PENDUGAAN BIOMASSA ATAS TEGAKAN
MENGGUNAKAN CITRA LANDSAT 8 DI SEKTOR
CERENTI, AREA KERJA PT RAPP
RIKRIK HIDAYATI AGUSTIN
MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pendugaan Biomassa Atas Tegakan Menggunakan Citra Landsat 8 di Sektor Cerenti, Area Kerja PT RAPP adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi 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.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Maret 2016
Rikrik Hidayati Agustin
ABSTRAK
RIKRIK HIDAYATI AGUSTIN. Pendugaan Biomassa Atas Tegakan Menggunakan Citra Landsat 8 di Sektor Cerenti, Area Kerja PT RAPP. Dibimbing oleh MUHAMMAD BUCE SALEH.
Landsat 8 merupakan satelit pemantau sumberdaya alam yang memiliki sensor Onboard Operational Land Imager (OLI) dan Thermal Infrared Sensor
(TIRS) dengan saluran pankromatik, multispektral, dan termal berjumlah total 11 band. Penelitian ini bertujuan untuk merumuskan model penduga biomassa berdasarkan nilai digital band dari citra Landsat 8 dan indeks vegetasi serta membuat peta sebaran biomassa dari model terbaik. Perhitungan biomassa dilakukan menggunakan model alometrik. Pemilihan model terbaik dilakukan berdasarkan uji-F, nilai koefisien determinasi terkoreksi (R2-adj), dan nilai RMSE. Hasil pengujian menunjukkan model terbaik adalah model regresi eksponensial dengan persamaan Y= 0.074273578 x e0.001105 Band 1 - 0.000518 Band 6 - 4.22 NDVI. Model
regresi terbaik digunakan sebagai dasar pembuatan peta sebaran biomassa. Hasil analisis akurasi menunjukkan bahwa peta sebaran biomassa terbaik adalah peta sebaran biomassa dengan enam kelas dengan nilai overall accuracy 86.27% dan
kappa accuracy 86.11%.
Kata kunci : biomassa atas, Landsat 8, model penduga biomassa, pemetaan
ABSTRACT
Rikrik Hidayati Agustin. Aboveground Biomass Estimation Using Landsat 8 Image in Cerenti Sector, Working Area of PT RAPP. Supervised by MUHAMMAD BUCE SALEH
Landsat 8 is a satellite which can be used to monitor natural resources, including biomass content. Landsat 8 carries Operational Land Imager (OLI) sensor which includes 9 bands and Thermal Infrared Sensor (TIRS) which provides two thermal bands. This research aims to establish relationships between measurements and remote sensing indices by the form of regression model and map aboveground biomass based on chosen model. Biomass calculation were performed using allometric equation. Best model was selected based on/by F-test parameter, adjusted coefficient of determination (R2-adj) value, and RMSE value. Result showed that selected model was exponential model (Y= 0.074273578 x e0.001105 Band 1 - 0.000518 Band 6 - 4.22 NDVI) with R2 and R2-adj 82.97% and 80.93%, respectively, which served as basis for mapping aboveground biomass. Highest overall accuracy and kappa accuracy value (86.27% and 86.11% respectively) was acquired by 6-classes biomass map.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan
pada
Departemen Manajemen Hutan
PENDUGAAN BIOMASSA ATAS TEGAKAN
MENGGUNAKAN CITRA LANDSAT 8 DI SEKTOR
CERENTI, AREA KERJA PT RAPP
MANAJEMEN HUTAN FAKULTAS KEHUTAN INSTITUT PERTANIAN BOGOR
Judul Skripsi: Pendugaan Biomassa Atas Tegakan Menggunakan Citra Landsat 8
Nama NIM
di Sektor Cerenti, rea Kerja PT RAPP
: Rikrik Hidayati Agustin : El411 0044
Disetujui oleh
1
Dr Ir M Buce MS
Pembimbing
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas rahmat dan inayah-Nya sehingga karya ilmiah ini dapat diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan pada bulan Januari 2015–Januari 2016 ini adalah pendugaan biomassa, dengan judul Pendugaan Biomassa Atas Tegakan Menggunakan Citra Landsat 8 di Sektor Cerenti Area Kerja PT RAPP.
Terima kasih penulis ucapkan pada Bapak Dr Ir Muhammad Buce Saleh, MS selaku dosen pembimbing, keluarga besar Laboratorium GIS dan Remote Sensing
yang telah membantu dalam pengolahan data. Penghargaan juga penulis sampaikan kepada direksi beserta seluruh staf dan karyawan PT Riau Andalan Pulp and Paper, khususnya Bapak Rudiyanto selaku manajer Sektor Cerenti, Bapak Renda Sinaga selaku Asisten Kepala Perencanaan Hutan, Bapak Fajar Dwi Sulistyanto selaku pembimbing lapangan dan teman-teman satu bimbingan dan tim PKL di PT RAPP yang telah banyak membantu selama pengumpulan dan pengolahan data. Penulis juga menyampaikan ungkapan terima kasih kepada orangtua penulis dan seluruh keluarga atas dukungannya, serta keluarga besar Manajemen Hutan 48, teman-teman hidrologi yang telah menyokong dan memberikan motivasi dalam penyelesaian karya ilmiah ini.
Semoga karya ilmiah ini bermanfaat.
