Penyusunan Tabel Volume Pohon di Areal IUPHHK PT. Suka Jaya Makmur Kabupaten Ketapang, Kalimatan Barat.

(1)

PENYUSUNAN TABEL VOLUME POHON DI AREAL

IUPHHK PT. SUKA JAYA MAKMUR

KABUPATEN KETAPANG, KALIMANTAN BARAT

TONI DOKLES

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN

(2)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Penyusunan Tabel Volume Pohon di Areal IUPHHK PT. Suka Jaya Makmur Kabupaten Ketapang, Kalimatan Barat adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. 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, 26 Juni 2013

(3)

ABSTRAK

TONI DOKLES. Penyusunan Tabel Volume Pohon di Areal IUPHHK PT. Suka Jaya Makmur Kabupaten Ketapang, Kalimatan Barat. Dibimbing oleh BUDI KUNCAHYO.

Menduga volume pohon pada kegiatan inventarisasi hutan dibutuhkan suatu alat bantu berupa tabel volume. Tujuan penelitian ini adalah memperoleh tabel volume dari lima jenis pohon contoh, serta melakukan pengujian pengelompokan jenis pada penyusunan tabel melalui analisis kovarian. Lima jenis tersebut yaitu: meranti merah (S. parvifolia), keruing (Dipterocarpus elongatus), ubar (Euginia Spp.), medang (Litsea firma Hook.f), and jabon (Anthocephalus cadamba). Jenis meranti merah (S. parvifolia) model yang diperoleh adalah LogVa=-3.86+2.53LogX1, keruing (Dipterocarpus elongatus) adalah

LogVa=-3.75+2.46LogX1, ubar (Euginia Spp.) adalah LogVa=-3.91+2.53LogX1, medang

(Litsea firma Hook.f) adalah LogVa=-3.78+2.44LogX1, dan jabon

(Anthocephalus cadamba) adalah LogVa=-2.99+2.03LogX1. Dari kelima jenis

tersebut dihasilkan 26 kemungkinan komposisi pengelompokan jenis. Hasil yang diperoleh terdapat 4 komposisi yang memiliki nilai F hitung ≤ F tabel. Namun berdasarkan nilai R²(%), dan F-hit dari masing-masing komposisi tersebut, maka model penggabungan jenis tidak perlu dilakukan.

Kata kunci: komposisi, kovarian, pengelompokan, volume.

ABSTRACT

TONI DOKLES. Establishing Tree Volume Table For Natural Forest in Area of PT. Suka Jaya Makmur in West Kalimantan. Under Supervised by BUDI KUNCAHYO.

Volume table is a tool of forest inventory to estimate the volume of trees. The objectives of this research are to obtain the volume tables and tested five different types of tree species to be grouped through analysis of covariance. The five types are: meranti merah (S. parvifolia), keruing (Dipterocarpus elongatus), ubar (Euginia Spp.), medang (Litsea firma Hook.f), and jabon (Anthocephalus cadamba). Equation for each spesies are meranti merah (S. parvifolia) logVa=-3.86+2.53logX1, keruing (Dipterocarpus elongatus) logVa=-3.75+2.46logX1,

Ubar (Euginia Spp.) logVa=-3.91+2.53logX1, medang (Litsea firma Hook.f)

logVa=-3.78+2.44logX1, and jabon (Anthocephalus cadamba) logVa=-

2.99+2.03logX1. The five species produce 26 possible groupings species

compositions. The results obtained there are four compositions which have value of F ≤ F table. From the value of R²(%), and F-hits from each of the compositions, the groupings species compositions is not necessary.

(4)

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada Departemen Manajemen Hutan

Fakultas Kehutanan Institut Pertanian Bogor

PENYUSUNAN TABEL VOLUME POHON DI AREAL

IUPHHK PT. SUKA JAYA MAKMUR

KABUPATEN KETAPANG, KALIMANTAN BARAT

TONI DOKLES

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN

(5)

Judul Skripsi : Penyusunan Tabel Volume Pohon di Areal IUPHHK PT. Suka Jaya Makmur Kabupaten Ketapang, Kalimatan Barat.

Nama : Toni Dokles NIM : E14080102

Menyetujui, Dosen Pembimbing

Dr. Ir. Budi Kuncahyo, MS NIP. 19610720 198601 1 002

Mengetahui,

Kepala Departemen Manajemen Hutan

Dr. Ir. Didik Suharjito, MS NIP 19630401 199403 1 001

(6)

PRAKATA

Puji syukur penulis panjatkan kehadiran Allah SWT atas segala Rahmat dan Hidayah-Nya, sehingga penyusunan Tugas Akhir ini dapat diselesaikan. Tugas akhir ini disusun sebagai salah satu syarat memperoleh gelar Sarjana Kehutanan pada Departemen Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor. Tema yang dipilih dalam penelitian ini adalah Penyusunan Tabel Volume Pohon di Areal IUPHHK PT. Suka Jaya Makmur Kabupaten Ketapang, Kalimatan Barat.

Terima kasih penulis ucapkan kepada Dr. Ir. Budi Kuncahyo, MS selaku dosen pembimbingan. Penghargaan penulis sampaikan kepada PT Suka Jaya Makmur, Kalimantan Barat yang telah memfasilitasi penelitian. Ungkapan terima kasih juga disampaikan kepada kepada ayah, ibu, serta segenap keluarga, atas doa dan kasih sayangnya.

Bogor, 26 Juni 2013

(7)

DAFTAR ISI

DAFTAR TABEL iv

DAFTAR GAMBAR v

DAFTAR LAMPIRAN vi

PENDAHULUAN

Tujuan Penelitian 2

Manfaat Penelitian 2

TINJAUAN PUSTAKA

Inventarisasi Hutan 2

Inventarisasi Hutan Menyeluruh Berkala 3

Volume Pohon 3

Tabel Volume 5

METODE

Lokasi dan Waktu Penelitian 7

Alat dan Bahan 7

Metode Pengambilan Data 7

Analisis Data 8

HASIL DAN PEMBAHASAN

Keadaan Umum Lokasi Penelitian 13

Penentuan Pohon Contoh 15

Penyusunan Model Persamaan Regresi 16

Penggabungan Model Persamaan Regresi 23

Perbandingan Persamaan Regresi 25

KESIMPULAN DAN SARAN

Kesimpulan 26

Saran 26

DAFTAR PUSTAKA 27

(8)

DAFTAR TABEL

1. Analisis Kovarian 11

2. Kondisi Topografi Lahan di Areal PT. Suka Jaya Makmur 13

3. Kondisi Penutupan Vegetasi pada Fungsi Hutan IUPHHK PT. SJM 15

4. Nilai VIF (Variance Inflation Factor) peubah penduga 16

5. Matriks korelasi antar peubah jenis meranti merah 17

6. Matriks korelasi antar peubah jenis keruing 17

7. Matriks korelasi antar peubah jenis ubar 17

8. Matriks korelasi antar peubah jenis medang 17

9. Matriks korelasi antar peubah jenis jabon 18

10. Subset model untuk jenis meranti merah 18

11. Subset model untuk jenis keruing 18

12. Subset model untuk jenis ubar 18

13. Subset model untuk jenis medang 18

14. Subset model untuk jenis jabon 19

15. Nilai PRESS kandidat model 19

16. Uji pengamatan pencilan (Tresid) terhadap nilai Ttabel 22

17. Uji pengamatan uji Leverage (Hi)terhadap nilai Hi tabel 22

18. Uji Pengamatan Berpengaruh (Ci) terhadap niali tabel CookDistance 24

19. Nilai F hitung dari analisis kovarian 24

20. Nilai-nilai statistik dari model regresi kelompok jenis 26

20. Nilai S, R², dan F hitung dari analisis kovarian 26

DAFTAR GAMBAR

1 Bagan alir langkah-langkah diagnostik lajur 9

2 Diagram alir penelitian 12

3 Peta jenis tanah PT. Suka Jaya Makmur, Kalimantan Barat 14 4 Peta kelas lereng PT. Suka Jaya Makmur, Kalimantan Barat 14

5 Diagram sebaran data pohon contoh 16

6 Uji visual Kenormalan Sisaan 20

7 Diagram pencar hubungan antara sisaan dengan Y dugaan 21

DAFTAR LAMPIRAN

1 Hasil pengolahan data dengan minitab 28

(9)

PENDAHULUAN

Saat ini cara penentuan volume pohon, terutama volume pohon berdiri merupakan salah satu masalah bagi orang kehutanan di lapangan. Karena selama ini pengukuran terhadap dimensi-dimensi pohon maupun tegakan yang dilakukan terkadang sulit dan tidak praktis diukur secara langsung di lapangan. Oleh karena itu, ketersediaan alat bantu dalam inventarisasi hutan khususnya penentuan volume pohon adalah sangat diperlukan, untuk mempercepat kegiatan dan memperkecil kesalahan yang terjadi dalam pengukuran. Alat bantu yang dimaksud diantaranya adalah kurva tinggi pohon, kurva diameter tajuk, dan tabel volume.

