat ETM 7 pada tutupan lahan karet dan kelapa sawit.
Persiapan data
Pengolahan citra
Pengolahan data lapang
TIDAK
Penyusunan
Model YA
TIDAK
YA Pelaporan
Gambar 4 Diagram alur penelitian. Verifikasi
diterima Mulai
Persiapan dan pengumpulan data
Citra PALSAR Citra Landsat
Desain Penarikan Contoh
Analisis Nilai Backscatter Analisis Nilai Spektral
Pengambilan Data Lapang
Perhitungan Biomasa Lapang
Analisis Statistik Penyusunan Model Penduga Biomasa
Model Diterima
Verifikasi Model Terbaik
Pembuatan Peta Sebaran Biomasa
Selesai Evaluasi
2.3.1 Persiapan dan Pengumpulan Data.
Citra yang digunakan dalam penelitian ini dapat diunduh secara gratis melalui internet. Adapun citra PALSAR yang diunduh adalah citra PALSAR resolusi 50 m yang merupakan produk terkoreksi, sehingga tidak diperlukan proses pra pengolahan citra dan telah siap dianalisis.
Plot contoh diambil dengan memperhatikan kelompok umur tanaman dan kemudahan aksesibilitas. Perbedaan umur tanaman dapat terlihat melalui perbedaan tingkat kecerahan pada citra PALSAR. Tingkat kecerahan merupakan representasi nilai backscatter. Namun hal ini masih perlu dibuktikan di lapangan untuk memperoleh data yang lebih akurat. Untuk masing-masing kelompok umur, jumlah minimal plot contoh yang diambil adalah 3 plot.
Dalam memperoleh sebaran informasi yang dibutuhkan untuk penentuan jumlah dan lokasi plot contoh, perlu terlebih dahulu dilakukan penafsiran citra. Penafsiran citra dilakukan untuk mendapat informasi yang terkandung dalam citra. Dalam hal ini diperlukan informasi mengenai tutupan lahan yang tersedia di lapangan. Informasi mengenai tutupan lahan pada citra PALSAR disajikan dalam Gambar 5.
2.3.2 Pengolahan Citra Analisis Backscatter
Analisis backscatter dalam penelitian ini dilakukan terhadap polarisasi HH dan HV pada citra ALOS PALSAR. Nilai backscatter untuk tiap plot sampel diturunkan dari nilai digital pada tiap plot tersebut. Nilai backscatter dapat diperoleh dengan rumus kalibrasi Shimada et al. (2009) sebagai berikut :
NRCS(dB) = 10*log10(DN2)+ CF Keterangan :
NRCS = Normalized Radar Cross Section DN = Digital Number
CF = Calibration Factor, yaitu -83 untuk HH dan HV
kehomogenan tutupan lahan yang terwakili, dan gap antar plot yang dapat terjadi. Semakin homogen sampel yang terwakili, maka nilai digital data yang didapat akan semakin baik. Ukuran sampel yang diambil sebaiknya tidak memiliki gap antara satu sama lain, untuk memberi nilai digital yang lebih akurat. Perhitungan backscatter pada penelitian ini dilakukan pada ukuran sampel 1x1 hingga 10x10 pixel. Adapun perhitungan backscatter pada masing-masing ukuran sampel disajikan pada Tabel 1.
Analisis NDVI
Analisis NDVI (Normalized Difference Vegetation Index) dilakukan terhadap band-band pada citra Landsat ETM 7. Rumus umum, transformasi NDVI adalah sebagai berikut :
NDVI = (NIR - R) / (NIR + R) Keterangan :
NDVI = Normalized Difference Vegetation Index
NIR = Nilai digital pada band Inframerah dekat (Near Infrared) R = Nilai digital pada band Merah (Red)
Dalam hubungannya dengan vegetasi, analisis spektral pada citra Landsat dapat memanfaatkan beberapa band, seperti band 3 (Red/Merah) dan band 4 (Near Infrared/Inframerah Dekat). Kelebihan kedua band ini untuk identifikasi vegetasi adalah objek akan memberikan tanggapan spektral yang tinggi. Hubungan kedua band tersebut dapat dilihat dalam nilai index vegetasi.
Gambar 5 Hasil penafsiran tutupan lahan pada citra PALSAR.
Tabel 1 Hasil analisis backscatter untuk kelapa sawit dan karet pada beberapa ukuran sampel citra PALSAR
Vegetasi Luas Pixel DN DN Backscatter Backscatter
HH min HH max HV min HV max HH min HH max St. Dev HV min HV max St. Dev
Karet
1x1 pixel 2411.750 8121.500 912.000 4370.500 -15.353 -4.807 1.948 -23.800 -10.189 3.047
2x2 pixel 2560.667 7956.667 958.556 4274.333 -14.833 -4.985 1.826 -23.368 -10.383 2.969
3x3 pixel 2550.563 7546.563 947.938 4278.438 -14.867 -4.950 1.833 -23.464 -10.393 2.918
4x4 pixel 2729.640 7895.880 1010.800 4262.040 -14.278 -5.052 1.728 -22.907 -10.408 2.821
5x5 pixel 2796.222 7933.667 1051.333 4282.139 -14.069 -5.011 1.711 -22.565 -10.367 2.740
6x6 pixel 2923.755 7857.755 1097.551 4310.878 -13.681 -5.094 1.654 -22.192 -10.309 2.700
7x7 pixel 2983.250 7870.208 1148.719 4255.266 -13.506 -5.080 1.627 -21.796 -10.421 2.612
8x8 pixel 3061.519 7832.840 1194.284 4278.531 -13.281 -5.122 1.567 -21.458 -10.374 2.519
9x9 pixel 3283.800 7854.218 1329.020 4191.560 -12.672 -5.098 1.487 -20.529 -10.552 2.345
10x10 pixel 3373.438 7840.000 1393.050 4143.579 -12.439 -5.114 1.415 -20.121 -10.652 2.188
Kelapa Sawit
1x1 pixel 4816.250 6768.500 1803.500 3493.750 -9.346 -6.390 0.824 -17.878 -12.134 1.034
2x2 pixel 4912.444 6751.667 1893.889 3138.222 -9.174 -6.412 0.763 -17.453 -13.066 0.879
3x3 pixel 3807.438 6816.000 1441.625 3242.688 -11.387 -6.329 0.937 -19.823 -12.782 1.150
4x4 pixel 3881.480 6746.560 1456.880 3039.240 -11.220 -6.418 0.876 -19.732 -13.345 1.011
5x5 pixel 4899.639 6712.417 1914.806 3042.405 -9.197 -6.462 0.731 -17.358 -13.336 0.803
6x6 pixel 4924.776 6619.571 1912.061 3003.163 -9.152 -6.583 0.699 -17.370 -13.448 0.767
7x7 pixel 4944.938 6533.281 1939.781 2933.750 -9.117 -6.697 0.709 -17.245 -13.652 0.743
8x8 pixel 4980.322 6502.864 1941.556 2902.617 -9.055 -6.738 0.685 -17.237 -13.744 0.723
9x9 pixel 4979.700 6544.436 1963.040 2843.764 -9.056 -6.683 0.680 -17.141 -13.922 0.703
10x10 pixel 5013.121 6497.868 1963.372 2821.050 -8.998 -6.745 0.672 -17.140 -13.992 0.696
12
2.3.3 Pengambilan Data Lapangan
Berdasarkan pengecekan lapangan didapat beberapa kelompok umur untuk karet maupun kelapa sawit. Umur tanaman dikelompokkan menjadi tiga kelompok, yaitu:
a. Kelompok umur muda
Untuk tegakan dengan umur 1 tahun sampai 5 tahun, pengambilan data dilakukan dalam plot lingkaran seluas 0.02 ha (jari-jari plot 7.98 m).
b. Kelompok umur sedang
Untuk tegakan dengan umur 6 tahun sampai 15 tahun, pengambilan data dilakukan dalam plot lingkaran seluas 0.04 ha (jari-jari plot 11.28 m). c. Kelompok umur tua
Untuk tegakan umur 16 tahun up, pengambilan data dilakukan dalam plot lingkaran seluas 0.1 ha (jari-jari plot 17.8 m).
Gambar plot contoh disajikan pada Gambar 7.
7.98 m
11.28 m
a. Plot contoh lingkaran luas 0.02 ha.
b. Plot contoh lingkaran luas 0.04 ha.
17.8 m
Plot contoh yang diambil tersebar pada kelompok umur 1 tahun sampai 20 tahun, dengan jumlah keseluruhan plot adalah 98 plot. Terdiri dari 46 plot pada tanaman karet dan 52 plot pada tanaman kelapa sawit. Jumlah plot diambil berdasarkan keterwakilan kelompok umur dan akses yang memungkinkan dalam melakukan pengukuran. Penyebaran plot contoh disajikan pada Gambar 8.
Gambar 8 Peta sebaran plot contoh pada citra PALSAR.
2.3.4 Pengolahan Data Lapangan
Pendugaan data lapangan dilakukan untuk mengetahui besarnya biomasa atas permukaan pada plot-plot ukur yang telah ditentukan. Pendugaan biomasa dilakukan dengan menggunakan persamaan alometrik yang di dapat dari penelitian Yulyana (2005), dan Yulianti (2009).