Bogor, Maret 2016
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 1
METODE 2
Lokasi dan Waktu Penelitian 2
Alat dan Bahan 2
Prosedur Penelitian 2
HASIL DAN PEMBAHASAN 8
Kondisi Umum Lokasi Penelitian 8
Identifikasi Titik Plot Pengamatan di Lapangan 9
Penyusunan Model Penduga Biomassa 10
Pemilihan Model Terbaik 11
Pembuatan Peta Sebaran Biomassa dan Analisis Akurasi 12
SIMPULAN DAN SARAN 14
Simpulan 14
Saran 14
DAFTAR PUSTAKA 15
LAMPIRAN 17
DAFTAR TABEL
1 Persamaan alometrik untuk menduga biomassa atas permukaan 4
2 Matriks kesalahan 7
3 Klasifikasi penggunaan lahan di area kerja PT Riau Andalan Pulp and Paper berdasarkan peta kawasan hutan dan perairan (SK
180/Menhut-II/2013 pada tanggal 2 Maret 2013) 9
4 Kondisi lapangan dan biomassa rata-rata pada masing-masing tipe
tutupan lahan 9
5 Hubungan nilai digital peubah citra terhadap biomassa 10
6 Model penduga biomassa 11
7 Model penduga biomassa dengan VIF kurang dari 5 11 8 Kelas sebaran biomassa berdasarkan Sturges dan tutupan lahan serta
distribusi biomassa 12
9 Hasil perhitungan overall accuracy dan kappa accuracy 14
DAFTAR GAMBAR
1 Lokasi titik plot contoh di Sektor Cerenti 4
2 Sebaran biomasa dengan 5 kelas 13
3 Sebaran biomassa dengan 6 kelas 13
DAFTAR LAMPIRAN
1 Matrik korelasi antara nilai digital dan indeks vegetasi citra terhadap
biomassa 17
2 Sebaran biomassa dengan 5 kelas 17
3 Sebaran biomassa dengan 6 kelas 18
PENDAHULUAN
Latar Belakang
Biomassa didefinisikan sebagai jumlah total bahan organik di atas tanah pada pohon, termasuk daun, ranting, cabang, batang utama, dan kulit yang dinyatakan dalam berat kering oven ton per unit area (Brown 1997 dalam Agustina 2013).
Aboveground biomass (AGB) atau biomassa atas berkaitan dengan banyak komponen penting, misalnya siklus karbon, alokasi nutrisi tanah, akumulasi bahan bakar, dan lingkungan habitat pada ekosistem terestrial. AGB berpengaruh atas emisi karbon potensial yang dapat dilepaskan ke atmosfer karena deforestasi dan perubahan atas AGB regional berasosiasi dengan perubahan pada iklim dan ekosistem (Lu 2005).
Menurut Mitchard et al. (2009) dalam Rahayu (2012), secara garis besar terdapat dua golongan metode pendugaan AGB, yakni teknik pemanenan dan teknik pendugaan tidak langsung. Teknik pemanenan dengan metode destruktif mengharuskan penebangan individu pohon dalam area contoh dan menimbang beratnya. Sementara itu, teknik pendugaan tidak langsung terdiri dari teknik hubungan alometrik, crop meter, penginderaan jauh, dan pembuatan model (Bombelli et al. 2009 dalam Rahayu 2012).
Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi mengenai objek, area, atau fenomena melalui analisis yang diperoleh dengan alat tanpa kontak langsung dengan objek, area, atau fenomena yang dikaji (Lillesand et al. 1990). Teknik remote sensing untuk pendugaan biomassa dapat dilakukan dengan memanfaatkan citra satelit, misalnya citra Landsat 8.
Landsat 8 merupakan kelanjutan dari misi Landsat yang untuk pertama kali menjadi satelit pengamat bumi sejak 1972 (Landsat 1). Satelit landsat 8 memiliki sensor Onboard Operational Land Imager (OLI) dan Thermal Infrared Sensor (TIRS) dengan jumlah kanal sebanyak 11 buah. Di antara kanal-kanal tersebut, 9 kanal (band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 11) pada TIRS. Dibandingkan versi-versi sebelumnya, Landsat 8 memiliki beberapa keunggulan khususnya terkait spesifikasi band-band yang dimiliki maupun panjang rentang spektrum gelombang elektromagnetik yang ditangkap.
Sebagaimana telah diketahui, warna objek pada citra tersusun atas 3 warna dasar, yaitu Red, Green dan Blue (RGB). Dengan makin banyaknya band sebagai penyusun RGB komposit, maka warna-warna objek menjadi lebih bervariasi (USGS 2014). Bertambahnya jumlah kanal dan perbedaan karakteristik panjang gelombang yang terdapat pada band di citra Landsat 8 diharapkan dapat meningkatkan kemampuan citra dalam menduga potensi biomassa di Sektor Cerenti, Desa Munsalo Kopah, Kecamatan Kuantan Tengah, Kabupaten Kuantan Singingi, Provinsi Riau.
Tujuan Penelitian
2
METODE
Lokasi dan Waktu Penelitian
Penelitian ini dilaksanakan pada bulan Januari 2015 sampai dengan Januari 2016 melalui tiga tahap. Tahap pertama yaitu prapengolahan citra yang dilakukan pada bulan Januari 2015 di Laboratorium Remote Sensing dan GIS, Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor. Tahap kedua yaitu pengambilan data lapangan yang dilaksanakan pada bulan April sampai dengan Mei 2015 bertempat di Sektor Cerenti, area kerja PT Riau Andalan Pulp and Paper, Desa Munsalo Kopah, Kecamatan Kuantan Tengah, Kabupaten Kuantan Singingi, Provinsi Riau. Tahap ketiga yaitu pengolahan data yang dilakukan pada bulan Juni 2015 sampai dengan Januari 2016 yang dilakukan di Laboratorium
Remote Sensing dan GIS, Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor.