Tabel volume adalah sebuah tabel yang digunakan untuk menentukan volume pohon berdiri berdasarkan dimensi-dimensi penentu volume seperti diameter setinggi dada (DBH) dan tinggi pohon, yang disusun dengan menggunakan analisis regresi. Analisis regresi merupakan metode statistik yang menjelaskan hubungan antara suatu peubah dengan peubah lainnya. Apabila hubungan tersebut telah diketahui, maka suatu peubah (misal: DBH) tersebut dapat digunakan untuk menduga peubah lainnya (misal: volume).

Pemilihan model regresi dilakukan dengan lebih baik apabila memperhatikan pertimbangan kepakaran (Proffessional Judgment), dan analisa terhadap data yang tidak mengikuti pola dominan (Kuncahyo 1991). Pertimbangan kepakaran merupakan cara penentuan model regresi atas dasar pengalaman penelitian-penelitian sebelumnya yang berhubungan dengan peubah-peubah yang digunakan. Penanganan terhadap data yang tidak mengikuti pola dominan dapat dilakukan dengan cara diagnostik baris dan penanganan terhadap peubah bebas melalui diagnostik lajur.

Setiap jenis pohon memiliki karakter ukuran dan bentuk pohon yang berbeda dengan yang lain. Karakter inilah yang menyebabkan setiap jenis pohon memiliki model persamaan penduga yang berbeda satu dengan yang lain. Semakin banyak persamaan penduga yang diperoleh maka semakin tidak praktis untuk digunakan di lapangan.

(10)

2

Tujuan Penelitian Tujuan dari penelitian ini adalah :

1. Menyusun tabel volume pohon untuk lima jenis kayu komersil melalui penerapan diagnostik data pengamatan di IUPHHK-HA PT. Suka Jaya Makmur.

2. Memperoleh komposisi pengelompokan jenis terbaik dari persamaan regresi lima jenis tersebut.

Manfaat Penelitian

Manfaat yang didapatkan dari penelitian ini adalah untuk mempermudah dan meningkatkan efisiensi pelaksanaan kegiatan Inventarisasi Hutan Menyeluruh Berkala pada areal IUPHHK PT. Suka Jaya Makmur, Kalimantan Barat.

TINJAUAN PUSTAKA

Inventarisasi Hutan

Inventarisasi hutan adalah upaya untuk mengetahui hal ikhwal mengenai hutan, antara lain lokasi, komposisi jenis pohon, potensi, aksesibilitas, serta informasi lain yang dibutuhkan (Dephut 2002). Sedangkan menurut Dephut (2008) inventarisasi hutan adalah kegiatan yang dilakukan untuk mengetahui dan memperoleh data dan informasi tentang sumber daya, potensi kekayaan alam hutan, serta lingkungannya secara lengkap.

Guralnek (1979) dalam Sari (2011) menyatakan bahwa inventarisasi adalah suatu kegiatan untuk mengetahui jumlah kekayaan dalam kurun waktu tertentu. Informasi jumlah kekayaan tersebut diperlukan untuk mengambil keputusan dalam melakukan kegiatan-kegiatan berikutnya berdasarkan pengalaman-pengalaman yang telah lalu.

(11)

3 Inventarisasi Hutan Menyeluruh Berkala (IHMB)

Berdasarkan peraturan pemerintah nomor 6 tahun 2007 tentang Tata Hutan dan Penyusunan Rencana Pengelolaan Hutan serta pemanfaatan hutan, pemegang Izin Usaha Pengelolaan Hutan Hasil Kayu-Hutan Alam (IUPHHK-HA), dan pemegang Izin Usaha Pengelolaan Hutan Hasil Kayu-Hutan Tanaman (IUPHHK-HT), diwajibkan menyusun Rencana Kerja Usaha Pemanfaatan Hasil Hutan Kayu (RKUPHHK) sepuluh tahunan yang disusun berdasarkan Inventarisasi Hutan Menyeluruh Berkala (IHMB). Pedoman IHMB tertuang dalam Kepmen No. P. 34/Menhut-II/2007, 24 Agustus 2007 dan diperbaharui dengan Kepmen No. P. 33/Menhut-II/2009, tanggal 11 Mei 2009 dengan tujuan dari IHMB antara lain (Sutarahardja, 2008):

1. Untuk mengetahui kondisi sediaan tegakan hutan (timber standing stock) secara berkala

2. Sebagai bahan penyusunan RKUPHHK dalam hutan alam dan atau RKUPHHK dalam hutan tanaman dan KPH sepuluh tahunan

3. Sebagai bahan pemantauan kecenderungan (trend) kelestarian sediaan tegakan hutan pada KPH maupun IUPHHK

Inventarisasi hutan menyeluruh berkala dilakukan dengan bantuan beberapa alat bantu ukur untuk memperlancar dalam pengukuran. Alat bantu ukur dalam kegiatan IHMB berupa kurva/tabel tinggi pohon, tabel volume pohon, dan tabel berat pohon yang disusun berdasarkan data pohon contoh dengan menggunakan analisis data yang dapat dilakukan dengan free hand method maupun dengan regression analysis methods.

Pohon contoh atau pohon model adalah pohon yang diambil sebagai contoh atau sampel yang diukur diameter, tinggi dan volumenya yang lebih akurat untuk digunakan sebagai bahan dasar dalam penyusunan alat bantu ukur IHMB, yang dipilih secara purposive (Sutarahardja 2008).

Volume Pohon

Volume merupakan besaran tiga dimensi dari suatu benda yang dinyatakan dalam satuan kubik. Besaran ini diturunkan dari setiap besaran panjang. Dengan demikian bila panjang-panjang tersebut, yaitu tinggi, lebar, dan ketebalan diketahui maka volume dapat ditentukan (Suharlan dan Sudiono 1973 dalam Ardelia 2011).

Menurut Husch (1963), penentuan volume suatu benda dapat dilakukan dengan beberapa cara, yaitu :

1. Cara langsung, yaitu berdasarkan prinsip perpindahan cairan. Alat yang digunakan disebut xylometer. Penentuan volume dengan cara ini dilakukan terhadap benda-benda yang bentuknya tidak beraturan.

2. Cara analitik, yaitu penentuan volume dilakukan dengan menggunakan rumus-rumus volume. Cara ini dilakukan terhadap benda-benda yang bentuknya beraturan, seperti segi banyak, prisma, piramida, prismoid, dan benda-benda seperti kerucut, silinder, paraboloid, dan neiloid.

(12)

4

Dari sekian banyak kemungkinan yang dapat dilakukan bagi penyempurnaan penentuan volume kayu di hutan tropika basah maka diantaranya adalah penentuan volume berdasarkan dolok (logs system). Dengan cara ini volume batang pohon sama dengan jumlah volume semua dolok yang dapat dihasilkan dari batang pohon yang bersangkutan (Soeranggadjiwa 1964 dalam Sabri 1995).

Untuk menentukan volume dolok (sortimen kayu) sebagai bagian dari volume kayu/pohon, telah dikembangkan rumus-rumus matematik (Spurs 1952; Loetsch et al. 1973 dalam Ardelia 2011) sebagai berikut:

Rumus Smallian : V = 0.5 x (B + b) x L

V = volume dolok (logs) atau batang pohon dalam m3 B = luas bidang dasar pangkal batang dalam m2 b = luas bidang dasar ujung batang pohon dalam m2

B1/2 = luas bidang dasar bagian tengah batang pohon dalam m2

D = diameter pangkal batang pohon dalam meter d = diameter ujung batang pohon dalam meter L = panjang batang pohon

Penentuan volume sortimen (batang pohon) dengan menggunakan rumus-rumus diatas, jika makin pendek panjang batang (L) akan menghasilkan volume yang lebih tepat, karena rumus-rumus diatas merupakan perhitungan volume yang mendasarkan kepada bentuk benda teratur, yaitu bentuk silinder, sedangkan bentuk pohon pada umumnya tidak teratur dan lebih kearah bentuk neiloid. Berdasarkan volume sortimen-sortimen kayu yang diukur dengan rumus diatas, maka volume pohon dapat diketahui, yaitu merupakan penjumlahan volume sortiman-sortimen dari pohon yang bersangkutan. Pendugaan volume komersial untuk beberapa jenis pohon dalam tegakan hutan biasanya dilakukan dengan menggunakan tabel volume (Soemarna 1973 dalam Sabri 1995).