Adapun persamaan alometrik yang digunakan dalam menduga biomasa pada penelitian ini adalah :
W = 0.0124*(D2)0.2444 ( Yulyana 2005) Keterangan :
W = Biomasa atas permukaan (ton/ha) D = Diameter setinggi dada (cm)
2) Untuk kelapa sawit (Elaeis guineensis), digunakan persamaan alometrik sebagai berikut :
W = 2.14 exp-5 (D1.51*H1.33) (Yulianti 2009) Keterangan :
W = Biomasa atas permukaan (ton/ha)
D = Diameter setinggi dada dengan pelepah (cm) H = Tinggi total kelapa sawit (cm)
Pembangunan model alometrik oleh Yulianti (2009) dilakukan pada kelapa sawit dengan varietas Marihat yang dikelola oleh PT. Perkebunan Nusantara. Persamaan alometrik dipilih dengan mempertimbangkan kesamaan varietas, dan cara pengelolaan kelapa sawit yang dikaji di lokasi penelitian. Pada penelitian ini, kelapa sawit yang ditemukan termasuk varietas Marihat, yang pengelolaannya dilakukan oleh PT. Perkebunan Nusantara. Menurut Yulianti (2009), kisaran total biomasa kelapa sawit pada umur 1 sampai 18 tahun adalah 1.28 ton/ha sampai 29.87 ton/ha. Total biomasa tanaman karet pada umur 5, 10, dan 15 tahun berturut-turut adalah 0.741 ton/ha, 3.749 ton/ha, dan 7.807 ton/ha (Yulyana 2005). Persamaan alometrik milik Yulianti (2009) dan Yulyana (2005) dipilih karena kondisi topografi lapangan dan varietas tanaman yang paling mendekati dengan kondisi penelitian.
Secara umum, volume biomasa pada hutan tanaman relatif lebih besar dibandingkan dengan kelapa sawit. Sebagaimana kajian Hardjana (2008), bahwa potensi biomasa pada hutan tanaman Acacia mangium mencapai 159.75 ton/ha.
2.3.5 Pembangunan Model a. Model-model Alternatif
Tabel 2 Bentuk model-model yang diuji-cobakan dalam melakukan estimasi biomasa pada citra PALSAR dan citra Landsat
Jenis citra Model Bentuk persamaan yang digunakan PALSAR Linear B = a + b*HH
B = a + b*HV B = a + b*(HH/HV)
B = a + b*(HH-HV/HH+HV) Polinomial B = a*HH2 + b*HH + c
B = a*HV2 + b*HV + c
B = a*(HH/HV)2 + b*(HH/HV) + c B = a*(HH-HV/HH+HV)2 + b*(HH-HV/HH+HV) + c
Eksponensial B = a*e(b*HH) B = a*e(b*HV) B = a*e(b*HH/HV)
B = a*e(b*(HH-HV/HH+HV)) Linear Berganda B = a + b*HH + c*HV Landsat Linear B = a + b*MIR
B = a + b*NIR B = a + b*NDVI B = a + b*(MIR/NIR) Polinomial B = a*MIR2 + b*MIR + c
B = a*NIR2 + b*NIR + c B = a*NDVI2 + b*NDVI + c
B = a*(MIR/NIR)2 + b*(MIR/NIR) + c Eksponensial B = a*e(b*MIR)
B = a*e(b*NIR) B = a*e(b*NDVI) B = a*e(b*MIR/NIR)
b. Uji Korelasi
Penyusunan model hubungan biomasa dengan nilai backscatter atau NDVI masing-masing menggunakan metode persamaan regresi terbaik. Namun sebelumnya, dilakukan terlebih dahulu perhitungan koefisien korelasi menggunakan pendekatan korelasi product moment (r) untuk mengetahui bagaimana hubungan antar peubah yang akan digunakan dalam pendugaan biomasa. Proses menganalisis hubungan antar nilai backscatter dan NDVI serta hubungannya terhadap biomassa dilakukan dengan menggunakan software Microsoft Excel 2007.
Rumus untuk menghitung koefisien korelasi adalah sebagai berikut :
∑ ∑ ∑
∑ ∑ ∑ ∑
Keterangan :
= Koefisien korelasi = Jumlah pengamatan
∑ = Jumlah dari pengamatan nilai X
∑ = Jumlah dari pengamatan nilai Y
∑ = Jumlah dari pengamatan nilai X kuadrat ∑ = Jumlah dari pengamatan nilai Y kuadrat
∑ = Jumlah dari pengamatan nilai X dikuadratkan ∑ = Jumlah dari pengamatan nilai Y dikuadratkan ∑ = Jumlah dari hasil perkalian nilai X dan Y
Besarnya koefisien korelasi akan berkisar antara -1 sampai dengan 1. Nilai positif menyatakan hubungan antara peubah yang diuji memiliki korelasi positif, yaitu jika terjadi peningkatan pada peubah yang satu, maka akan diikuti dengan terjadinya peningkatan pada peubah lainnya. Nilai negatif menunjukkan hubungan antara peubah yang diuji adalah korelasi negatif, yaitu jika terjadi perubahan pada peubah yang satu, maka akan diikuti dengan terjadinya perubahan pada peubah lain dengan arah yang berlawanan. Untuk hasil perhitungan yang menunjukkan nilai 0, dapat diartikan tidak adanya korelasi antar peubah yang diuji.
Hipotesa yang digunakan dalam pengujian keeratan koefisien korelasi adalah sebagai berikut :
Ho : ρ 0.7071 H1 : ρ 0.7071
Rumus yang digunakan dalam Uji-Z adalah sebagai berikut :
Dengan nilai , , dan dirumuskan sebagai berikut : ln
ln
√ Keterangan :
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 Ho diterima, yang berarti bahwa hubungan antara peubah bebas dengan biomasa 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 biomasa adalah kurang erat.
c. Uji Koefisien Regresi
Untuk mengetahui apakah koefisien regresi yang dihasilkan dalam pembuatan model berpengaruh secara signifikan terhadap biomasa, perlu dilakukan pengujian menurut kaidah statistik. Pada umumnya Uji-F dilakukan untuk mengidentifikasi apakah kemampuan persamaan regresi yang dibangun dapat menjadi penduga bagi biomasa secara serentak. Sedangkan untuk mengidentifikasi kemampuan koefisien regresi dari masing-masing peubah bebas menjelaskan peubah tidak bebas secara signifikan, dapat diketahui dengan melakukan Uji-t. Hasil Uji-F akan memberi hasil yang sama dengan pengujian peubah menggunakan Uji-t. Karena nilai statistik Uji-t bila dikuadratkan akan identik dengan nilai Uji-F. Kesimpulan yang dapat ditarik dari pengujian ini akan dipengaruhi oleh selang kepercayaan yang digunakan (Mattjik dan Sumertajaya 2006).
Hipotesa yang digunakan dalam Uji-F adalah sebagai berikut : Ho : βi = 0, i = 1, 2, 3, ... k.
H1 : sekurang-kurangnya ada satu βi≠ 0, i = 1, 2, 3, ... k. Ketentuan perhitungan F-hitung ditampilkan pada Tabel 3. Tabel 3 Tabel analisis ragam
Sumber keragaman
db JK KT F-hitung
Regresi Dbr = k
Sisa Dbs =
n – k
Total Dbt = n - 1
∑
Keterangan :
∑
, , = Parameter dugaan ∑ = Jumlah biomasa aktual
∑ = Jumlah dari hasil kali antara biomasa dengan peubah pertama ∑ = Jumlah dari hasil kali antara biomasa dengan peubah kedua KTR = Kuadrat Tengah Regresi
KTS = Kuadrat Tengah Sisa JKR = Jumlah Kuadrat Regresi JKS = Jumlah Kuadrat Sisa Dbr = Derajat Bebas Regresi Dbs = Derajat Bebas Sisa
= Nilai biomasa aktual = Nilai biomasa dugaan
k = Jumlah parameter dalam model n = Banyaknya plot contoh
Jika hasil F-hitung ≤ F-tabel, maka Ho diterima, yang berarti bahwa tidak terdapat peubah bebas yang berpengaruh nyata terhadap biomasa. Sedangkan jika F-hitung > F-tabel, maka H1 diterima, yang berarti bahwa terdapat minimal satu peubah bebas yang berpengaruh nyata terhadap biomasa.
Jika H1 diterima melalui Uji-F, maka selanjutnya dilakukan uji signifikansi koefisien masing-masing peubah bebas, dengan mengikuti hipotesa sebagai berikut :
Ho : βi≠ 0 H1 : βi = 0
Rumus yang dapat digunakan dalam perhitungan Uji-t adalah :
Dalam analisis regresi berganda, perhitungan mengikuti ketentuan :
Keterangan :
= Nilai dugaan untuk koefisien regresi ke-i β = Nilai hipotesis dari koefisien regresi
= Varian dari contoh dugaan
Jika hasil t-hitung ≤ t-tabel, maka Ho diterima, yang berarti bahwa koefisien regresi dari peubah bebas dapat menjelaskan biomasa secara signifikan. Sedangkan jika t-hitung > t-tabel, maka H1 diterima, yang berarti bahwa koefisien regresi dari peubah tidak bebas tidak mampu menjelaskan biomasa secara signifikan.