Alat dan Bahan
Alat yang digunakan pada penelitian ini antara lain GPS (Global Positioning System), pita diameter (phi band), pita ukur, alat tulis, tally sheet, kamera digital, satu unit laptop dengan perangkat lunak Erdas Imagine 9.1, ArcGIS 9.3, Minitab 17, Microsoft Excel 2013, dan Microsoft Word 2013.
Data yang digunakan pada penelitian ini terdiri atas data primer dan data sekunder. Data primer adalah data yang dihasilkan dari pengamatan langsung di lapangan untuk menduga biomassa, yaitu jenis tanaman, diameter pohon setinggi dada (dbh), umur tanaman, dan koordinat titik pusat plot (X,Y). Sedangkan data sekunder adalah data yang digunakan untuk memperoleh keadaan umum lokasi penelitian berupa citra Landsat 8 Path/Row 126/60 liputan bulan Juni tahun 2014 dan peta batas administrasi area kerja Sektor Cerenti PT RAPP, Kabupaten Kuantan Singingi.
Prosedur Penelitian Prapengolahan Citra
1. Import citra
Citra Landsat 8 yang diperoleh memiliki format GeoTIFF yang kemudian diubah menjadi format *.img menggunakan perangkat lunak Erdas Imagine.
2. Layer stack
Proses ini merupakan proses penggabungan band-band pada citra yang dimaksudkan untuk memperoleh suatu data multispektral yang terdiri dari band cahaya tampak (visible), near infrared (NIR), shortwave infrared (SWIR), dan Cirrus pada citra Landsat 8. Citra gabungan pada citra Landsat 8 dihasilkan dari gabungan band 1 sampai 7 dan band 9.
3. Koreksi geometrik
3 posisi yang tepat. Proses rektifikasi pada citra Landsat 8 telah dilakukan dengan data Digital Elevation Model (DEM) dari Global Land Surveys 2000, sehingga hanya perlu dilakukan reproject citra untuk mengubah proyeksi citra menjadi
Universal Transverse Mercator (UTM) zona 48S dan datum yang digunakan adalah WGS 84.
4. Pemotongan citra
Pemotongan citra merupakan pemotongan atau pembatasan citra yang akan digunakan sehingga sesuai dengan lokasi penelitian. Tahap ini dilakukan untuk mempermudah kegiatan analisis pada lokasi yang akan diamati. Pemotongan citra Landsat 8 wilayah Kabupaten Kampar dan Kabupaten Kuantan Singingi, Provinsi Riau (Path / Row 126 / 60) sesuai batas administrasi area kerja Sektor Cerenti PT RAPP dilakukan dengan menggunakan software ERDAS Imagine. 5. Pembuatan citra NDVI, SRVI, SDVI, dan TVI
Indeks vegetasi adalah besaran tidak berdimensi yang berfungsi sebagai indikator dari kelimpahan relatif dan aktivitas dari vegetasi hijau, seringkali menyertakan kandungan klorofil dan biomassa tumbuhan (Jensen 1996 dalam Ribeiro et al. 2012). Citra rasio umumnya citra yang diturunkan dari rasio antara band penyerap dengan band pemantul spektral dari suatu material. Penyerapan biasanya berbasis pada bahan-bahan kimia dari permukaan objek. Oleh karena itu, rasio ini akan menghasilkan informasi yang terkait dengan komposisi vegetasi dari suatu objek. Dalam penelitian ini digunakan indeks vegetasi NDVI (Normalized Difference Vegetation Index), SRVI (Single Ratio Vegetation Index), SDVI (Simple Difference Vegetation Index), dan TVI (Transformed Vegetation Index). Berikut adalah rumus keempat indeks vegetasi tersebut (Jaya 2010):
C = konstanta, besarnya umumnya 0.5 Pengambilan Data Lapangan
4
Sektor Cerenti dan menurut sebaran umur tanaman Eucalyptus sp., Acacia crassicarpa dan Acacia mangium. Titik plot contoh tersebut disebar di empat jenis tutupan lahan yang terdiri atas 13 plot tipe hutan tanaman jenis Eucalyptus sp., 1 plot tipe hutan tanaman jenis A. crassicarpa, 7 plot tipe hutan tanaman jenis A. mangium, dan 8 plot tipe hutan alam.
Plot contoh untuk hutan alam sekunder berbentuk persegi dengan ukuran 20 m x 20 m, sementara plot untuk hutan tanaman berbentuk lingkaran dengan jari-jari 11.28 m seluas 0.04 ha. Data yang diambil antara lain diameter pohon setinggi dada (dbh), jenis pohon, umur pohon, dan koordinat titik pusat plot contoh. Titik-titik plot contoh disajikan dalam Gambar 1.