Bentuk hubungan antara volume dengan peubah penentunya dibuat dalam bentuk hubungan linear, yaitu dengan cara menganalisa hubungan tersebut dengan menggunakan analisa regresi linier, baik regresi linier sederhana maupun regresi berganda, dimana faktor angka bentuk sudah termasuk dalam penyusunan persamaan tersebut, sehingga tidak ada penggunaan angka bentuk tunggal untuk berbagai bentuk pohon (Bustomi et al. 1978 dalam Panjaitan 2009).

(13)

5 Tabel Volume

Tabel volume merupakan suatu tabel yang menyajikan data/informasi tentang volume kayu yang dapat dimanfaatkan dari sebatang pohon yang dirinci menurut dimensi tinggi dan/atau diameter (dbh) pohon (Fahutan IPB 2010). Selain menggunakan peubah DBH, peubah tinggi pohon seperti tinggi total, tinggi bebas cabang ataupun tinggi yang lain yang dianggap mempunyai peranan dalam tujuan untuk pendugaan potensi tegakan juga bisa digunakan sebagai penduga volume pohon (Sutarahardja 2008).

Tabel volume pohon lokal atau tarif volume adalah bentuk khusus dari tabel volume pohon, yaitu tabel yang memberikan nilai volume pohon dengan cukup mengetahui hanya satu besaran saja dari pohon yang bersangkutan. Besaran tersebut adalah yang paling mudah diukur, yaitu diameter pohon setinggi dada atau keliling pohon setinggi dada. Dengan tidak mengikutsertakan besaran tinggi pohon, maka tarif volume memiliki daerah berlaku yang terbatas (Sutarahardja 2008).

Tabel volume pohon lokal atau tarif volume mencerminkan bentuk kompromi antara persyaratan ketelitian dan kemungkinan-kemungkinan praktis pelaksanaannya. Dengan tidak memperhitungkan faktor tinggi pohon, maka volume pohon individual yang ditunjukkan oleh tarif volume, rata-rata akan lebih besar penyimpangannya daripada volume pohon yang sebenarnya jika dibandingkan dengan volume pohon yang memperhitungkan faktor tinggi pohon seperti yang diberikan oleh tabel volume pohon standar. Berkaitan dengan hal tersebut, untuk memperkecil penyimpangan maka tabel volume lokal hanya berlaku setempat, yaitu tempat atau daerah dimana pohon-pohon contoh penyusun tabel volume lokal tersebut diambil (Sutarahardja 2008).

Karakteristik paling nyata untuk diukur yang berkaitan dengan volume pohonadalah diameter setinggi dada (diameter at breast height). Oleh karena itu, semua persamaan volume akan mempunyai diameter setinggi dada serta peubah lainnya dan yang umum ditambahkan sebagai peubah penentu volume pohon adalah jenis peubah tinggi pohon, baik tinggi total, tinggi bebas cabang ataupun tinggi yang lain yang dianggap mempunyai peranan dalam tujuan untuk pendugaan potensi tegakan (Sutarahardja 2008).

Berikut beberapa model regresi penduga dengan menggunakan beberapa peubah penduga (Kupper et al. 1988):

a. Regresi linier berganda

Y = βo + β1 X1 + β2 X3+ β3 X3+ E

b.Regresi perpangkatan

Y = bo. X1 b1. X2b2. X3 b3 E

Atau dalam bentuk transformasinya :

Log Y = Log βo + β1 LogX1+ β2 LogX2+ β2 LogX2+Log E

c. Regresi eksponensial

Y = βo.e βo + β1X1 + β2X2 + β3X3.E

Atau ditransformasikan kedalam persamaan logaritma natural menjadi: Ln Y = Ln βo + βX+ βX+ βX+ E

d. Regresi kuadratik Y = βo + β1 X12 + β2 X22+ β3 X32+E

(14)

6

Tahapan pengukuran dan pengumpulan data untuk membuat tabel volume (Dephut 2009) :

a. Memilih pohon-pohon contoh yang memenuhi kriteria.

b. Mengukur diameter setinggi dada (dbh) pada ketinggian 130 cm dari permukaan tanah, atau 30 cm di atas banir untuk tinggi banir lebih dari 1 m. c. Melakukan persiapan penebangan untuk menghindari batang pecah atau patah

setelah rebah yang dilakukan oleh penebang (chainsawman).

d. Menghitung volume batang rebah dengan cara mengukur peubah-peubah volume yaitu diameter dan tinggi atau panjang batang. Pekerjaan yang dilakukan adalah :

1. Mengukur panjang batang mulai dari potongan bawah sampai batang bebas cabang. Pengukuran dilakukan dengan menggunakan pita ukur. 2. Mengukur diameter setiap seksi dengan panjang 2 m. Untuk seksi

terakhir panjang seksi sama dengan atau di bawah 2 m.

Pengukuran dilakukan dengan metode Smallian yaitu diameter diukur pada pangkal dan ujung seksi. Letak diameter pangkal seksi pertama adalah 30 cm di atas banir. Pengukuran dilakukan dengan melingkarkan pita diameter pada batang. Jika terjadi kesulitan yang disebabkan batang menempel pada tanah, maka dilakukan penggalian sampai pita diameter dapat dilingkarkan pada batang. Untuk titik yang tidak dapat diukur, dilakukan interpolasi linier. Interpolasi linier menggunakan rumusan sebagai berikut (Dephut 2009) :

de = d1 – x (d1 - d2) Dimana:

De = diameter dugaan (diameter di titik 2 meter setelah d1) (cm) d1 = diameter sebelumnya (cm)

d2 = diameter kedua (cm) l = panjang (m)

(15)

7

METODE

Lokasi dan Waktu Penelitian

Kegiatan pengambilan data penelitian Penyusunan Tabel Volume Pohon di Areal IUPHHK PT. Suka Jaya Makmur Kabupaten Ketapang, Kalimantan Barat dilaksanakan pada bulan Juni-Juli 2012, sedangkan kegiatan pengolahan data dilakukan di Laboratorium GIS dan Remote Sensing Fakultas Kehutanan IPB pada bulan September-Februari 2013.

Alat dan Bahan

Alat yang digunakan dalam penelitian ini adalah peta lokasi penelitian, pita ukur, tally sheet, dan alat tulis. Untuk pengolahan data digunakan kalkulator dan komputer dengan program Microsoft Excel, Microsoft Word dan Minitab 16. Serta bahan yang digunakan adalah pohon jenis meranti, dan kelompok rimba campuran. Jenis pohon meranti yang diteliti adalah keruing (Dipterocarpus elongatus), meranti merah (S. parvifolia). Kelompok jenis rimba campuran yang terdiri dari ubar (Euginia Spp.), jabon (Anthocephalus cadamba), dan medang (Litsea firma Hook.f).

Metode Pengambilan Data Pemilihan Pohon Contoh

Jumlah pohon contoh yang diambil adalah 72 pohon untuk jenis meranti serta 85 pohon contoh untuk jenis rimba campuran. Pohon contoh merupakan pohon dengan kondisi fisik yang bisa mewakili bentuk dan ciri-ciri fisik yang bebas dari kerusakan (bengkok, pecah, patah), bebas gerowong dan bebas dari serangan hama penyakit. Pohon contoh dipilih secara purposive sampling.

Pengukuran Volume Pohon Contoh

Berikut peubah yang diukur tehadap pohon contoh di lapangan yaitu: 1. Mengukur diameter setinggi dada (dbh), panjang bebas cabang (pbc) dan

tinggi total (tt).

2. Mengukur diameter per seksi pada pohon rebah. Panjang per seksi sebesar 2 m.

3. Menghitung volume per seksi dan menghitung volume aktual. Rumus yang digunakan adalah rumus Smallian sebagai berikut :

V = L x keterangan:

V = volume seksi (m3) L = panjang seksi (m)

(16)

8

Volume pohon aktual merupakan jumlah dari volume semua seksi dari satu pohon contoh.