Dalam penelitian ini, kesimpulan dari uji koefisien regresi ditunjukkan oleh nilai P-value. Selang kepercayaan yang digunakan adalah 95% (α = 0.05). Jika nilai P-value dari peubah dalam model regresi kurang dari α, maka model tersebut secara statistik adalah signifikan dapat menjelaskan biomasa.
d. Uji Verifikasi
Setelah model terbangun dan secara statistik dapat diterima, maka perlu dilakukan verifikasi terhadap hasil dari model tersebut dengan menggunakan perhitungan Uji-χ², ℮ (Bias), SA (Simpangan Agregat), SR (Simpangan Rata-Rata) dan RMSE (Root Mean Square Error). Dalam 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).
Perhitungan χ² dapat dirumuskan sebagai berikut :
∑
Keterangan :
χ = Nilai Chi-square = Nilai ekspetasi/ dugaan = Nilai observasi/ aktual
Perhitungan RMSE dilakukan sesuai dengan rumus :
RMSE
∑
%
Keterangan :
RMSE = Root Mean Square Error = Nilai dugaan
= 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 ℮ dapat dirumuskan sebagai berikut :
℮ ∑ %
Keterangan : ℮ = Bias
= Nilai dugaan = Nilai aktual
n = Jumlah pengamatan
Simpangan Agregat (SA) adalah perbedaan antara jumlah nilai aktual dan jumlah nilai dugaan (Spur 1952 dalam Nurhayati 2010). Nilai SA diharapkan berkisar antara -1 sampai +1.
Nilai SA dapat dihitung dengan rumus :
∑ ∑
∑
Keterangan :
SA = Simpangan Agregat = Nilai dugaan
= Nilai aktual
Perhitungan SR dilakukan sesuai rumus :
∑
%
Keterangan :
SR = Simpangan Rata-rata = Nilai dugaan
= Nilai aktual n = Jumlah pengamatan
Proses verifikasi dalam penelitian ini menggunakan data yang sama dengan data penyusunan model, hal ini dilakukan karena adanya keterbatasan data yang dimiliki.
Untuk mendapatkan model penduga biomasa yang akurat dan valid, perlu dilakukan penyusunan peringkat terhadap model dengan acuan kriteria-kriteria uji yang telah dilakukan. Namun sebelum penyusunan peringkat, dipilih terlebih dahulu model-model yang dinyatakan signifikan melalui Uji- χ². Penyusunan peringkat dilakukan dengan memberikan skor pada model-model yang diperoleh. Pemberian skor dilakukan berdasarkan nilai SA, SR, RMSE, dan ℮, dengan menggunakan rumus sebagai berikut :
BAB III
KONDISI UMUM LOKASI
3.1Letak GeografisKabupaten Simalungun, Provinsi Sumatera Utara mempunyai luasan sekitar 438,660 ha (6.12% dari luas wilayah Sumatera Utara), terletak antara 98.320 – 99.350 BT dan 2.360 – 3.180 LU. Kabupaten Simalungun memiliki 31 kecamatan, termasuk 9 kecamatan yang merupakan pemekaran dengan 17 kelurahan dan 294 desa. Kabupaten Simalungun berbatasan dengan wilayah:
• Sebelah Utara : Kabupaten Serdang Bedagei • Sebelah Timur : Kabupaten Asahan
• Sebelah Selatan : Kabupaten Samosir • Sebelah Barat : Kabupaten Karo.
3.2Topografi
Kabupaten Simalungun memiliki topografi yang bervariasi, dimana dataran tinggi terletak di bagian Barat Daya, Barat dan Barat Laut, sedangkan dataran rendah terletak pada bagian Utara, Timur dan Tenggara. Secara umum, Kabupaten Simalungun mempunyai kemiringan lereng antara 0 dan 40% dengan ketinggian antara 20 dan 1400 meter di atas permukaan laut.
3.3Iklim
3.4Penduduk
Berdasarkan hasil registrasi penduduk oleh BPS Pemerintah Kabupaten Simalungun tahun 2008, penduduk Kabupaten Simalungun berjumlah sekitar 846,329 jiwa yang tersebar di 31 kecamatan, dengan perbandingan penduduk laki-laki dan penduduk perempuan (sex ratio) sebesar 100.28. Jumlah penduduk terbesar berada di Kecamatan Bandar yaitu sebesar 66,739 jiwa dan terkecil berada di Kecamatan Haranggaol Horisan yaitu 5,789 jiwa. Kecamatan yang memiliki luas wilayah terbesar terdapat di Kecamatan Raya dengan luas 335.60 km2 dan wilayah terkecil di Kecamatan Haranggaol Horisan (34.50 km2). Wilayah yang paling padat penduduknya terdapat di Kecamatan Siantar (781.70 jiwa/km), disusul Kecamatan Bandar (611.27 jiwa/km) dan Gunung Maligas (433.29 jiwa/km).
3.5Potensi Ekonomi
Potensi ekonomi Kabupaten Simalungun sebagian besar terletak pada produksi pertaniannya. Produksi lainnya termasuk tanaman pangan, perkebunan, industri pengolahan, serta jasa. Produksi padi di Kabupaten Simalungun merupakan produksi terbesar kedua di Sumatera Utara pada tahun 2003 sesudah Kabupaten Deli Serdang. Produksi kelapa sawit dari perkebunan yang ada di kabupaten ini menjadi komoditas utama, kedua terbesar di Sumatera Utara setelah Kabupaten Labuhanbatu (2001). Selain memproduksi kelapa sawit, perkebunan rakyat di Simalungun juga menghasilkan karet dan coklat, serta teh (di Kecamatan Raya dan Sidamanik) yang jumlah produksinya semakin menurun.
BAB IV
HASIL DAN PEMBAHASAN
4.1Hasil Pengolahan Data Lapangan
Hasil perhitungan biomasa pada tanaman karet diperoleh kisaran antara 0.31012 ton/ha sampai dengan 16.52999 ton/ha. Sedangkan hasil perhitungan biomasa pada tanaman kelapa sawit berkisar antara 0.23147 ton/ha dan 56.90538 ton/ha (Tabel 4).
Tabel 4 Hasil perhitungan biomasa tanaman karet dan kelapa sawit
Vegetasi Biomasa (ton/ha)
Minimum Maksimum Standar Deviasi
Karet 0.31012 16.52999 4.35638
Kelapa Sawit 0.23147 56.90538 14.80742
Hasil perhitungan biomasa tanaman karet dan kelapa sawit memiliki korelasi terhadap umur tanaman. Dengan bertambahnya umur tanaman, volume biomasa juga semakin meningkat. Pada Gambar 9 dan 10 disajikan pola hubungan antara umur tanaman karet dan kelapa sawit dengan biomasanya.
Gambar 9 Grafik sebaran hubungan antara kelompok umur terhadap biomasa tanaman karet.
Pola hubungan yang terjadi antara umur tanaman dan biomasa membentuk fungsi pangkat (power). Nilai koefisien determinasi yang dihasilkan sebesar 91.4% pada tanaman karet (Gambar 9) dan 79.9% pada kelapa sawit (Gambar 10).
y = 0.737x0.992 R² = 0.914 0
5 10 15 20
0 10 20 30
Biomasa (ton/ha)
Hal ini menunjukkan bahwa variasi umur tanaman karet dan kelapa sawit mampu menjelaskan variasi biomasanya.
Gambar 10 Grafik sebaran hubungan antara kelompok umur terhadap biomasa kelapa sawit.
Besarnya biomasa per satuan luas merupakan fungsi dari diameter, tinggi dan jumlah pohon. Tanaman karet merupakan pohon yang tumbuh tinggi dan berbatang cukup besar. Tinggi pohon dewasa mencapai 15 sampai 20 m dengan diameter batang antara 15 sampai 20 cm. Batang tanaman biasanya tumbuh lurus dan memiliki percabangan yang tinggi di atas.
Kelapa sawit merupakan salah satu jenis tanaman palma yang mampu tumbuh hingga mencapai tinggi 25 m. Batang tanaman diselimuti pelepah hingga umur 12 tahun, yang nantinya akan mengering dan terlepas. Pelepah kelapa sawit diikut sertakan dalam pengukuran diameter pada penelitian ini.
Jumlah pohon pada masing-masing plot dipengaruhi faktor jarak tanam antar pohon dan luasan plot yang digunakan dalam pengambilan sampel. Jarak tanam antar pohon pada perkebunan baik karet maupun kelapa sawit biasanya ditentukan dalam perencanaan pengelolaan yang diatur melalui kegiatan penjarangan. Plot-plot tertentu dapat memiliki biomasa yang lebih tinggi daripada plot yang lain, hal ini disebabkan karena wilayah pengambilan plot contoh tersebut masih belum dilakukan proses penjarangan. Sehingga kerapatan pohon-pohonnya masih tinggi dan jumlah pohon di dalam plot contoh lebih banyak dibandingkan plot contoh lain yang telah mengalami penjarangan.
y = 0.759x1.444 R² = 0.799 0
10 20 30 40 50 60
0 10 20 30
Biomasa (ton/ha)
Gambar 11 Tanaman karet pada plot contoh yang telah mengalami penjarangan.