Gambar 1 Lokasi titik plot contoh di Sektor Cerenti
Pengolahan Data Lapangan
Pengolahan data lapangan dilakukan untuk mendapatkan nilai dugaan biomassa pada tiap plot contoh yang diukur di lapangan. Pendugaan biomassa atas dilakukan dengan menggunakan persamaan alometrik yang telah tersedia. Tabel 1 menyajikan persamaan alometrik untuk biomassa atas yang digunakan dalam penelitian ini.
Tabel 1 Persamaan alometrik untuk menduga biomassa atas permukaan
Jenis pohon Persamaan alometrik Sumber
Eucalyptus sp AGB = 0.0678D2.5794 Onrizal et al., 2010
Acacia mangium AGB = 0.0528(D2)1.3612 Heriansyah I, 2005
5 Pengolahan Data Citra
Citra yang digunakan dalam penelitian ini merupakan penggabungan dari band cahaya tampak (visible), Near Infrared (NIR), Shortwave Infrared (SWIR), dan Cirrus pada Landsat 8 ditambah dengan indeks vegetasi Simple Ratio Vegetation Index (SRVI), Simple Difference Vegetation Index (SDVI), Normalized Difference Vegetation Index (NDVI), dan Transformed Vegetation Index (TVI). Dengan menggunakan Erdas Imagine 9.1 dibuat buffer pada titik pengamatan di lapangan dengan ukuran buffer 3 piksel x 3 piksel pada citra Landsat 8 serta citra rasio. Buffer tersebut setara dengan 90 m x 90 m di lapangan yang ditentukan berdasarkan pertimbangan error/galat GPS dan pergeseran citra sehingga nilai yang diambil adalah nilai digital rata-rata pada buffer dan titik pengamatan.
Penyusunan Model Penduga Potensi Biomassa
Menurut Wahyuni (2012) dalam Solihin (2014), perhitungan biomassa dengan menggunakan penginderaan jauh dilakukan dengan cara mencari korelasi antara parameter lapangan dengan parameter digital pada citra satelit dengan membuat model persamaan. Peubah citra yang diamati dalam penelitian ini adalah nilai digital band citra Landsat 8 dan nilai indeks vegetasi Simple Ratio Vegetation Index (SRVI), Simple Difference Vegetation Index (SDVI), Normalized Difference Vegetation Index (NDVI), dan Transformed Vegetation Index (TVI). Persamaan regresi yang diujikan dalam menduga biomassa adalah :
1. Regresi linear berganda
Proses penyusunan model penduga biomassa diawali dengan melakukan analisis korelasi. Analisis korelasi mencoba mengukur kekuatan hubungan antara peubah X dan Y melalui sebuah bilangan yang disebut koefisien korelasi (Walpole 1992). Korelasi yang terjadi antara dua variabel dapat berupa korelasi positif, korelasi negatif, tidak ada korelasi, ataupun korelasi sempurna (Hasan 2002). Nilai koefisien korelasi (r) berkisar antara -1 sampai dengan +1. Nilai r terbesar adalah +1 yang menunjukkan hubungan positif sempurna dan r terkecil adalah -1 yang menunjukkan hubungan negatif sempurna (Usman dan Akbar 2006). Hipotesis yang dibangun untuk mengetahui korelasi antarpeubah adalah :
H0: ρ = 0, artinya tidak ada korelasi antar dua peubah
H1: ρ ≠ 0, artinya ada korelasi antar dua peubah
Kaidah keputusan hipotesis dapat dilihat melalui hasil p-value dari uji korelasi menggunakan software Minitab 17. Jika p-value ≥ α, maka terima H0. Jika
p-value < α, maka tolak H0. α merupakan probabilitas untuk melakukan kesalahan
dengan nilai sebesar 5% atau tingkat kepercayaan sebesar 95 %.
6
dalam Putri (2011), salah satu ukuran yang dapat digunakan untuk menguji adanya multikolinearitas pada regresi linear berganda adalah Variance Inflation Factors
(VIF). Jika ada nilai VIF yang melebihi 10, maka ini menandakan bahwa koefisien-koefisien regresi adalah estimasi yang kurang baik karena pengaruh multikolinearitas. Selain itu VIF juga dapat membantu mengidentifikasi variabel-variabel bebas mana yang terlibat dalam multikolinearitas.
Setelah terbentuk model regresi, selanjutnya dilakukan pengujian koefisien regresi. Koefisien regresi merupakan koefisien yang mengukur besarnya pengaruh peubah bebas X terhadap peubah terikat Y dalam model analisis regresi. Uji koefisien regresi dilakukan melalui uji F-hitung (ANOVA) dan melihat koefisien determinasi (R2) dan koefisien determinasi terkoreksi (R2-adj).
Uji F-hitung dilakukan untuk melihat secara keseluruhan koefisien regresi yang memberikan pengaruh secara signifikan terhadap model yang dibuat. Uji-F dapat dilakukan dengan membandingkan F-hitung yang dihasilkan pada tabel ANOVA dengan F-tabelpada distribusi F. Hipotesis yang dibangun pada pengujian ini adalah:
H0: β1 = 0; peubah terikat Y tidak dipengaruhi oleh peubah bebas X H1: β1≠ 0; peubah terikat Y dipengaruhi oleh peubah bebas X
Kaidah pengambilan keputusan yang digunakan adalah terima H0 jika nilai
Fhit < Ftab dan tolak H0 apabila Fhit > Ftab dengan tingkat kepercayaan sebesar 95 % (α = 0.05).