Penyusunan model penduga volume pohon dilakukan dengan menggunakan 152 pohon contoh dengan hipotesis bahwa terdapat hubungan yang cukup erat antara volume (Y) pohon dengan faktor-faktor lain yang mempengaruhi, seperti diameter pohon (X1), tinggi bebas cabang (X2), dan tinggi total (X3). Keterkaitan

dari hubungan ini kemudian dianalisis dengan menggunakan regresi perpangkatan. Model penduga yang dibuat harus memiliki koofisien regresi yang nyata. Model tersebut kemudian dipilih untuk kemudian dijadikan sebagai model penduga volume pohon di areal IUPHHK PT. Suka Jaya Makmur, Ketapang Kalimantan Barat.

Untuk dapat memperoleh data pohon contoh yang representatif maka perlu dilakukan beberapa tahapan diagnostik data pengamatan untuk membangun model regresi, tahapan diagnostik data pengamatan adalah sebagai berikut:

1. Diagnostik lajur : a. Analisis peubah penduga

Persamaan regresi yang akan dipergunakan adalah persamaan yang diperoleh melalui penerapan diagnostik lajur terhadap beberapa peubah bebasnya yang kemungkinan memiliki sifat kolinieritas yang tinggi. Setyowiharto (2008) menyatakan bahwa kolinearitas adalah suatu fenomena yang menunjukkan adanya korelasi linier diantara dua atau lebih peubah bebas dalam suatu model regresi. Adanya kolinearitas dalam model akan mempengaruhi besar dan arah koefisien regresi, untuk itu model yang telah terbentuk perlu dilakukan pengujian multikolinearitas dan kofisien regresi.

Untuk mengetahui ada tidaknya kolinearitas dalam suatu model penduga adalah dengan mengukur faktor inflasi variansnya (VIF). Jika suatu model memiliki nilai VIF ≥ 5 berarti model mengandung multikolinearitas.

Perhitungan nilai VIF dapat diperoleh dengan rumus berikut : Var(βj) = r²(1/1-Rj²) (1/SXj Xj)

keterangan :

Rj² = koefisien determinasi peubah j terhadap peubah lainnya SXj Xj = jumlah kuadrat terkoreksi dari Xj

r² = ragam sisaan

(17)

9 Kemudian peubah penduga yang memiliki nilai VIF lebih besar dari 5 tersebutlah yang akan dihilangkan, namun diperlukan proffesional judgment (kepakaran) dalam penentuan peubah mana yang akan dihilangkan atau dipertahankan. Konsekuensi dari penghapusan peubah ini adalah akan menurunkan nilai koefisien determinasi (R²).

b. Subset model

Peubah-peubah penduga yang memiliki nilai VIF terkecil dapat dibentuk sejumlah subset model. Subset model terbaik adalah subset model yang memiliki nilai cp yang mendekati nilai jumlah peubah penduga (p) Kuncahyo (1991). Perhitungan nilai cp dapat diperoleh dengan rumus berikut :

Cp = (RSSp/r²) + 2p – n keterangan :

RSSp = residual Sum Of Square p p = jumlah penduga dalam model n = jumlah pengamatan

c. Seleksi Model Kandidat Terpilih

Penyusunan model kandidat dilakukan dengan menggunakan persamaan regresi perpangkatan sebagai berikut :

Y=a.Xb.E

Atau dalam bentuk transformasinya : Log Y = Log βo + β

1LogX1 + Log E

Model kandidat dirangking berdasarkan nilai PRESS (Predicted Residual sum of Square)-nya. Model kandidat dengan nilai PRESS terkecil akan dipilh sebagai model penduga. Berikut rumus menghitung nilai PRESS :

PRESS = ∑ (i)

keterangan:

ei = i = nilai sisaan ke-I,

hii = nilai baris dan lajur ke-I dari hat matrik.

Bagan alir diagnostik lajur disajikan pada Gambar 1:

(18)

10

2. Diagnostik baris :

Setelah diperoleh model penduga terbaik sebagai hasil diagnostik lajur, maka diperoleh nilai determinasi dari setiap model penduga. Model penduga yang baik adalah model penduga yang memiliki nilai koofisien determinasi yang besar. Rendahnya nilai determinasi dapat diakibatkan oleh pemilihan model penduga yang kurang tepat, data kurang banyak, serta terdapat pasangan data yang tidak mengikuti pola dominan (mencurigakan). Untuk mengetahui pengamatan yang mencurigakan tersebut maka perlu dilakukan tahapan diagnostik baris. Berikut tahapan diagnostik baris :

a. Uji Visual Kenormalan Sisaan

Kenormalan sisaan dapat dilihat dengan menampilkan plot hubungan sisaan dengan probability normalnya. Nilai sisaan dinyatakan normal apabila antara nilai sisaan dan probability normalnya membentuk pola garis lurus atau mendekati garis lurus.

b. Sifat Aditif Model

Plot tebaran nilai sisaan dengan nilai dugaan dapat menggambarkan sifat keaditifan suatu model regresi. Asumsi keaditifan model terpenuhi bila tebaran yang diperoleh tidak membentuk pola atau berbentuk disekitar nilai sisaan nol (menyerupai pipa horison).

c. Diagnostik data pengamatan

Diagnostik data pengamatan dilakukan untuk mengetahui data pengamatan yang mencurigakan (tidak mengikuti pola dominan).

 Uji Pencilan

Pengamatan pencilan dapat ditentukan dengan menghitung nilai tresid (ti), dan membandingkan nilai tersebut dengan tabel Critical for Studentized Residual dan tabel Jacknife Residual. Apabila nilai tresid (ti) pada pengamatan ke (i) yang dicuragai lebih besar dari pada nilai pada tabel Critical for Studentized Residual dan tabel Jacknife Residual, maka dapat dikatakan bahwa nilai pada pengamatan tersebut termasuk pada pencilan.

 Uji Leverage

Pengamatan leverage dapat ditentukan dengan menghitung nilai Hii dan membandingkan nilai tesebut dengan tabel Critical Value for Leverage. Dengan asumsi nilai Hii yang lebih besar dibandingkan nilai pada tabel Critical Value for Leverage, maka nilai Hii pada pengamatan tersebut merupakan data Leverage.

 Uji Pengamatan berpengaruh

Pengamatan berpengaruh dapat ditentukan dengan menghitung nilai Cook Distance (Ci) dan membandingkan nilai tesebut dengan tabel 50-percentile values

(19)

11 Penggabungan Persamaan Regresi

Penggabungan persamaan regresi dilakukan melalui analisis kovarian. Pada analisis kovarian selain memperhatikan varian utama, kovarian (ragam penggiring) pada variabel tertentu juga diperhatikan.

Tabel 1 Analisis kovarian

Variasi

Derajat Kebebasan

(db)

Jumlah Kuadrat Terkoreksi

(JKT)

Kuadrat Tengah

(KT) F hit F table

AK Dbak JKAKT KTAK=JKAT/dbak KTAK/KTDK

DK Dbdk JKDKT KTDK=JKDK/dbdk

Total Dbt JKTT

Keterangan : AK = antar kelompok, DK = dalam kelompok

Hipotesa yang diuji (Kuncahyo 1984) : H0 : Li = 0, lawan H1 : Li≠ 0

Dengan kaidah keputusannya :

F hitung > F tabel maka terima H1

F hitung ≤ F tabel maka terima H0

Jika H1 yang diterima, faktor kelompok memberikan peranan yang nyata dan

memiliki perbedaan model yang nyata sehingga penggabungan persamaan regresi tidak memenuhi syarat. Jika H0 yang diterima, faktor kelompok tidak memberikan

(20)

12

Tahapan penelitian secara lengkap disajikan pada Gambar 2:

(21)

13

HASIL DAN PEMBAHASAN

Keadaan Umum Lokasi Penelitian Letak dan Luas

Berdasarkan Surat Keputusan Hak Pengusahaan Hutan No. 106/KPTS-II/2000 tanggal 29 Desember 2000, PT. Suka Jaya Makmur memperoleh Ijin usaha Pemanfaatan Hasil Hutan Kayu (IUPHHK) pada areal seluas 171.340 Ha di provinsi Kalimantan Barat.