Gambar 12 Tanaman karet pada plot contoh yang belum mengalami penjarangan. Dengan model pendugaan biomasa lapang diketahui bahwa biomasa kelapa sawit memiliki nilai yang lebih besar dibanding dengan biomasa karet. Secara umum tanaman karet memiliki diameter dan tinggi yang cenderung lebih kecil jika dibandingkan dengan kelapa sawit. Biomasa kelapa sawit pada penelitian ini mengikut sertakan pelapah dari kelapa sawit.
4.2Model-model Penduga Biomasa
Tabel 5 Hasil perhitungan matriks korelasi antar peubah pada citra PALSAR
HH HV HH/HV (HH-HV/HH+HV)
HH 1 0.58393 -0.75890 -0.75647
HV 0.58393 1 0.08198 0.08566
HH/HV -0.75890 0.08198 1 0.99931
(HH-HV/HH+HV) -0.75647 0.08566 0.99931 1
Berdasarkan Tabel 5, dapat dilihat bahwa backscatter HH memiliki nilai korelasi yang positif terhadap HV, hal ini menunjukkan bahwa apabila terjadi peningkatan terhadap backscatter HH, maka akan terjadi peningkatan juga pada backscatter HV. Sebaliknya pada hubungan antara backscatter HH terhadap HH/HV dan (HH-HV/HH+HV) menunjukkan nilai yang negatif. Apabila terjadi perubahan pada backscatter HH, maka akan terjadi perubahan yang berlawanan pada HH/HV dan (HH-HV/HH+HV). Hubungan antara HH dan HV menunjukkan nilai koefisien korelasi yang relatif rendah, yaitu 0.584. Hal ini menunjukkan tidak terjadi multikolinearitas dalam hubungan antara HH dan HV pada persamaan regresi berganda.
a. Model Penduga Biomasa Karet
(a) (b)
Gambar 13 Grafik hubungan antara (a) biomasa karet terhadap backscatter HV dan (b) biomasa karet terhadap backscatter HH citra PALSAR, ukuran sampel 1x1 pixel.
Sebagaimana ditunjukkan pada Gambar 13a dan 13b, pola hubungan antara backscatter HH dan HV terhadap biomasa karet adalah berbentuk eksponensial. Terjadi saturasi volume biomasa pada nilai backscatter HV -10. Demikian pula pada polarisasi HH, terjadi saturasi volume biomasa pada nilai -5.
y = 193.1e0.277x R² = 0.7174
0 5 10 15 20
-25 -20 -15 -10 -5 0
Biomasa (ton/ha)
Backscatter HV
y = 74.79e0.388x R² = 0.573
0 5 10 15 20
-20 -15 -10 -5 0 5
Biomasa (ton/ha)
Pada Gambar 13a dapat dilihat bahwa hubungan antara biomasa karet dan backscatter HV cukup tinggi dengan nilai R2 sebesar 71.74%. Demikian pula hubungan antara biomasa karet dan backscatter HH memiliki nilai R2 yang relatif tinggi, yaitu 57.3% (Gambar 13b). Dari kajian ini diketahui bahwa pada ukuran sampel 1x1 pixel, variasi backscatter HV mampu menjelaskan variasi biomasa yang relatif lebih baik dibandingkan dengan backscatter HH.
(a) (b)
Gambar 14 Grafik hubungan antara (a) biomasa karet terhadap backscatter HV dan (b) biomasa karet terhadap backscatter HH citra PALSAR, ukuran sampel 2x2 pixel.
Dengan ukuran sampel 2x2 pixel, pola hubungan antara biomasa terhadap backscatter baik HH maupun HV relatif sama dengan ukuran sampel 1x1 pixel. Pada Gambar 14a dan 14b, hubungan antara biomasa karet terhadap backscatter HV dan backscatter HH memiliki nilai R2 yang relatif tinggi, yaitu secara berturut-turut 71.16% dan 57.5%.
Sebagaimana ditunjukkan pada Gambar 15a, bahwa pada ukuran sampel 3x3 pixel, hubungan antara biomasa karet dan backscatter HV relatif tinggi dengan nilai R2 sebesar 71.15%. Demikian pula ditunjukkan pada Gambar 15b, hubungan antara biomasa karet terhadap backscatter HH memiliki nilai R2 yang cukup tinggi yaitu 58.5%.
Dari temuan sebagaimana diperoleh sebelumnya, ukuran sampel 1x1 pixel memberikan hasil korelasi yang lebih baik dibandingkan dengan ukuran sampel 2x2 dan 3x3 pixel. Pola hubungan antara backscatter HV terhadap biomasa adalah eksponensial.
y = 211.5e0.283x R² = 0.7116
0 5 10 15 20
-30 -20 -10 0
Biomasa (ton/ha)
Backscatter HV
y = 89.68e0.414x R² = 0.575
0 5 10 15 20
-20 -15 -10 -5 0 5
Biomasa (ton/ha)
(a) (b)
Gambar 15 Grafik hubungan antara (a) biomasa karet terhadap backscatter HV dan (b) biomasa karet terhadap backscatter HH citra PALSAR, ukuran sampel 3x3 pixel.
Berdasarkan Gambar 16, dapat dilihat pola hubungan antara peubah-peubah citra Landsat terhadap biomasa karet. Pendugaan biomasa terbaik (R2= 59.2%) dihasilkan menggunakan peubah MIR/NIR (Gambar 16e). Hal ini menunjukkan bahwa nilai MIR/NIR mampu menjelaskan biomasa dengan pola hubungan berbentuk polinomial, dengan nilai R2 yang sedikit lebih kecil dibanding menggunakan citra PALSAR.
y = 222.0e0.288x R² = 0.7115
0 5 10 15 20
-30 -20 -10 0
Biomasa (ton/ha)
Backscatter HV
y = 90.46e0.417x R² = 0.585
0 5 10 15 20
-20Biomasa (ton/ha) -15 -10 -5 0 5
(a) (b)
(c) (d)
(e)
Gambar 16 Grafik hubungan antara biomasa karet terhadap nilai (a) MIR, (b) NIR, (c) RED, (d) NDVI, dan (e) MIR/NIR pada citra Landsat. b. Model Penduga Biomasa Kelapa Sawit
Dari hasil analisis sebagaimana disajikan pada Tabel 6, pola hubungan antara biomasa kelapa sawit dengan peubah pada citra PALSAR memiliki nilai R2 yang relatif tinggi, yaitu mencapai 76.8%. Hal ini menunjukkan bahwa peubah polarisasi HH, HH/HV, atau HH dan HV citra PALSAR mampu menduga
y = -0.014x2+ 2.830x - 128.9
R² = 0.039
0 5 10 15
0 20 40 60 80 100 120
Biomassa (ton/Ha)
MIR
y = -0.011x2+ 2.797x -153.8
R² = 0.333
0 5 10 15
0 25 50 75 100 125 150
Biomassa (ton/Ha)
NIR
y = 0.160x2- 13.52x + 290.6
R² = 0.059
0 5 10 15
0 10 20 30 40 50
Biomassa (ton/Ha)
RED
y = -803.0x2+ 781.4x -180.4
R² = 0.427
0 5 10 15
0.00 0.20 0.40 0.60
Biomassa (ton/Ha)
NDVI
y = -568.7x2+ 916.6x -358.7
R² = 0.592
-5 0 5 10 15
0.00 0.50 1.00
Biomasa (ton/ha)
biomasa kelapa sawit dengan cukup baik (R2= 70.8%, 67.9%, dan 76.8%). Model dengan R2 tertinggi dihasilkan dengan model regresi berganda (lihat Tabel 6). Tabel 6 Hasil analisis hubungan antara biomasa kelapa sawit terhadap
peubah-peubah citra PALSAR
Ukuran Sampel
No.
Model Persamaan Regresi R
2
P-value
3x3 pixel 1 Y = 220 + 35.44*HH + 1.422*HH2 0.708 0.000
3x3 pixel 2 Y = 255 - 677*(HH/HV) + 451.4*(HH/HV)2 0.679 0.036
3x3 pixel 3 Y = 77.76 + 14.427*HH - 4.213*HV 0.768 0.000
4x4 pixel 1 Y = 191.8 + 28.06*HH + 0.976*HH2 0.606 0.007
4x4 pixel 2 Y = 80.98 + 47.7*(HH/HV) - 286.3*(HH/HV)2 0.668 0.544
4x4 pixel 3 Y = 66.12 + 15.23*HH - 5.492*HV 0.714 0.000
5x5 pixel 1 Y = 83.4 + 0.349*HH - 0.793*HH2 0.548 0.608
5x5 pixel 2 Y = 113.2 - 73.12*(HH/HV) - 175.4*(HH/HV)2 0.706 0.368
5x5 pixel 3 Y = 47.49 + 15.93*HH - 6.99*HV 0.711 0.042
Tabel 7 Hasil analisis hubungan antara biomasa kelapa sawit terhadap peubah-peubah citra Landsat
Ukuran Sampel
No.