Selain itu, dilakukan pengujian melalui nilai koefisien determinasi, koefisien determinasi terkoreksi, dan RMSE. Menurut Supranto (2009) koefisien determinasi (R2) yaitu nilai untuk mengukur besarnya kontribusi X terhadap variasi (naik atau turunnya) Y. Sedangkan koefisien determinasi terkoreksi (R2-adj) merupakan nilai
koefisien determinasi yang nilai dari peubah-peubahnya telah dikoreksi. R2 dan R2 -adj dinyatakan dalam persen. RMSE digunakan untuk mengetahui seberapa besar
error yang dihasilkan pada perhitungan model jika dibandingkan dengan nilai aktual.
Pemilihan Model Terbaik
Model regresi yang terpilih merupakan model dengan nilai R2 dan R2-adj tertinggi, memiliki nilai simpangan baku (RMSE) yang kecil, terdapat pengaruh antara peubah bebas dengan peubah terikat berdasarkan hasil uji F, serta kolinearitas serendah mungkin dengan memperhatikan nilai VIF.
Pembuatan Peta Sebaran Biomassa Atas
Pembuatan peta sebaran biomassa dilakukan dengan bantuan software Erdas Imagine 9.1 untuk melakukan pemodelan spasial dengan menggunakan modeler
dan ArcGis 9.3 untuk melakukan reklasifikasi nilai biomassa pada setiap pikselnya. Peta sebaran dibuat berdasarkan kelas yang telah ditentukan. Penentuan banyaknya kelas mengacu pada Sturges dan juga menurut jenis tutupan lahan yang ditemukan di lapangan. Rumusnya adalah sebagai berikut.
K = 1 + (3.3 log n) (Sturges 1926) Keterangan :
7 Selang kelas ditentukan dengan :
I = (Bmax – Bmin)/K Keterangan :
I = Interval kelas Bmax = datum terbesar Bmin = datum terkecil
Uji Akurasi Peta Sebaran Biomassa Atas
Uji akurasi digunakan untuk melihat tingkat keterwakilan dan tingkat akurasi pembuatan peta sebaran biomassa. Uji akurasi ketelitian pemetaan dilakukan dengan membuat matriks kontingensi atau matriks kesalahan (confusion matrix). Matriks kesalahan disajikan pada Tabel 2.
Tabel 2 Matriks kesalahan
Sumber : Jaya 2010
Selanjutnya dilakukan penghitungan overall accuracy dan kappa accuracy. Rumus yang dilakukan adalah sebagai berikut (Jaya 2010):
OA =∑ XriN ∗ii %
Xii = Nilai diagonal dari matrik kontingensi dari baris ke- i dan kolom ke- i Xi+ = Jumlah piksel dalam kolom ke- i
X+i = Jumlah piksel dalam baris ke-i
N = Banyaknya titik contoh
Kelas referensi Dikelaskan ke kelas-
8
HASIL DAN PEMBAHASAN
Kondisi Umum Lokasi Penelitian Letak Geografis
Secara administratif, area kerja Sektor Cerenti PT Riau Andalan Pulp and Paper terletak di dalam wilayah Desa Munsalo Kopah, Kecamatan Kuntan Tengah, Kabupaten Kuantan Singingi, Provinsi Riau. Secara geografis area kerja tersebut terletak pada 0o34’0’’–0o43’30’’ Lintang Selatan dan 101o 35’0’’–101o51’0’’ Bujur
Timur.
Batas-batas area kerja perusahaan terdiri dari:
a. sebelah utara berbatasan dengan area kerja PT Duta Palma Nusantara dan PT Cerenti Subur,
b. sebelah timur berbatasan dengan area kerja PT Cerenti Subur, dan Kabupaten Indra Giri Hulu,
c. sebelah selatan berbatasan dengan area kerja PT Tri Bakti Sarimas, dan
d. sebelah barat berbatasan dengan area kerja PT Tri Bakti Sarimas dan PT Duta Palma Nusantara.
Luas area kerja PT Riau Andalan Pulp and Paper sebesar 30 040 ha ditetapkan melalui persetujuan dari Menteri Kehutanan yang tertuang dalam SK.180/Menhut– II/2013 pada tanggal 21 Maret 2013.
Iklim dan Topografi
Menurut klasifikasi Koppen, tipe iklim Kabupaten Kuantan Singingi adalah tipe AFA (tropika basah) dengan curah hujan tahunan di atas 1500 mm dengan temperatur maksimum rata-rata 32 °C–33 °C. Sementara itu, wilayah Kabupaten Kuantan Singingi secara keseluruhan berupa daratan. Topografi di Sektor Cerenti berupa area yang bergelombang dan berbukit dengan didominasi oleh area yang curam sampai agak curam. Kurang dari setengah luas area Sektor Cerenti bertopografi datar sampai landai.
Kategori Kelas Hutan dan Lahan
9 Tabel 3 Klasifikasi penggunaan lahan di area kerja PT Riau Andalan Pulp and Paper berdasarkan peta kawasan hutan dan perairan (SK 180/Menhut-II/2013 pada tanggal 2 Maret 2013)
Identifikasi Titik Plot Pengamatan di Lapangan
Berdasarkan hasil pengamatan lapangan terhadap 29 plot contoh yang dilakukan di Sektor Cerenti, Desa Munsalo Kopah, Kecamatan Kuantan Tengah, Kabupaten Kuantan Singingi, Provinsi Riau, terdapat empat tipe tutupan lahan yaitu hutan tanaman Eucalyptus sp., hutan tanaman Acacia mangium, hutan tanaman
Acacia crassicarpa, dan hutan alam sekunder. Pada setiap plot dilakukan perhitungan biomassa dengan menggunakan model alometrik yang tersedia. Tabel 4 menyajikan informasi tentang kondisi lapangan dan biomassa rata-rata pada masing-masing tipe tutupan lahan.