Menurut pembagian wilayah Administrasi Pemerintahan, areal IUPHHK PT. Suka Jaya Makmur meliputi Kecamatan Tumbang Titi, Nanga Tayap, Sandai, Matan Hilir Selatan dan Sokan, Kabupaten Ketapang dan Kabupaten Sintang, Provinsi Kalimantan Barat.

Secara geografis, areal IUPHHK PT. Suka Jaya Makmur terletak pada 11020’ Bujur Timur - 11120’ Bujur Timur dan 0120’ Lintang Selatan - 0155’ Lintang Selatan.

Adapun batas-batas areal IUPHHK PT. Suka Jaya Makmur adalah: 1. Sebelah Utara : IUPHHK PT. Wanasokan Hasilindo 2. Sebelah Timur : Hutan Lindung dan Hutan Negara 3. Sebelah Selatan : IUPHHK PT. Wanakayu Batu Putih

4. Sebelah Barat : IUPHHK PT. Tri Eka Sari dan PT. Kawedar

Mukti.

Topografi Lahan

Topografi areal IUPHHK PT. Suka Jaya Makmur umumnya bergelombang, datar dan landai hingga agak curam, dengan ketinggian dari permukaan laut berkisar 300 – 700 m dpl. Dengan rata-rata ketinggian lahan mencapai 500 m dpl. Kondisi kelas lereng areal kerja IUPHHK PT Suka Jaya Makmur dapat dilihat pada Tabel 2.

Tabel 2 Kondisi topografi lahan di areal PT. Suka Jaya Makmur

Klasifikasi Kelerengan Luas (ha) (%)

Datar 0 - 8 35 726.02 20.85

Landai 8 - 15 26 883.34 15.69

Bergelombang 15 - 25 65 744.38 38.72

Curam 25 - 40 35 529.57 20.74

Sangat Curam > 40 7 456.69 4

(22)

14

Geologi dan Tanah

Berdasarkan peta geologi Kalimantan Barat, formasi batuan yang terdapat pada areal IUPHHK PT. Suka Jaya Makmur adalah basal bunga, batuan gunung api Kerabai, Granit Laur, Granit Sangiyang dan Granit Sukadana. Formasi-formasi batuan tersebut mengandung kadar magnetik yang merupakan peleburan dari sisa-sisa letusan gunung api.

Berdasarkan peta tanah Provinsi Kalimantan Barat, jenis tanah yang terdapat pada areal IUPHHK PT. Suka Jaya Makmur didominasi oleh tanah podzolit merah kuning. Peta jenis tanah dan kelas lereng di PT. Suka Jaya Makmur, Kalimantan Barat disajikan pada Gambar 3 dan Gambar 4.

Gambar 3 Peta jenis tanah PT. Suka Jaya Makmur, Kalimantan Barat.

Gambar 4 Peta kelas lereng PT. Suka Jaya Makmur, Kalimantan Barat. Keadaan Hutan

Berdasarkan peta paduserasi Provinsi Kalimantan Barat dan peta Penunjukan Kawasan Hutan dan Perairan Provinsi Kalimantan Barat diperoleh luas areal kerja IPUHHK PT. Suka Jaya Makmur 171 340 ha. Terdiri dari Hutan Produksi Terbatas (HPT) seluas 153 185 ha dan Hutan Produksi Tetap (HP) seluas 18 175 ha.

(23)

15 Tabel 3 Kondisi penutupan vegetasi pada fungsi hutan IUPHHK PT. Suka Jaya

Makmur

No Penutupan lahan Fungsi hutan (ha) Buffer

zone Jumlah (%)

Pohon contoh yang digunakan dalam penyusunan tabel volume terdiri dari 5 jenis pohon yaitu 2 jenis dari kelompok meranti (meranti merah, keruing), dan 3 jenis dari kelompok rimba campuran (ubar, medang, jabon). Hal ini dikarenakan kelima jenis tersebut merupakan jenis dominan yang terdapat di IUPHHK-HA PT. Suka Jaya Makmur.

Pengambilan pohon contoh dilakukan pada areal petak tebang, areal pembuatan jalan dan areal jalur persiapan petak TPTI (Tebang Pilih Tanam Indonesia) pada IUPHHK-HA PT. Suka Jaya Makmur. Pemilihan pohon dilakukan secara purposive sampling. Pengukuran dilakukan pada pohon rebah dan volume yang diambil adalah volume dengan kulit.

Pohon contoh untuk jenis meranti yang diukur sebanyak 72 pohon,yang terdiri dari 48 pohon jenis meranti merah, 24 pohon keruing. Jumlah pohon contoh yang diukur untuk kelompok jenis rimba campuran adalah sebanyak 85 pohon, yang terdiri dari 41 pohon ubar, 25 pohon medang, 19 pohon jabon. Jumlah dan penyebaran pohon contoh untuk masing-masing jenis dapat dilihat pada Gambar 5.

Gambar 5 Diagram sebaran data pohon contoh

(24)

16

Penyusunan Model Persamaan Regresi Diagnostik Lajur

Penentuan peubah-peubah penduga dalam analisa regresi merupakan langkah yang sangat penting. Model terbaik adalah model yang sederhana dan memiliki nilai statistika yang memenuhi asumsi tertentu, seperti memiliki bias yang kecil, memiliki nilai koofisien regresi yang besar, serta sedikit peubah penduga.

a. Seleksi Peubah Penduga

Kolinearitas adalah suatu fenomena yang menunjukkan adanya korelasi linier diantara dua atau lebih peubah bebas dalam suatu model regresi. Adanya kolinearitas dalam model akan mempengaruhi besar dan arah koefisien regresi, untuk itu model yang telah terbentuk perlu dilakukan pengujian multikolinearitas dan koofisien regresi. Salah satu cara untuk mengetahui ada tidaknya kolineritas dalam suatu model adalah dengan mengukur faktor inflasi variansnya (VIF). Jika suatu model memiliki nilai VIF ≥ 5 berarti model mengandung multikolinearitas Hines dan Montgomery (1990) dalam Setyowiharto (2008).

Menurut Kuncahyo (1991) menyatakan bahwa untuk memperbaiki model penduga dan mengurai kemungkinan koliniearitas antar peubah tersebut maka perlu dilakukan penghapusan peubah penduga, dengan tujuan agar memperbesar nilai ragam koofisien regresi. Penghapusan peubah penduga dapat dilakukan dengan mengukur nilai VIF dari masing-maing peubah. Peubah yang memiliki nilai VIF > 5, maka peubah tersebut dapat dihilangkan.

Nilai VIF dari masing-masing peubah penduga disajikan pada Tabel 4. Tabel 4 Nilai VIF (Variance Inflation Factor) peubah penduga

No Jenis Peubah bebas VIF

Peubah yang memiliki nilai VIF> 5 maka peubah tersebut dapat dihilangkan, namun diperlukan proffesional judgment (kepakaran) dalam menentukan peubah mana yang akan dihilangkan atau dipertahankan. Konsekuensi dari pengurangan atau penghilangan peubah ini adalah turunnya nilai koefisien determinasi (R2). Pada Tabel 4 dapat diketahui peubah diameter (X1) pada masing-masing jenis

(25)

17 Bila dilihat dari kemudahan memperoleh data peubah diameter (X1) maka

peubah X1 tetap dipertahankan. Karena data peubah X1 lebih mudah diukur

langsung di lapangan. Pengukuran diameter hanya menggunakan alat ukur berupa phiband, dengan mengukur penampang melintang batang pohon pada ketinggian 1.30 meter (dbh).

Sutarahardja (2008) mengatakan bahwa peubah tinggi pohon seperti tinggi total, tinggi bebas cabang ataupun tinggi yang lain yang dianggap mempunyai peranan dalam tujuan untuk pendugaan potensi tegakan juga bisa digunakan sebagai penduga volume pohon. Berdasarkan Tabel 4 dapat dilihat peubah X2

dan X3 memiliki keterkaitan dengan peubah Y, namun apabila dinilai secara

kepakaran (Proffesional judgment) maka peubah X2 dan X3 tidak praktis jika tetap

digunakan. Karena data peubah X2 dan X3 susah untuk diukur saat di lapangan.

Pengukuran data peubah X2 dan X3 memerlukan alat ukur seperti Haga hypsometer, Christenmeter, atau alat ukur tinggi lainnya, serta dalam pengukuran tinggi harus diperhatikan juga faktor lain seperti jarak antar pengukur terhadap pohon sehingga hal ini kurang praktis dilakukan.