Model Persamaan Regresi R
2 P-value
3x3 pixel 1 Y = 40.69 + 23.14*NDVI - 192.5*NDVI2 0.592 0.007
3x3 pixel 2 Y = -95.84 + 206*(MIR/NIR) - 69.11*(MIR/NIR)2 0.519 0.479
3x3 pixel 3 Y = -168.7 + 4.037*MIR - 0.02*MIR2 0.422 0.101
4x4 pixel 1 Y = 41.03 + 21.2*NDVI - 189.6*NDVI2 0.587 0.007
4x4 pixel 2 Y = -59.57 + 108*(MIR/NIR) - 3.759*(MIR/NIR)2 0.532 0.663
4x4 pixel 3 Y = -194.3 + 4.655*MIR - 0.023*MIR2 0.430 0.065
5x5 pixel 1 Y = 40.81 + 25.2*NDVI - 198.1*NDVI2 0.606 0.007
5x5 pixel 2 Y = -57.9 + 100.7*(MIR/NIR) + 3.081*(MIR/NIR)2 0.561 0.647
5x5 pixel 3 Y = -214.4 + 5.13*MIR - 0.026*MIR2 0.444 0.045
Berdasarkan Tabel 7, pola hubungan antara biomasa kelapa sawit dengan peubah pada citra Landsat memiliki nilai R2 yang cukup tinggi, yaitu mencapai 60.6%. Hal ini menunjukkan bahwa nilai spektral citra Landsat seperti MIR, MIR/NIR atau NDVI mampu menduga biomasa kelapa sawit dengan cukup baik (R2= 44.4%, 56.1%, dan 60.6%). Model dengan R2 tertinggi dihasilkan dengan model regresi berganda (lihat Tabel 7).
PALSAR, namun berdasarkan hasil perhitungan keseluruhan dapat dilihat bahwa model dengan citra PALSAR memiliki nilai R2 yang relatif lebih baik, pada tanaman karet maupun kelapa sawit. Hal ini dapat terjadi karena plot contoh yang diambil tidak disesuaikan terlebih dahulu pada citra Landsat yang digunakan, sehingga beberapa plot contoh berada pada kawasan yang tertutup awan.
Berdasarkan hasil analisis korelasi seperti disajikan pada Tabel 8, model-model citra PALSAR memiliki nilai r yang cukup tinggi, yaitu mencapai 0.876 (pada kelapa sawit dengan ukuran sampel 3x3 pixel). Demikian pula model-model citra Landsat, mampu memberikan nilai r yang relatif tinggi yaitu berkisar antara 0.558 sampai 0.778. Berdasarkan analisis uji-Z, diketahui bahwa peubah bebas pada keseluruhan model yang terbangun memiliki hubungan yang cukup erat terhadap biomasa (lihat Tabel 8).
Sebagaimana hasil analisis koefisien regresi yang disajikan pada Tabel 8, keseluruhan model terbangun memiliki nilai P-value yang relatif baik yaitu berkisar antara 0.083 sampai 2.67669*10-18. Hal ini menunjukkan bahwa secara statistik peubah pada model-model terbangun adalah signifikan dapat menjelaskan biomasa.
Sebagaimana disajikan pada Tabel 8, model pendugaan biomasa karet pada citra PALSAR terbaik dengan ukuran sampel 1x1 pixel adalah Y = 193.1*e0.277*HV dengan R2 sebesar 71.74%, dan P-value sebesar 2.67669*10-18. Model pendugaan biomasa karet pada citra Landsat terbaik dengan ukuran sampel 1x1 pixel adalah Y = -358.7 + 916.6*MIR/NIR -568.7*MIR/NIR2 dengan nilai R2 sebesar 59.2%, dan nilai P-value sebesar 0.00024.
Tabel 8 Tabel hasil analisis regresi pemilihan model terbaik pada tanaman karet dan kelapa sawit Tipe Vegetasi Jenis
Citra
Ukuran Sampel
No.
Model Persamaan Regresi R
2
R Z-hitung P-value
Karet PALSAR 1x1 pixel 1 Y = 193.1*e0.277*HV 0.71743 0.84701 -2.24227 0.00000
2x2 pixel 2 Y = 211.5*e0.284*HV 0.71168 0.84361 -2.16571 0.00000
3x3 pixel 3 Y = 222*e0.288*HV 0.71155 0.84353 -2.16393
0.00000
4x4 pixel 4 Y = 252.2*e0.298*HV 0.71136 0.84342 -2.16142
0.00000
5x5 pixel 5 Y = 279.6*e0.307*HV 0.71099 0.84320 -2.15651
0.00000
Landsat 1x1 pixel 1 Y = -358.7 + 916.6*MIR/NIR - 568.7*MIR/NIR2 0.59225 0.76958 -0.47231 0.00023
2x2 pixel 2 Y = -355.7 + 904.7*MIR/NIR - 559.1*MIR/NIR2 0.40068 0.63299 1.00319 0.00498
3x3 pixel 3 Y = -203.8 + 3.736*NIR - 0.016*NIR2 0.31145 0.55807 1.65336 0.00436
4x4 pixel 4 Y = -155.7 + 2.839*NIR - 0.012*NIR2 0.33500 0.57899 1.47865 0.00439
5x5 pixel 5 Y = -176.1 + 3.231*NIR - 0.014*NIR2 0.34083 0.58380 1.43777 0.00371
Kelapa Sawit PALSAR 1x1 pixel 1 Y = 47.06 + 12.44*HH - 5.22*HV 0.57620 0.75907 -0.46009 0.03668
2x2 pixel 2 Y = 72.89 + 13.378*HH - 4.099*HV 0.59663 0.77242 -0.65755 0.00631
3x3 pixel 3 Y = 77.76 + 14.427*HH - 4.213*HV 0.76814 0.87643 -2.68696 0.00000
4x4 pixel 4 Y = 66.12 + 15.23*HH - 5.49*HV 0.71432 0.84518 -1.95291 0.00090
5x5 pixel 5 Y = 47.49 + 15.93*HH - 6.99*HV 0.71092 0.84316 -1.91031 0.04195
Landsat 1x1 pixel 1 Y = 40.11 + 31.79*NDVI - 200.62*NDVI2 0.51928 0.72061 0.11182 0.01375
2x2 pixel 2 Y = 41.02 + 14.33*NDVI - 169.21*NDVI2 0.52957 0.72771 0.03013 0.08350
3x3 pixel 3 Y = 40.69 + 23.14*NDVI - 192.5*NDVI2 0.59204 0.76944 -0.47050 0.00738
4x4 pixel 4 Y = 41.03 + 21.21*NDVI - 189.67*NDVI2 0.58748 0.76647 -0.43187 0.00748
Tabel 9 Hasil verifikasi model terbaik pada tanaman karet dan kelapa sawit menggunakan Uji-χ2 Tipe
Vegetasi
Jenis Citra
Ukuran Sampel
No.
Model Persamaan Regresi χ
2-hitung χ2-tabel Kesimpulan
Karet PALSAR 1x1 pixel 1 Y = 193.1*e0.277*HV 53.9635 59.3035 Tidak Berbeda Nyata
2x2 pixel 2 Y = 211.5*e0.284*HV 56.1279 59.3035 Tidak Berbeda Nyata
3x3 pixel 3 Y = 222*e0.288*HV 52.6711 59.3035 Tidak Berbeda Nyata
4x4 pixel 4 Y = 252.2*e0.298*HV 56.1641 59.3035 Tidak Berbeda Nyata
5x5 pixel 5 Y = 279.6*e0.307*HV 55.1376 59.3035 Tidak Berbeda Nyata
Landsat 1x1 pixel 1 Y = -358.7 + 916.6*MIR/NIR - 568.7*MIR/NIR2 28.2371 42.5570 Tidak Berbeda Nyata
2x2 pixel 2 Y = -355.7 + 904.7*MIR/NIR - 559.1*MIR/NIR2 51.9301 42.5570 Berbeda Nyata
3x3 pixel 3 Y = -203.8 + 3.736*NIR - 0.016*NIR2 64.3307 42.5570 Berbeda Nyata
4x4 pixel 4 Y = -155.7 + 2.839*NIR - 0.012*NIR2 78.4749 42.5570 Berbeda Nyata
5x5 pixel 5 Y = -176.1 + 3.231*NIR - 0.014*NIR2 52.7068 42.5570 Berbeda Nyata
Kelapa Sawit PALSAR 1x1 pixel 1 Y = 47.06 + 12.44*HH - 5.22*HV 89.2812 53.3835 Berbeda Nyata
2x2 pixel 2 Y = 72.89 + 13.378*HH - 4.099*HV 88.1343 53.3835 Berbeda Nyata
3x3 pixel 3 Y = 77.76 + 14.427*HH - 4.213*HV 49.1963 53.3835 Tidak Berbeda Nyata
4x4 pixel 4 Y = 66.12 + 15.23*HH - 5.49*HV 67.4615 53.3835 Berbeda Nyata
5x5 pixel 5 Y = 47.49 + 15.93*HH - 6.99*HV 62.3221 53.3835 Berbeda Nyata
Landsat 1x1 pixel 1 Y = 40.11 + 31.79*NDVI - 200.62*NDVI2 147.1438 42.5570 Berbeda Nyata
2x2 pixel 2 Y = 41.02 + 14.33*NDVI - 169.21*NDVI2 132.5447 42.5570 Berbeda Nyata
3x3 pixel 3 Y = 40.69 + 23.14*NDVI - 192.5*NDVI2 115.9617 42.5570 Berbeda Nyata
4x4 pixel 4 Y = 41.03 + 21.21*NDVI - 189.67*NDVI2 120.0989 42.5570 Berbeda Nyata
5x5 pixel 5 Y = 40.81 + 25.2*NDVI - 198.1*NDVI2 115.9617 42.5570 Berbeda Nyata 37
Tabel 10 Hasil verifikasi model terbaik pada tanaman karet dan kelapa sawit menggunakan SA, SR, e, dan RMSE Tipe Vegetasi Jenis Citra Ukuran Sampel (pixel) No.