Tabel 4 Kondisi lapangan dan biomassa rata-rata pada masing-masing tipe tutupan lahan
Tipe Tutupan Lahan
Rincian
Jumlah Plot Kondisi Lapangan
Biomassa rata-rata ditemui di lapangan, sehinga plot yang diambil pada tutupan lahan ini sebanyak 13 plot. Tutupan lahan yang paling jarang dijumpai di Sektor Cerenti adalah A. crassicarpa sehingga pengambilan data hanya dilakukan pada satu plot contoh.
Biomassa rata-rata yang didapat dari pengolahan data lapangan pada berbagai tutupan lahan besarnya bervariasi. Variasi ini disebabkan perbedaan diameter pohon, umur pohon, serta jumlah pohon pada masing-masing plot ukur. Secara
Peruntukan Kawasan Luas (ha) Persentase (%)
Hutan alam 5 995 19.96
Sarana dan Prasarana 700 2.33
Tanaman unggulan 1 277 4.25
Tanaman kehidupan 1 953 6.50
Tanaman pokok 20 115 66.96
10
keseluruhan, biomassa rata-rata tertinggi terdapat pada hutan alam sebesar 102.93 ton/ha dan biomassa terkecil terdapat pada A. crassicarpa sebesar 30.11 ton/ha.
Pada penelitian ini, tegakan pada hutan tanaman Eucalyptus sp., A. mangium
dan A. crassicarpa dibagi menjadi beberapa kelas berdasarkan umurnya. Tegakan
Eucalyptus sp. dibagi menjadi sangat muda (<1 tahun), muda (1-2 tahun), sedang (2-3 tahun), dan tua (>3 tahun). Sementara itu tegakan A. mangium terbagi atas tegakan muda (1-2 tahun), sedang (2-3 tahun), dan tua (>3 tahun). Tegakan A. crassicarpa hanya terdiri atas A. crassicarpa muda berumur 1-2 tahun.
Biomassa rata-rata pada hutan tanaman Eucalyptus sp. dan A. mangium
cenderung bertambah seiring meningkatnya umur tanaman. Hal ini berkaitan dengan diameternya yang semakin besar. Sementara itu, biomassa pada hutan alam memiliki rentang yang cukup besar, yaitu antara 15.46 ton/ha hingga 201.62 ton/ha. Biomassa terkecil terdapat pada plot dengan jenis tanaman Eucalyptus sp. sangat muda sebesar 0.02 ton/plot atau 0.6 ton/ha, sementara biomassa terbesar terdapat pada plot hutan alam sebesar 8.06 ton/plot atau 201.62 ton/ha.
Hutan tanaman yang dikembangkan untuk memasok bahan baku industri pulp dan kertas umumnya memiliki daur yang relatif pendek. Daur hutan tanaman industri berdasarkan SK No 931/VI-PHT/2001 telah disetujui penurunannya dari 6–7 tahun menjadi 5 tahun untuk jenis tanaman A. mangium (Suhartati et al. 2014). Dengan daur yang lebih pendek, maka tutupan lahan juga relatif lebih cepat berubah dibandingkan tanaman yang daurnya lebih panjang, misalnya jati. Oleh karena itu, waktu perekaman citra harus dipertimbangkan, agar tutupan lahan saat perekaman citra dapat semirip mungkin dengan kondisi tutupan lahan saat pengambilan data lapangan.
Penyusunan Model Penduga Biomassa
Model penduga biomassa disusun berdasarkan analisis hubungan antara peubah terikat Y (biomassa) dari pengolahan data lapangan dan peubah terikat X yaitu nilai digital band dari citra Landsat 8 serta nilai indeks vegetasi. Korelasi antara nilai digital band dari citra Landsat 8 dan nilai indeks vegetasi terhadap biomassa disajikan dalam Tabel 5.
Tabel 5 Hubungan nilai digital peubah citra terhadap biomassa
Korelasi
Berdasarkan hasil pengujian korelasi, dapat dilihat bahwa peubah yang memiliki nilai p-value < α dengan tingkat kepercayaan 95% (α = 0.05) adalah nilai digital band 1, 2, 3, 4, 5, 6, 7 pada citra Landsat 8 serta nilai digital indeks vegetasi NDVI dan TVI. Keputusan hipotesis yang diambil adalah tolak H0 jika p-value < α
11 Tabel 6 Model penduga biomassa
Model Persamaan regresi R
2
Eksponensial Y = e(59.6-0.0063Band 1 + 0.0032Band 2
+ 0.00289Band 3 – 0.00167Band 4 -0.001622Band 6 + 0.00229 Band 7 + 26.4 NDVI - 50 TVI)
86.18 80.66 15.59 2.42
Hasil pengujian pada Tabel 6 menunjukkan bahwa seluruh model memiliki nilai F-hitung yang lebih besar daripada F-tabel, sehingga keputusan yang diambil adalah tolak H0, artinya peubah terikat biomassa dipengaruhi oleh peubah bebas
nilai digital band dan indeks vegetasi.