Besarnya nilai koefisien determinasi dapat menjamin keterandalan model apabila peubah bebasnya memiliki korelasi (Santika 2002). Dari tiga peubah yang diujikan, diperoleh nilai korelasi terbesar pada peubah volume (Y) dengan peubah diameter setinggi dada (X1). Nilai korelasi antar peubah tersebut dapat dilihat

pada masing-masing tabel matriks korelasi yang disajikan pada Tabel 5: Tabel 5 Matriks korelasi antar peubah jenis meranti merah

Va X1 X2

X1 0.994

X2 0.908 0.867

X3 0.915 0.889 0.956

Table 6 Matriks korelasi antar peubah jenis keruing

Va X1 X2

X1 0.993

X2 0.875 0.819

X3 0.908 0.873 0.943

Tabel 7 Matriks korelasi antar peubah jenis ubar

Va X1 X2

X1 0.993

X2 0.944 0.902

X3 0.963 0.937 0.976

Tabel 8 Matriks korelasi antar peubah jenis medang

Va X1 X2

X1 0.982

X2 0.908 0.859

(26)

18

Tabel 9 Matriks korelasi antar peubah jenis jabon

Va X1 X2

X1 0.976

X2 0.792 0.659

X3 0.831 0.723 0.960

Pada kelima Tabel matriks korelasi diatas dapat dilihat nilai korelasi terbesar diperoleh pada peubah volume (Y) dengan peubah diameter setinggi dada (X1). Hal ini terjadi karena semakin besar diameter pohon maka volume pohon

akan semakin besar pula.

Kuncahyo (1991) menyatakan bahwa subset model terbaik adalah subset model yang memiliki nilai cp yang mendekati nilai p (jumlah peubah penduga). Nilai Cp diperoleh dari hasil penyusunan best-subset model dari masing-masing jenis pohon disajikan pada Tabel 10.

Tabel 10 Subset model untuk jenis meranti merah

Vars R-Sq R-Sq(adj) MallowsCp S X1 X2 X3

Tabel 11 Subset model untuk jenis keruing

Vars R-Sq R-Sq(adj) Mallows Cp S X1 X2 X3

Tabel 12 Subset model untuk jenis ubar

Vars R-Sq R-Sq(adj) MallowsCp S X1 X2 X3

Tabel 13 Subset model untuk jenis medang

(27)

19 Tabel 14 Subset model untuk jenis jabon

Vars R-Sq R-Sq(adj) Mallows Cp S X1 X2 X3

1 95,2 94,9 64,9 0,088934 X

2 99,1 99,0 2,1 0,039801 X X

2 98,5 98,3 12,2 0,051490 X X 3 99,1 98,9 4,0 0,041011 X X X

Berdasarkan Tabel di atas, dapat dilihat nilai mallowCp yang mendekati nilai p (peubah penduga)-nya yaitu pada subset model 2 (X1, X2) dan subset model

3 (X1, X2, X3). Namun berdasarkan penilaian secara kepakaran () maka subset

model tersebut tidak praktis untuk digunakan, karena pengukuran data peubahnya susah diukur di lapangan dan pengaplikasian model tersebut tidak mudah digunakan.

b. Seleksi Kandidat Model Terpilih

Setelah diperoleh beberapa peubah bebas untuk penyususan model penduga maka langkah berikutnya adalah penyusunan beberapa kandidat model penduga volume. Kandidat model adalah beberapa bentuk model penduga yang disusun dari beberapa peubah bebas yang telah dipilih berdasarkan nilai VIF dari masing-masing peubah bebas (Tabel 9).

Kandidat model dengan nilai PRESS (Predicted Residual Sum of Squares) terkecil dipilih sebagai model terbaik. Menurut Suharlan, Boestomi dan Sumarna (1976) dalam Noor (2009) menyatakan bahwa model penduga tabel volume yang dapat dipertanggungjawabkan yaitu apabila model penduga tersebut memiliki nilai koefisiein regresi (R2) lebih dari 50%.

Nilai PRESS dan R2 dari beberapa kandidat model disajikan pada Tabel 10. Tabel 15 Nilai PRESS kandidat model

No Jenis Model Penduga PRESS R²

Berdasarkan Tabel 10 di atas, diperoleh nilai PRESS terkecil pada kandidat model yang menggunakan peubah bebas X1 dan X2. Kandidat model tersebut

memiliki nilai PRESS yang lebih kecil serta koefisien regresi yang lebih besar dibandingkan kandidat model yang hanya menggunakan satu peubah bebas. Namun karena pada kandidat model tersebut menggunakan dua peubah penduga maka peubah X2 perlu dihilangkan karena bersifat kolinieritas. Serta jika dilihat

(28)

20

digunakan. Sehingga kandidat model yang akan digunakan untuk penyusunan model akhir adalah model yang menggunakan peubah DBH (X1) saja.

Diagnostik Baris

Suatu model regresi dapat dipergunakan untuk menduga dengan baik apabila salah satu asumsi penting mengenai kenormalan dari nilai sisaan dan keaditifan terpenuhi (Kuncahyo 1991). Oleh karena itu, perlu dilihat apakah sisaan tersebut menyebar normal atau tidak.

a. Uji visual Kenormalan Sisaan

Gambar 6 menampilkan plot hubungan antara sisaan (residual) dengan probability normal nilai sisaannya (normal score). Terlihat bahwa, nilai sisaan menyebar normal yang dijelaskan dengan terbentuknya pola garis linier melalui titik pusat sumbu antara nilai sisaan dengan normal score-nya. Sehingga nilai sisaannya menyebar normal dan asumsi penting mengenai kenormalan dari nilai sisaan telah terpenuhi.

(a) (b)

(c) (d)

(e)

(29)

21

Untuk melihat apakah model bersifat aditif atau tidak dapat dibuat sebaran plot antara nilai sisaan dengan dugaannya. Apabila hubungan tersebut tidak membentuk pola (acak) maka keaditifan terpenuhi (Kuncahyo 1991).

(a) (b)

(c) (d)

(e)

Gambar 7 Diagram pencar hubungan antara sisaan dengan Y dugaan jenis meranti merah (a), keruing (b), ubar (c), medang (d), Jabon (e).

(30)

22

c. Diagnostik Data Pengamatan

Selanjutnya, untuk mengetahui adanya pasangan pengamatan yang tidak mengikuti pola dominan dan pengamatan lainnya, dilakukan uji diagnostik baris. Untuk melakukan uji diagnostik baris diperlukan perhitungan-perhitungan terhadap nilai-nilai sisaan, Yduga, Tresid, Hi, dan Cook Distance-nya.

Pengamatan pencilan dapat ditentukan dengan menghitung nilai T resid (Ti) dan membandingkannya dengan Table Critical for Studentized Residual (dengan memasukkan nilai pengamatan ke-i yang dicurigai) ataupun tabel jacknife (tanpa memasukkan pengamatan ke-i yang dicurigai). Untuk melihat ada atau tidaknya pengamatan pencilan dari kelima jenis tersebut dapat dilihat pada tabel 11.

Tabel 16 Uji pengamatan pencilan (tresid) terhadap nilai Ttabel No Jenis n Total No pengamatan

Berdasarkan hasil perhitungan pada Tabel 11, diketahui bahwa pengamatan jenis meranti merah yang memiliki Thit.resid > Ttabel.resid dan Tjacknife adalah

pengamatan (47) dan (48), keruing (24), ubar (40), medang (25) dan jabon (1). Oleh karena setiap pengamatan yang mencurigakan tersebut memiliki nilai Thit.resid

> Ttabel.resid dan Tjacknife maka pengamatan tersebut termasuk kedalam pengamatan

pencilan.

Selain pengamatan pencilan, dilihat pula pengamatan yang termasuk leverage. Pengamatan leverage dapat ditentukan dengan menghitung nilai Hi dan membandingkannya dengan Table Critical Value for Leverage. Berdasarkan hasil perhitungan untuk kelima jenis tersebut, pengamatan leverage yang dicurigai disajikan pada Tabel 12.