Model Persamaan Regresi SA SR e RMSE
Karet PALSAR 1x1 1 Y = 193.1*e0.277*HV -0.10306 38.59985 19.99871 14.98975
2x2 2 Y = 211.5*e0.284*HV
-0.11812 38.88616 21.00861 18.05498
3x3 3 Y = 222*e0.288*HV
-0.10895 38.19983 21.26732 16.16363
4x4 4 Y = 252.2*e0.298*HV
-0.11086 38.70540 21.01555 16.28205
5x5 5 Y = 279.6*e0.307*HV
-0.11439 38.81981 20.55533 15.62884
Landsat 1x1 1 Y = -358.7 + 916.6*MIR/NIR - 568.7*MIR/NIR2 -0.00104 44.36549 104.47458 74.95208
Kelapa
Sawit PALSAR 3x3 1 Y = 77.76 + 14.427*HH - 4.213*HV -0.00007 23.60465 -2.23803 9.59318
Tabel 11 Peringkat hasil verifikasi model terbaik Tipe Vegetasi Jenis Citra Ukuran Sampel (pixel) No.
Model Persamaan Regresi SA SR e RMSE Skor Peringkat
Karet PALSAR 1x1 1 Y = 193.1*e0.277*HV 1.40 4.74 5.00 5.00 16.14 1
2x2 2 Y = 211.5*e0.284*HV 1.13 4.55 4.95 4.80 15.43 5
3x3 3 Y = 222*e0.288*HV 1.19 5.00 4.94 4.92 16.05 2
4x4 4 Y = 252.2*e0.298*HV 1.12 4.67 4.95 4.91 15.66 3
5x5 5 Y = 279.6*e0.307*HV 1.00 4.60 4.97 4.96 15.53 4
Landsat 1x1 1 Y = -358.7 + 916.6*MIR/NIR - 568.7*MIR/NIR2 5.00 1.00 1.00 1.00 8.00 6
Kelapa
Sawit PALSAR 2x2 1 Y = 77.76 + 14.427*HH - 4.213*HV 5.00 5.00 5.00 5.00 20.00 1
38
4.3Verifikasi Model
Perhitungan verifikasi dalam penelitian ini menggunakan data yang sama dengan data yang digunakan dalam pembuatan model pendugaan biomasa. Hal ini dikarenakan jumlah plot yang tersedia terbatas. Namun demikian, hasil verifikasi diharapkan mampu menunjukkan adanya keeratan hubungan antara hasil perhitungan model (biomasa dugaan) terhadap perhitungan biomasa lapang. Hasil verifikasi disajikan pada Tabel 9 dan 10.
Berdasarkan peringkat hasil skor uji verifikasi dari masing-masing nilai SA, SR, e, RMSE dan Uji-χ2 (Tabel 11), maka dapat diketahui model terbaik untuk menduga biomasa tanaman karet dan kelapa sawit adalah dengan menggunakan citra PALSAR. Backscatter HV memiliki kemampuan untuk menembakkan dan menangkap gelombang sensor dengan posisi horizontal dan vertikal, sehingga sangat baik jika digunakan dalam pendekatan objek bervegetasi pada citra.
Sebagai perbandingan antara model penduga biomasa kelapa sawit dan karet pada citra PALSAR, diketahui bahwa model penduga biomasa kelapa sawit memiliki pendugaan yang lebih baik. Hal ini dapat diketahui berdasarkan nilai uji koefisien regresi, nilai koefisien determinasi serta nilai uji verifikasi seperti pada Tabel 9, 10, dan 11.
4.4Peta Sebaran Biomasa
Gambar 17 Peta sebaran biomasa karet menggunakan model terbaik pada citra PALSAR.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari uraian-uraian terdahulu maka dapat ditarik beberapa kesimpulan sebagai berikut:
1. Citra ALOS PALSAR resolusi 50 m dapat digunakan untuk menduga biomasa tanaman’ karet dengan model penduga: Y = 193.1*e0.277*HV dengan R2 = 71.74%.
2. Biomasa kelapa sawit yang menjadi pohon pembanding dalam penelitian ini juga dapat diduga menggunakan citra ALOS PALSAR, dengan model penduga: Y = 77.76 + 14.427*HH - 4.213*HV dengan R2 = 76.8%.
3. Kedua model penduga biomasa pada pohon karet dan kelapa sawit cukup handal dengan hasil verifikasi cukup baik.
4. Penduga biomasa menggunakan pendekatan citra Landsat ETM memberikan nilai yang berbeda dengan perhitungan biomasa lapang/aktual.
5. Model penduga biomasa dengan citra Landsat memberikan hasil verifikasi yang kurang baik.
5.2 Saran
PENDUGAAN BIOMASA TEGAKAN MENGGUNAKAN
CITRA ALOS PALSAR
(Studi Kasus di Kabupaten Simalungun, Sumatera Utara)
I PUTU INDRA DIVAYANA
DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
DAFTAR PUSTAKA
Brown S. 1997. Estimating Biomass and Biomass Change of Tropical Forest. A Primer. USA: FAO Forestry Paper
Foody GM, Boyd DS, and Cutler MEJ. 2003. Predictive Relation of Tropical Forest Biomass from Landsat TM Data and Their Transferability Between Regions. Remote Sensing of Environtment 85: 463-474.
[FORDA] Forest Research and Development Agency dan [JICA] Japan International Cooperation Agency. 2005. How To Increase the Welfare og Local People Through the Sustainable Forest Management. Di dalam: The 2nd Workshop on Demonstration Study on Carbon Fixing Forest Management in Indonesia. Bogor.
Hairiah K, dan Widianto.2007. Adaptasi dan Mitigasi Pemanasan Global Melalui Pengelolaan Diversitas Pohon di Lahan-Lahan Pertanian. Bunga Rampai Konservasi Tanah dan Air: 1-12.
Hardjana AK. 2008. Potensi Biomassa Dan Karbon Pada Hutan Tanaman Acacia mangium Di HTI PT. Surya Hutani Jaya, Kalimantan Timur. Jurnal Penelitian Sosial dan Ekonomi Kehutanan 7: 237-249.
Indraty IS. 2005. Tanaman Karet Menyelamatkan Kehidupan dari Ancaman Karbondioksida. Warta Penelitian dan Pengembangan Pertanian 27: 10-12.
[IPCC] Intergovernmental On Panel Climate Change. 2001. Climate Change 2001: Impacts, Adaptation, and Vulnerability. Di dalam: Report of the working group II. Cambridge: Cambridge University Press.
Jaya INS. 2010. Analisis Citra Digital: Perspektif Penginderaan Jauh untuk Pengelolaan Sumberdaya Alam. Bogor: Fakultas Kehutanan IPB.
Republik Indonesia. 2011. Peraturan Menteri Kehutanan Republik Indonesia Nomor: P.62 /Menhut-II/2011 tentang Pedoman Pembangunan Hutan Tanaman Berbagai Jenis Pada Izin Usaha Pemanfaatan Hasil Hutan Kayu Pada Hutan Tanaman Industri (IUPHHK-HTI).
Lu D. 2005. Aboveground Biomass Estimation Using Landsat TM Data in the Brazilian Amazon. International Jurnal of Remote Sensing, 26: 2509-2525. Mattjik AA, dan Sumertajaya IM. 2006. Perancangan Percobaan Dengan
Aplikasi SAS dan Minitab Jilid I. Bogor: IPB Press.
Maulana SI, dan Asmoro JPP. 2010. Persamaan Allometrik Genera Intsia sp. untuk Pendugaan Biomassa Atas Tanah pada Hutan Tropis Papua Barat. Jurnal Penelitian Sosial dan Ekonomi Kehutanan 7: 275-284.
Michalek JL, French NHF, Kasischke ES, Johnson RD, and Colwell JE. 2000. Using Landsat TM Data to Estimate Carbon Release from Burned Biomass in an Alaskan Spurce Forest Complex. International Jurnal Remote Sensing 21: 323-338.
Nawari. 2010. Analisis Regresi dengan MS Excel 2007 dan SPSS 17. Jakarta: PT Elex Media Komputindo.