Pemilihan Model Terbaik
Model regresi berganda yang baik tidak memiliki hubungan multikolinearitas atau hubungan yang sangat erat antara sesama peubah bebas. Jika ada masalah multikolinearitas, kesimpulan yang didapat dari hasil pengujian untuk model regresi maupun untuk masing-masing peubah yang ada dalam model seringkali tidak tepat (Hanum 2011). Salah satu metode yang digunakan untuk menguji adanya multikolinearitas adalah dengan melihat Variance Inflation Factors (VIF)
pada model. Dalam penelitian ini dibuat model dengan VIF kurang dari 5, dengan menghilangkan variabel bebas yang memiliki nilai VIF lebih dari 5. Tabel 7 menyajikan hasil analisis regresi untuk pendugaan biomassa dengan nilai VIF kurang dari 5.
Tabel 7 Model penduga biomassa dengan VIF kurang dari 5
Model Persamaan regresi R2 (%) R2-adj (%) F-hitung F-tabel RMSE
Eksponensial Y= 0.074273578 x e0.001105 Band 1 - 0.000518 Band 6 - 4.22 NDVI
12
Berdasarkan hasil pengujian statistik dengan VIF kurang dari 5, model bentuk eksponensial adalah model yang terpilih karena memiliki nilai R2 dan R2-adj terbesar yaitu 82.97% dan 80.93%, serta RMSE yang kecil sebesar 0.558. Meskipun RMSE terkecil terdapat pada model multiplikatif, namun R2 dan R2-adj pada model tersebut lebih kecil dibandingkan model eksponensial.
Pembuatan Peta Sebaran Biomassa dan Analisis Akurasi
Peta sebaran biomassa dibuat berdasarkan model terpilih dan dibuat sebanyak lima kelas dan enam kelas. Pengelasan biomassa dengan 5 kelas disusun dengan mempertimbangkan jenis tutupan lahan dan distribusi sebaran biomassa, sementara pengelasan biomassa dengan 6 kelas disusun berdasarkan aturan Sturges. Tabel 8 menyajikan selang kelas biomassa yang telah ditentukan.
Tabel 8 Kelas sebaran biomassa berdasarkan Sturges dan tutupan lahan serta distribusi biomassa
Jumlah Kelas Kelas Rentang Biomassa (ton/ha)
5
Pengelasan biomassa dengan 5 kelas memiliki rentang yang tidak sama untuk setiap kelasnya. Kelas biomassa pertama terdiri atas Eucalyptus sp. sangat muda dan A. mangium muda. Kelas kedua terdiri atas Eucalyptus sp. sedang, hutan alam,
Eucalyptus sp. tua, dan A. mangium sedang. Kelas 4 terdiri atas A. mangium tua dan hutan alam, sedangkan kelas 5 seluruhnya terdiri atas hutan alam. Penempatan hutan alam ke dalam tiga kelas yang berbeda dilakukan atas pertimbangan rentang biomassa di hutan alam yang relatif besar, biomassa terkecil pada plot hutan alam adalah 15.46 ton/ha sedangkan biomassa terbesar pada plot hutan alam sebesar 201.62 ton/ha.
13 berdasarkan interpretasi citra, tampak bahwa area tersebut memiliki tutupan lahan nonvegetasi, antara lain berupa awan dan bayangan awan. Peta sebaran biomassa dengan 5 kelas dan 6 kelas disajikan dalam Gambar 2 dan 3.
Gambar 2 Sebaran biomasa dengan 5 kelas
14
Untuk mengetahui akurasi klasifikasi peta sebaran biomassa pada masing-masing kelas, dilakukan perhitungan overall accuracy dan kappa accuracy yang hasilnya disajikan pada Tabel 9.
Tabel 9 Hasil perhitungan overall accuracy dan kappa accuracy
Jumlah Kelas Overall Accuracy (%) Kappa Accuracy (%)
5 85.40 85.34
6 86.27 86.11
Menurut Jaya (2010), nilai overall accuracy umumnya overestimate sehingga jarang digunakan sebagai indikator yang baik untuk mengukur kesuksesan suatu klasifikasi karena hanya menggunakan piksel-piksel yang terletak pada diagonal suatu matrik kontingensi. Akurasi yang dianjurkan adalah akurasi kappa karena akurasi ini menggunakan semua elemen dalam matrik. Nilai akurasi kappa pada peta dengan 6 kelas lebih tinggi daripada peta dengan 5 kelas, yaitu sebesar 86.11%. Dengan demikian peta sebaran biomassa yang paling baik digunakan adalah peta sebaran biomassa dengan 6 kelas. Citra yang digunakan pada penelitian ini direkam pada bulan Juni 2014, sementara pengambilan data dilakukan pada bulan April– Mei 2015, sehingga kemungkinan terdapat perubahan kondisi tutupan lahan yang dapat mempengaruhi akurasi pendugaan biomassa.
SIMPULAN DAN SARAN
Simpulan
Model terpilih untuk pendugaan potensi biomassa Sektor Cerenti adalah model eksponensial, yaitu Y= 0.074273578 x e(0.001105 Band 1 - 0.000518 Band 6 - 4.22 NDVI) dengan R2-adj sebesar 80.66%. Hasil pemetaan yang memiliki nilai akurasi paling baik adalah pemetaan yang mengklasifikasikan nilai biomassa ke dalam 6 kelas dengan nilai overall accuracy 86.27% dan kappa accuracy 86.11%.