Tabel 17 Uji pengamatan uji Leverage (Hi)terhadap nilai Hi tabel

(31)

23 Berdasarkan perhitungan pada Tabel 12, diketahui bahwa masing-masing jenis pohon contoh yang memliki nilai Hi > Hi tabel adalah jenis medang pada pengamatan no (25) maka pengamatan tersebut merupakan pengamatan leverage. Sedangkan pengamatan untuk jenis lain yang dicurigai memiliki nilai Hi < Hi tabel (5%). Maka pengamatan tersebut tidak termasuk kedalam pengamatan leverage.

Untuk mengetahui ada-tidaknya pengamatan berpengaruh, dilakukan uji pengamatan berpengaruh yaitu dengan menghitung nilai CookDistance (Ci) dan membandingkan dengan Table 50 Percentile Values of Distribution for Cook’s atau Dfits. Pengamatan berpengaruh adalah pengamatan yang apabila tidak dimasukkan kedalam pembentukan model persamaan akan menghasilkan nilai koefisien regresi yang sangat berbeda.

Berdasarkan hasil perhitungan, ada tidaknya pengamatan yang berpengaruh dari kelima jenis tersebut dapat dilihat pada Tabel 13.

Tabel 18 Uji pengamatan berpengaruh (Ci) terhadap nilai tabel CookDistance No Jenis No pengamatan yang dicurigai Ci

Ci Tabel

Berdasarkan Tabel 13, terlihat bahwa pengamatan yang dicurigai untuk setiap jenis adalah meranti merah (48), keruing (24), ubar (41), medang (25), jabon (1). Pada persamaan tersebut pengamatan yang memiliki nilai Ci lebih besar dari nilai Ci tabel (Table 50 Percentile Values of Distribution for Cook’s) adalah

jenis keruing (24), ubar (41), medang (25) dan jabon (1) maka pengamatan tersebut termasuk kedalam pengamatan berpengaruh. Sedangkan pengamatan pada jenis meranti merah memiliki nilai Ci lebih kecil dari nilai Ci tabel sehingga pengamatan tersebut tidak termasuk dalam pengamatan berpengaruh.

Penggabungan Model Persamaan Regresi

Penggabungan persamaan regresi dilakukan dengan asumsi bahwa faktor jenis tidak berpengaruh dalam penyusunan persamaan regresi, sehingga dapat dibuat persamaan regresi dari data gabungan tersebut. Sebelum dilakukan penggabungan persamaan regresi, dilakukan uji keseragaman model regresi menggunakan analisis kovarian.

(32)

24

Tabel 19 Nilai F hitung dari analisis kovarian

No Pengelompokan Jenis Komposisi jenis F hit F tab 5%

Keterangan : M=Meranti merah, Kr=Keruing, U=Ubar, Md=Medang, J=Jabon *=tidak nyata pada α=5%

Pengelompokan dari lima jenis pohon dan pengelompokan dari empat jenis pohon menghasilkan nilai F hitung yang lebih besar dari F tabel pada taraf nyata 5%. Hal ini berarti faktor jenis memiliki pengaruh yang nyata dalam penyusunan persamaan regresi, sehingga tidak memungkinkan untuk dilakukan penggabungan persamaan regresi baik dari lima jenis maupun empat jenis pohon.

(33)

25 Setelah diperoleh komposisi jenis yang bisa digabungkan, maka perlu dilakukan penyusunan persamaan regresi dari masing-masing komposisi jenis penggabungan. Berdasarkan perhitungan diagnostik data pohon contoh gabungan maka diperoleh model regresi kelompok jenis dengan menggunakan peubah dbh dan pbc. Nilai-nilai S, R²(%), dan F-hitung dari masing-masing model regresi gabungan disajikan pada Tabel 15.

Tabel 20 Nilai-nilai statistik dari model regresi kelompok jenis

No Komposisi Persamaan penduga S R²(%) F hit F tab

Keterangan : M=Meranti merah, Kr=Keruing, U=Ubar, Md=Medang, J=Jabon

Perbandingan Persamaan Regresi

Perbandingan persamaan regresi bertujuan untuk membandingkan persamaan regresi gabungan dari pengelompokan jenis dengan persamaan jenis penyusunnya. Hal ini dilakukan dengan melihat nilai-nilai statistik dari persamaan regresi tersebut (Tabel 16).

Tabel 21 Nilai S, R², dan F hitung dari analisis kovarian No Pengelompokan

(34)

26

KESIMPULAN DAN SARAN

Kesimpulan

Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan sebelumnya, maka dapat disimpulkan beberapa hal sebagai berikut:

1. Persamaan penduga volume pohon disusun dengan hanya menggunakan satu peubah bebas yaitu dbh (diameter setinggi dada) saja.

2. Model penduga volume untuk masing-masing jenis pada IUPHHK PT. Suka Jaya Makmur yaitu meranti merah (S. parvifolia) adalah LogVa=-3.86+2.53 LogX1, keruing (Dipterocarpus elongatus) adalah LogVa=-3.75+2.46LogX1,

ubar (Euginia Spp.) adalah LogVa=-3.91+2.53LogX1, medang (Litsea firma

Hook.f) adalah LogVa=-3.78+2,44LogX1, dan jabon (Anthocephalus cadamba)

adalah LogVa=-2.99+2.03LogX1.

3. Model persamaan penduga yang telah diperoleh dapat digunakan untuk pohon berdiamater antara 10 cm-144 cm.

4. Penilaian secara statistik pada penyusunan model pengelompokan jenis tidak diperoleh model regresi gabungan yang memiliki peringkat statistik yang lebih baik dari model regresi penyusunnya, sehingga penggabungan jenis tidak perlu dilakukan.

Saran

(35)

27

DAFTAR PUSTAKA

Ardelia A. 2011. Penyusunan Tabel Volume Lokal Kelompok Jenis Dipterocarpaceae (Anisoptera spp. dan Vatica spp) di Areal Kerja IUPHHK-HA PT. MAMBRAMO Alas Mandiri, Provinsi Papua. [Skripsi]. Bogor: IPB. [Dephut] Departemen Kehutanan. 2002. Keputusan Menteri Kehutanan No.

8205/Kpts-II/2002 tentang Perubahan Terhadap Peraturan Menteri Kehutanan No.P.70/Menhut-II/2008 tentang Pedoman Teknis Rehabilitasi Hutan dan Lahan. Jakarta : Departemen Kehutanan Republik Indonesia.

[Dephut] Departemen Kehutanan. 2008. Undang-Undang no. 41 tahun 1990 Tentang Kehutanan. Jakarta : Departemen Kehutanan Republik Indonesia. [Dephut] Departemen Kehutanan. 2009. Peraturan Menteri Kehutanan Republik

Indonesia No. 33/Menhut-II/2009 tentang Pedoman Inventarisasi Hutan Menyeluruh Berkala Pada Usaha Pemanfaatan Hasil Hutan Kayu Pada Hutan Produksi. Jakarta : Departemen Kehutanan Republik Indonesia.

[IPB Fahutan] Institut Pertanian Bogor, Fakultas Kehutanan. 2010. Modul Praktikum Inventarisasi Sumber Daya Hutan. Bogor : IPB.

Husch B. 1963. Forest Mensuration and Statistics. The Ronald Press Company. New York.

Isnaini HN. 2011. Pengelompokan Jenis dalam Penyusunan Tabel Volume Lokal di IUPHHK-HA PT. Mamberamo Alasmandiri, Provinsi Papua. [Skripsi]. Bogor: IPB.

Kuncahyo B. 1984. Penerapan Multiphase Sampling Pada Pendugaan Kurva Pertumbuhan Diameter Pohon jati (Tectona grandis L.f). [Skripsi]. IPB.

Kuncahyo B. 1991. Analisis Regresi Dengan Minitab. Bogor: Fakultas Kehutanan. Institut Pertanian Bogor.

Kupper et al. 1988. Applied Regresion Analysis and Other Multivariable Methods Second Edition. Boston. The University Of North Carolina.

Noor FM. 2009. Penyusunan Tabel Volume Lokal Tegakan Hutan Alam Pada Areal IUPHHK PT. Trisetia Intiga di Kabupaten Lamandau, Kalimantan Tengah. [Skripsi]. Bogor: IPB.

Panjaitan PH. 2009. Penyusunan Kurva Tinggi Pohon Dalam Rangka Pelaksanaan IHMB di IUPHHK-HA PT. Ranah Timber, Kalimantan Timur. [Skripsi]. Bogor: IPB.