Nurhayati. 2010. Pendugaan Biomasa Pohon di Atas Permukaan Tanah dan Indeks Luas Daun Menggunakan Citra Landsat TM dan ALOS PALSAR. [tesis]. Bogor: Sekolah Pascasarjana Institut Pertanian Bogor.
Purwadhi SH. 2001. Interpretasi Citra Digital. Jakarta: Grasindo.
Puspitasari R. 2008. Pendugaan Biomassa di Atas Tanah Menggunakan Citra ALOS PALSAR Resolusi Spasial 50 m di Pulau Jawa dan Bali [skripsi]. Bogor: Departemen Manajemen Hutan Fakultas Kehutanan, Institut Pertanian Bogor.
Riska A. 2011. Pendugaan Biomassa Atas Permukaan pada Tegakan Pinus (Pinus merkusii Jungh et de Vriese) Menggunakan Citra ALOS PALSAR Resolusi Spasial 50 m dan 12,5 m (Studi Kasus di KPH Banyumas Barat) [skripsi]. Bogor: Departemen Manajemen Hutan Fakultas Kehutanan, Institut Pertanian Bogor.
Shimada M, Isoguchi O, Tadono T, and Isono K. 2009. PALSAR Radiometric and Geometric Calibration. IEEE Transactions on Geoscience and Remote Sensing 47(12): 3915−3932.
Subagyono K. 2007. Konservasi Air Untuk Adaptasi Pertanian Terhadap Perubahan Iklim. Bunga Rampai Konservasi Tanah dan Air: 13-27.
Syarif RD. 2011. Pembuatan Model Pendugaan dan Pemetaan Biomassa Permukaan pada Tegakan Jati (Tectona grandis Linn F) Menggunakan Citra ALOS PALSAR Resolusi 50 m dan 12,5 m (Studi Kasus : KPH Kebonharjo Perhutani Unit I Jawa Tengah [skripsi]. Bogor: Departemen Manajemen Hutan Fakultas Kehutanan, Institut Pertanian Bogor.
Walpole RE. 1997. Pengantar Statistika Edisi ke-3. Jakarta: PT Gramedia Pustaka Utama.
Yaya IU, Sulistyawati E, Hakim DM, dan Harto AB. 2005. Korelasi Stok Karbon Dengan Karakteristik Spektral Citra Landsat : Studi Kasus Gunung Papandayan. Di dalam: Pertemuan Ilmiah Tahunan MAPIN XIV; Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember, 14-15 September 2005. Surabaya. 1-12.
Yulianti N. 2009. Cadangan Karbon Lahan Gambut dari Agroekosistem Kelapa Sawit PTPN IV Ajamu Kabupaten Labuhan Batu Sumatera Utara [tesis]. Bogor: Sekolah Pascasarjana Institut Pertanian Bogor.
PENDUGAAN BIOMASA TEGAKAN MENGGUNAKAN
CITRA ALOS PALSAR
(Studi Kasus di Kabupaten Simalungun, Sumatera Utara)
I PUTU INDRA DIVAYANA
DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
RINGKASAN
I PUTU INDRA DIVAYANA. E14061502. Pendugaan Biomasa Tegakan Menggunakan Citra ALOS PALSAR (Studi Kasus di Kabupaten Simalungun, Sumatera Utara). Skripsi. Manajemen Hutan, Institut Pertanian Bogor. Dibimbing oleh I NENGAH SURATI JAYA.
Pendugaan biomasa tegakan dapat dilakukan dengan metode inventarisasi terestis maupun pedugaan tidak langsung menggunakan metode penginderaan jauh. Sejalan dengan perkembangan teknologi penginderaan jauh di dunia kehutanan, penggunaannya dalam pendugaan biomasa semakin diperlukan. Pada umumnya, citra satelit yang sering digunakan untuk pendugaan biomasa adalah citra Landsat. Penggunaan citra Landsat dalam pendugaan biomasa telah mampu memberikan hasil yang baik, sebagaimana dijelaskan pada penelitian-penelitian sebelumnya (Yaya et al. 2005; Michalek et al. 2000; Foody et al. 2003; dan Lu 2005). Salah satu kelemahan dari citra Landsat adalah ketidak mampuannya memberikan data objek permukaan bumi yang terhalang awan atau haze. Oleh karena itu penggunaan citra sistem radar yang mampu merekam pada segala cuaca (menembus awan atau haze) perlu diuji cobakan. Salah satu jenis citra radar adalah ALOS PALSAR (Advanced Land Observing Sattelite Phased Array Type L-band Shynthetic Aperture Radar), yang diluncurkan oleh pemerintah Jepang pada tahun 2006. Oleh karena citra PALSAR merupakan citra baru yang masih dalam proses eksperimen, maka perlu dilakukan eksplorasi tentang penggunannya lebih lanjut.
Tujuan utama dari penelitian ini adalah untuk membangun model penduga biomasa tanaman karet dan kelapa sawit menggunakan citra PALSAR resolusi spasial 50 m, dan citra Landsat. Tahapan pelaksanaan penelitian ini meliputi: a) persiapan dan pengumpulan data, b) pengolahan data citra, c) pengambilan data lapangan, dan d) pembangunan model. Pembangunan model dilakukan mengikuti beberapa tahapan yaitu: pemilihan model-model alternatif, perhitungan uji koefisien korelasi, perhitungan uji koefisien regresi dan verifikasi model terbaik.
SUMMARY
I PUTU INDRA DIVAYANA. E14061502. Standing Biomass Estimation using ALOS PALSAR Image (Case Study at Simalungun Regency, North Sumatera). Report. Forest Management, Bogor Agricultural University. Supervised by I NENGAH SURATI JAYA.
Estimating stand biomass can be performed using either terestial inventory method or indirect estimation using remote sensing method. In line with the development of remote sensing technology in forestry sector, the utilization of remote sensing in biomass estimation is increasingly required. Commonly, satellite imagery frequently used for estimating biomass is Landsat image. The use of Landsat image for biomass estimation has been proven to provide good results, as described in several previous studies (Yaya et al. 2005; Michalek et al. 2000; Foody et al. 2003; and Lu 2005). One disadvantage of Landsat data is the inability to record objects under clouds or haze cover. Therefore, the use of all weather image having capability to penetrate clouds or haze could be examinated. One type of radar imagery is ALOS PALSAR (Advanced Land Observing Satellite Phased Array type L-band Shynthetic Aperture Radar), that was launched by the Japanese government in 2006. Since the PALSAR image used relatively new technology where the development of radar image processing is within experimental stage, further examination of its application is required.
The main objective of this study is to establish the biomass estimator models of rubber and palm oil plantation using 50 m spatial resolution of PALSAR and Landsat images. The study steps include the following: a) preparation and data collection, b) data processing, c) field data survey, and d) model development. The model were developed using the following steps: selection of alternative models, the correlation coefficient evaluation, the calculation of regression coefficients and verification of the best model.
The study found that ALOS PALSAR images produce better prediction than those Landsat images. The best model to estimate the biomass of rubber using PALSAR images is Y = 193.1*e0.277*HV with R2 value of 71.74%, and P-value = 2.67669*10-18; while the best model to estimate the biomass of rubber using Landsat is Y = -358.7 + 916.6*MIR/NIR -568.7*MIR/NIR2 with R2 value of 59.2%, and P-value = 0.00024. The best model to estimate the oil palm biomass using PALSAR images is Y = 77.76+14.427*HH-4.213*HV with R2 value of 76.8%, and P-value = 4.525*10-6; while the model of oil palm biomass estimation using Landsat is Y = 40.81 + 25.2*NDVI - 198.1*NDVI2 having R2value of 60.6% and P-value = 1.358*10-10. Using the selected model, map of the biomass distribution could be developed.
PENDUGAAN BIOMASA TEGAKAN MENGGUNAKAN
CITRA ALOS PALSAR
(Studi Kasus di Kabupaten Simalungun, Sumatera Utara)
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada
Departemen Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor
I PUTU INDRA DIVAYANA
E14061502
DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
PERNYATAAN
Dengan ini saya menyatakan bahwa skripsi berjudul Pendugaan Biomasa Tegakan Menggunakan Citra ALOS PALSAR (Studi Kasus di Kabupaten Simalungun, Sumatera Utara) adalah benar-benar hasil karya saya sendiri dengan bimbingan dosen pembimbing dan belum pernah digunakan sebagai karya ilmiah pada Perguruan Tinggi atau lembaga manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Bogor, Nopember 2011
LEMBAR PENGESAHAN
Judul Penelitian : Pendugaan Biomasa Tegakan Menggunakan Citra ALOS PALSAR (Studi Kasus di Kabupaten Simalungun, Sumatera Utara)
Nama Mahasiswa : I Putu Indra Divayana Nomor Pokok : E14061502
Departemen : Manajemen Hutan
Menyetujui : Dosen Pembimbing
Prof. Dr. Ir. I Nengah Surati Jaya, M.Agr NIP. 19610909 198601 1 001
Mengetahui:
Ketua Departemen Manajemen Hutan IPB
Dr. Ir. Didik Suharjito, MS. NIP. 19630401 199403 1 001
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 21 Mei 1988 di Denpasar, Bali. Penulis adalah anak pertama dari dua bersaudara pasangan Bapak Drs. I Wayan Sujana dan Ibu Dra. Ni Nyoman Rai Sudiasih. Penulis menyelesaikan pendidikan dasar di SDN No. 4 Padangkerta lulus tahun 2000, pendidikan menengah pertama di SLTP Negeri 2 Amlapura lulus tahun 2003, dan pendidikan menengah atas di SMA Negeri 2 Amlapura lulus tahun 2006. Pada tahun yang sama, penulis diterima di IPB melalui jalur USMI (Undangan Seleksi Masuk IPB) dan pada tahun 2007 penulis diterima di Departemen Manajemen Hutan, Fakultas Kehutanan.