Saran
15
DAFTAR PUSTAKA
Adiriono T. 2009. Pengukuran kandungan karbon (carbon stock) dengan metode karbonasi pada hutan tanaman jenis Acacia crassicarpa [tesis]. Yogyakarta (ID) : Universitas Gadjah Mada.
Agustina TL. 2013. Model penduga biomassa hutan alam lahan kering menggunakan citra Alos Palsar Resolusi 50 m di area kerja PT Trisetia Intiga [skripsi]. Bogor (ID) : Institut Pertanian Bogor.
Hanum H. 2011. Perbandingan metode stepwise, best subset regression, dan fraksi dalam pemilihan model regresi berganda terbaik. Jurnal Penelitian Sains.
14(2A) : 14201-1 – 14201-6.
Hasan I. 2002. Pokok-pokok Materi Statistik 1 (Statistik Deskriptif) Edisi Kedua. Jakarta (ID) : Bumi Aksara.
Heriansyah I. 2005. Potensi hutan tanaman industri dalam mensequerter karbon : studi kasus di hutan tanaman akasia dan pinus. Jurnal Inovasi Online [internet]. [diunduh 14 Januari 2015]; 3(17). Tersedia pada : Alometrik untuk Pendugaan Biomassa Pohon pada Berbagai Tipe Ekosistem di Indonesia. Bogor (ID) : Pusat Penelitian dan Pengembangan Konservasi dan Rehabilitasi, Badan Penelitian dan Pengembangan Kehutanan.
Laumonier Y, Edin A, Kanninen M, Munandar AW. 2010. Landscape-scale variation in the structure and biomass of the hill dipterocarp forest of Sumatra : Implications for carbon stock assessments. Forest Ecology and Management.
259 (3) : 505 – 513.
Lillesand TM, Kiefer RW. 1990. Penginderaan Jauh dan Interpretasi Citra.
Dulbahri, Suharsono P, Hartono, Suharyadi, penerjemah; Sutanto, editor. Yogyakarta (ID) : Gadjah Mada University Press. Terjemahan dari : Remote Sensing and Image Interpretation.
Lu D. 2005. Aboveground biomass estimation using Landsat TM data in the Brazilian Amazon. International Journal of Remote Sensing 26 (12) : 2509-2525. Onrizal, Kusmana C, Mansor M, Hartono R. 2010. Allometric biomass and carbon
stock equations of planted Eucalyptus grandis in Toba Plateau, North Sumatra. Di dalam : Rimbawanto et al.,editor. Proceedings of The International Seminar on Research on Plantation Forests:Challenges and Opportunities; 2009 Nov 5-6; Bogor; Indonesia. Bogor (ID) : CIFOR. hlm 247-251.
Putri AP. 2011. Penggunaan metode ridge trace dan variance inflation factors (VIF) pada regresi ridge [skripsi]. Yogyakarta (ID) : Universitas Negeri Yogyakarta. Rahayu FT. 2012. Sebaran biomassa hutan tanaman industri (HTI) di Kecamatan
Singingi, Kabupaten Kuantan Singingi, Riau [skripsi]. Depok (ID) : Universitas Indonesia.
16
Solihin MP. 2014. Aplikasi citra Landsat 8 dalam memetakan biomassa atas tegakan di KPH Ciamis [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Suhartati, Rahmayanto Y, Daeng Y. 2014. Dampak penurunan daur tanaman HTI
Acacia terhadap kelestarian produksi, ekologis, dan sosial. Info Teknis Eboni. 11 (2) : 103–116.
Supranto J. 2009. Statistik : Teori dan Aplikasi Edisi Ketujuh. Jakarta (ID) : Erlangga.
Sturges HA. 1926. The choice of a class interval. Journal of The American Statistical Association. 21 (153) : 65-66.
[USGS]United States Geological Survey. 2014. Landsat 8 [internet]. [diacu 14 Januari 2015]. Tersedia pada: http://landsat.usgs.gov/landsat8.php.
Usman H, Akbar RPS. 2006. Pengantar Statistika Edisi Kedua. Jakarta (ID): Bumi Aksara.
17
LAMPIRAN
Lampiran 1 Matrik korelasi antara nilai digital dan indeks vegetasi citra terhadap biomassa
Lampiran 2 Sebaran biomassa dengan 5 kelas
0
Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas
18
Lampiran 3 Sebaran biomassa dengan 6 kelas
Lampiran 4 Matriks kontingensi akurasi peta sebaran biomassa dengan 5 kelas
Lampiran 5 Matriks kontingensi akurasi peta sebaran biomassa dengan 6 kelas 0
Kelas referensi Dikelaskan ke kelas- Total
19
RIWAYAT HIDUP
Penulis dilahirkan di Bandung, 24 Agustus 1993. Penulis merupakan anak pertama dari 4 bersaudara pasangan Bapak Jajang Harli dan Ibu Siti Nurlaela. Penulis memulai jenjang pendidikan formal di SDPN Pajagalan 58 (1999–2002), dilanjutkan di SDN Perumnas 1 Subang (2002-2005), MTsN Subang tahun 2005– 2008, MAN Insan Cendekia Gorontalo (2008–2011) dan diterima di Institut Pertanian Bogor tahun 2011 Melalui jalur SNMPTN Undangan di Departemen Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor.