Sabri HL. 1995. Angka Bentuk Dan Model Penduga Volume Batang Meranti Merah Lempung (Shorea parvifolia Dyer.) Berdasarkan Integrasi Persamaan Taper Di HPH PT. ITCI Kalimantan Timur. Skripsi pada Jurusan Manajemen Hutan, Fakultas Kehutanan Institut Pertanian Bogor. Tidak diterbitkan. Santika DS. 1996. Studi Penyusunan Model Penduga Produksi Getah Pinus (Pinus merkusii Jungh. et de Vriese) di BKPH Candiroto KPH Kedu Utara Perum Perhutani Unit I Jawa Tengah [skripsi]. Bogor: IPB.

Sari S. 2011. Kurva Tinggi Pohon Tegakan Mangium (Studi Kasus di IUPHHK-HT PT. Hutan Rindang Banua Kalimantan Selatan). [Skripsi]. Bogor: IPB. Setyowiharto A. 2008. Penyusunan Model Penduga Potensi Getah pinus (Pinus

merkusii Jungh. et De Vriese) di KPH Cianjur Perum Perhutani Unit III Jawa Barat dan Banten. [Skripsi]. Bogor: IPB.

(36)

28

(37)

29 Lampiran 1. Hasil pengolahan data dengan minitab

Results for: W1 MM

Regression Analysis: Log Va (m3) versus Log Dbh (cm)

The regression equation is

Log Va (m3) = - 3,86 + 2,53 Log Dbh (cm)

Predictor Coef SE Coef T P VIF Constant -3,86215 0,06439 -59,98 0,000

Log Dbh (cm) 2,52837 0,04228 59,80 0,000 1,000

S = 0,0748812 R-Sq = 98,7% R-Sq(adj) = 98,7%

PRESS = 0,282257 R-Sq(pred) = 98,61%

Analysis of Variance

Source DF SS MS F P Regression 1 20,052 20,052 3576,15 0,000 Residual Error 46 0,258 0,006

Total 47 20,310

Unusual Observations

Log Dbh

Obs (cm) Log Va (m3) Fit SE Fit Residual St Resid 19 1,36 -0,2431 -0,4192 0,0123 0,1761 2,38R

R denotes an observation with a large standardized residual.

Results for: W2 KRG

Log Va (m3) = - 3,75 + 2,46 Log Dbh (cm)

Log Dbh (cm) 2,46174 0,06115 40,26 0,000 1,000

S = 0,0779159 R-Sq = 98,7% R-Sq(adj) = 98,6%

PRESS = 0,161970 R-Sq(pred) = 98,38%

(38)

30

Results for: W3 UBR

Log Va (m3) = - 3,91 + 2,53 Log Dbh (cm)

Log Dbh (cm) 2,53228 0,04980 50,84 0,000 1,000

S = 0,0833631 R-Sq = 98,5% R-Sq(adj) = 98,5%

PRESS = 0,299457 R-Sq(pred) = 98,36%

Total 40 18,236

Log Dbh

Obs (cm) Log Va (m3) Fit SE Fit Residual St Resid 5 1,15 -0,8391 -1,0090 0,0189 0,1698 2,09R 33 1,69 0,6377 0,3688 0,0187 0,2689 3,31R

Results for: W4 MDG

Log Va (m3) = - 3,78 + 2,44 Log Dbh (cm)

Log Dbh (cm) 2,43803 0,09749 25,01 0,000 1,000

S = 0,0990813 R-Sq = 96,5% R-Sq(adj) = 96,3%

PRESS = 0,283913 R-Sq(pred) = 95,54%

Total 24 6,3651

(39)

31 Log Dbh

Results for: W5 JBN

Log Va (m3) = - 2,99 + 2,03 Log Dbh (cm)

Log Dbh (cm) 2,0257 0,1634 12,40 0,000 1,000

S = 0,0772164 R-Sq = 90,6% R-Sq(adj) = 90,0%

PRESS = 0,120011 R-Sq(pred) = 88,14%

Total 17 1,01202

Lampiran 2 Hasil pengolahan penggabungan jenis

Results for: W1 MKrJ

Log Va (m3) = - 3,80 + 2,50 Log Dbh (cm)

Log Dbh (cm) 2,49720 0,03716 67,19 0,000 1,000

S = 0,0818786 R-Sq = 98,2% R-Sq(adj) = 98,1%

PRESS = 0,596921 R-Sq(pred) = 98,06%

Total 86 30,840

(40)

32

Log Dbh

Obs (cm) Log Va (m3) Fit SE Fit Residual St Resid 72 1,53 0,22234 0,02110 0,00883 0,20123 2,47R 73 1,48 0,08182 -0,11464 0,00926 0,19646 2,41R

Results for: W2 MKr

Log Va (m3) = - 3,82 + 2,50 Log Dbh (cm)

Log Dbh (cm) 2,50244 0,03595 69,61 0,000 1,000

S = 0,0758971 R-Sq = 98,6% R-Sq(adj) = 98,6%

PRESS = 0,411089 R-Sq(pred) = 98,55%

Total 68 28,298

Log Dbh

W3

Log Va (m3) = - 3,64 + 2,41 Log Dbh (cm)

Log Dbh (cm) 2,40533 0,06802 35,36 0,000 1,000

S = 0,0856328 R-Sq = 97,0% R-Sq(adj) = 96,9%

PRESS = 0,318415 R-Sq(pred) = 96,63%

(41)

33 Source DF SS MS F P

Regression 1 9,1697 9,1697 1250,48 0,000 Residual Error 39 0,2860 0,0073

Total 40 9,4557

Log Dbh

Obs (cm) Log Va (m3) Fit SE Fit Residual St Resid 1 1,08 -0,9984 -1,0403 0,0403 0,0419 0,55 X 2 1,15 -0,8391 -0,8792 0,0361 0,0401 0,52 X 3 1,18 -0,9232 -0,8072 0,0342 -0,1161 -1,48 X 4 1,18 -0,9363 -0,8072 0,0342 -0,1291 -1,64 X 9 1,66 0,1926 0,3634 0,0135 -0,1708 -2,02R 26 1,53 0,2223 0,0477 0,0152 0,1747 2,07R

R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage.

Results for: W4 UKr

Log Va (m3) = - 3,89 + 2,52 Log Dbh (cm)

Log Dbh (cm) 2,51578 0,04991 50,40 0,000 1,000

S = 0,0892711 R-Sq = 97,7% R-Sq(adj) = 97,6%

PRESS = 0,521799 R-Sq(pred) = 97,48%

Total 62 20,731

Log Dbh

Obs (cm) Log Va (m3) Fit SE Fit Residual St Resid 33 1,69 0,6377 0,3644 0,0179 0,2733 3,12R 42 1,11 -0,7337 -1,0853 0,0186 0,3517 4,03R

(42)

34

RIWAYAT HIDUP

Penulis dilahirkan di Padang 11 Februari 1990, merupakan anak kelima dari lima bersaudara dari pasangan Bapak Buskhainir dan Ibu Mardenis. Penulis menyelesaikan Sekolah Madrasah Aliyah Negeri 2 Jakarta Timur pada tahun 2005-2008, pada tahun 2008 melalui jalur SNMPTN (Seleksi Nasional Masuk Perguruan Tinggi Negeri) penulis diterima di program studi Strata 1 Departemen Manajemen Hutan.

Dalam masa studinya penulis mengikuti kegiatan Praktek Pengenalan Hutan pada tahun 2009 di Papandayan-Sancang, Jawa Barat dan Praktek Pengelolaan Hutan di Hutan Pendidikan Gunung Walat (HPGW) Sukabumi. Tahun 2012 penulis mengikuti praktek kerja lapang di PT. Suka Jaya Makmur Kabupaten Ketapang, Kalimantan Barat. Penulis juga pernah terlibat dalam proyek Inventarisasi Hutan Menyeluruh Berkala (IHMB) sebagai koordinator regu dalam pengambilan dan pengolahan data lapangan di PT. Suka Jaya Makmur Kabupaten Ketapang, Kalimantan Barat tahun 2012. Selama menuntut ilmu di IPB, penulis aktif di sejumlah organisasi kemahasiswaan yaitu sebagai Wakil ketua perhimpunan mahasiswa IPB asal Batusangkar dan Pagaruyung tahun 2009-2010, Steering Committe (SC) Bina Corps Rimbawan (BCR) tahun 2011.

Salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada Fakultas Kehutanan Institut Pertanian Bogor, penulis menyusun skripsi yang berjudul