Selama menjadi mahasiswa, penulis pernah menjadi asisten mata kuliah Inventarisasi Sumberdaya Hutan pada tahun ajaran 2008-2009, asisten mata kuliah Ilmu Ukur Tanah dan Pemetaan Wilayah pada tahun ajaran 2010-2011, dan asisten mata kuliah Geomatika dan Inderaja Kehutanan pada tahun ajaran 2010-2011. Penulis aktif sebagai panitia dalam kegiatan International Symposium on Forest Monitoring Methodologies for Addresing Climate Change using ALOS PALSAR di Bogor pada tahun 2010, sebagai panitia dalam kegiatan Pelatihan Penggunaan Citra ALOS PALSAR Dalam Pemetaan Penutupan Lahan / Hutan pada tahun 2011, serta berpartisipasi aktif dalam Studium Generale On Forest Inventory pada tahun 2011. Selain itu, penulis juga aktif menjadi volunteer di FORCI Development tahun 2009 sampai sekarang. Penulis juga aktif berpatisipasi dalam berbagai kepanitiaan kegiatan kemahasiswaan di Institut Pertanian Bogor dan aktif mencalonkan diri sebagai ketua himpunan profesi FMSC pada tahun 2008.
UCAPAN TERIMA KASIH
Pada kesempatan ini penulis mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Prof. Dr. Ir. I Nengah Surati Jaya, M.Agr selaku dosen pembimbing atas segala bimbingan, pengarahan, ilmu, kesabaran, motivasi, dan waktu selama penyusunan skripsi.
2. Dr. Nining Puspaningsih, M.Si dan Ir. Bintang CH Simangunsong, M.S, Ph.D selaku tim penguji atas kebijaksanaan, ilmu, dan motivasi yang diberikan. 3. Dr. Tatang Tiryana, M.S yang telah meluangkan waktu membaca dan
mengoreksi penulisan Skripsi penulis.
4. Dr. Ir. M. Buce Saleh, M.S atas ilmu dan motivasi yang diberikan.
5. Seluruh dosen dan staf Departemen Manajemen Hutan atas segala ilmu dan bantuannya.
6. Orang tua penulis Bapak Drs. I Wayan Sujana dan Ibu Dra. Ni Nyoman Rai Sudiasih, adik penulis Kadek Indri Dwipayanti serta seluruh keluarga besar penulis atas doa, pengorbanan, dan kesetiaan dalam mendampingi penulis. 7. Bpk. Uus Saeful M. dan Aa Edwine Setia P, S.Hut atas segala kesabaran,
ilmu, dan pengarahan yang telah diberikan.
8. Wulan Sastrinni, S.Hut, Putu Ananta Wijaya, S.Hut, Rizka Wulandari, S.Hut, dan Anom Kalbuadi, S.Hut atas dukungan dan kebersamaannya dalam mendampingi penulis.
9. Saudara seperjuangan di basecamp Semeru (Fahutan 43) yaitu Ade Kurnia R, S.Hut, Novriadi Zulfida, S.Hut, Hafid Faris Hakim, S.Hut, Raditya M. Rachman, S.Hut, Rangga Wisanggara, S.Hut, Abdul Aris, S.Hut, Martinus Ardy, S.Hut, Fredinal, S.Hut, Adrian Riyadi Putra, S.Hut, Radityo Hanurjoyo, S.Hut, Adly Rahandi Lubis, S.Hut, Rahmat Muslim, S.Hut, Rakhmat Hidayat, S.Hut, Dicky Kristia Dinata, S.Hut, Bagus Ferry, S.Hut, Amri Muhammad Saadudin, S.Hut, Niechi Valentino, S.Hut, Randhie Kiswantara, S.Hut, Surahman, S.Hut, Redi Satriawan, S.P dan Resang Asmara, S.Hut atas segala dukungan yang diberikan tanpa henti kepada penulis.
Nurindah R, Ratih, Bang Ipul Daulay, Pak Mukhalil, Pak Ayub, Pak Kunkun, Bu Eva, Bu Tien, Bunda Mul, Made Panda, Puar, Adek, Eri, Fatia, Ucok, Icha 44, Tatan, Adit, Sani, dan Monik atas dukungannya.
11. Rekan-rekan FORCI Development, Om Bagong, Om Yusup, Mba Wita, Mba Restu, Putri Nidya, Hangga, Bang Ian, Rizki Mohfar, Adi Jombang, Rizki Agung, dan Rizki Onta atas semua motivasinya.
12. Keluarga besar MNH khususnya MNH 43 atas segala kebersamaan dan dukungannya.
KATA PENGANTAR
Segala puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa yang telah memberikan kemudahan dan kelancaran kepada penulis dalam menyelesaikan skripsi yang berjudul Pendugaan Biomasa Tegakan Menggunakan Citra ALOS PALSAR (Studi Kasus di Kabupaten Simalungun, Sumatera Utara).
Skripsi ini disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan di Fakultas Kehutanan Institut Pertanian Bogor. Skripsi ini berisi gambaran mengenai analisis hubungan antara nilai backscatter pada citra PALSAR dan nilai digital pada citra Landsat terhadap biomasa tanaman karet dan kelapa sawit di lapangan. Serta pembuatan peta sebaran hasil pendugaan biomasa tanaman karet dan kelapa sawit di lapangan.
Penulis menyadari bahwa skripsi ini masih belum sempurna. Oleh karena itu penulis mengharapkan saran, kritik, dan masukan demi perbaikan tulisan ini. Penulis berharap skripsi ini dapat bermanfaat bagi semua pihak yang membutuhkan.
DAFTAR ISI
Halaman DAFTAR ISI ... ... i DAFTAR TABEL ... ... iii DAFTAR GAMBAR ... ... iv DAFTAR LAMPIRAN ... v BAB I PENDAHULUAN
1.1 Latar Belakang ... 1 1.2 Tujuan ... 4
1.3 Manfaat ... 4 BAB II METODE PENELITIAN
2.1 Waktu dan Tempat... 5 2.2 Data, Software, Hardware, dan Alat... 6 2.3 Tahapan Pelaksanaan ... 6 2.3.1 Persiapan dan Pengumpulan Data... . 9 2.3.2 Pengolahan Citra... 9 2.3.3 Pengambilan Data Lapangan ... 13 2.3.4 Pengolahan Data Lapangan... 14 2.3.5 Pembangunan Model... 15 BAB III KONDISI UMUM LOKASI
3.1 Letak Geografis ... ... 25
3.2 Topografi... 25 3.3 Iklim ... 25 3.4 Penduduk ... ... 26 3.5 Potensi Ekonomi... 26 BAB IV HASIL DAN PEMBAHASAN
4.1 Hasil Pengolahan Data Lapangan ... 27 4.2 Model-model Penduga Biomasa ... 29
Halaman BAB V KESIMPULAN DAN SARAN
6.1 Kesimpulan ... 41 6.2 Saran ... ... 41 DAFTAR PUSTAKA ... ... 42
DAFTAR TABEL
No. Halaman 1. Hasil analisis backscatter untuk kelapa sawit dan karet pada beberapa
ukuran sampel citra PALSAR... ... 12 2. Bentuk model-model yang diuji-cobakan dalam melakukan estimasi
biomasa pada citra PALSAR dan citra Landsat... ... 17 3. Tabel analisis ragam... 20 4. Hasil perhitungan biomasa tanaman karet dan kelapa sawit... 27 5. Hasil perhitungan matriks korelasi antar peubah pada citra PALSAR... 30 6. Hasil analisis hubungan antara biomasa kelapa sawit terhadap
peubah-peubah citra PALSAR... 34 7. Hasil analisis hubungan antara biomasa kelapa sawit terhadap
peubah-peubah citra Landsat... 34 8. Tabel hasil analisis regresi pemilihan model terbaik pada tanaman
karet dan kelapa sawit... ... 36 9. Hasil verifikasi model terbaik pada tanaman karet dan kelapa sawit
menggunakan Uji-χ2... ... 37 10. Hasil verifikasi model terbaik pada tanaman karet dan kelapa sawit
DAFTAR GAMBAR
No. Halaman
1. Peta lokasi kajian penelitian... 5 2. Citra Landsat ETM 7 pada tutupan lahan karet dan kelapa sawit... 7 3. Citra ALOS PALSAR pada tutupan lahan karet dan kelapa sawit... 7 4. Diagram Alur Penelitian... ... 8 5. Hasil penafsiran tutupan lahan pada citra PALSAR... 11 6. Pe
