1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Salah satu penyebab terjadinya pemanasan global adalah meningkatnya gas rumah kaca (GRK) terutama karbon dioksida (CO₂) di atmosfer, dimana penurunan fungsi kawasan hutan (deforestasi) menjadi salah satu penyebab meningkatnya konsentrasi karbon dioksida yang seharusnya tersimpan dalam tumbuhan. Hutan dianggap menjadi salah satu mekanisme pengurangan emisi (mitigasi) karbon jika dilakukan secara lestari karena hutan sebagai sistem yang dinamis sangat besar peranannya terhadap perubahan lingkungan. Hutan adalah suatu kesatuan ekosistem berupa hamparan lahan berisi sumberdaya alam hayati yang didominansi pepohonan dalam persekutuan alam lingkungannya, yang satu dengan lainnya tidak dapat dipisahkan. Di dalam salah satu fungsinya, hutan berperan sebagai hutan produksi yang merupakan kawasan hutan dengan fungsi pokok memproduksi hasil hutan (Kementrian Kehutanan 1999).
Pada Bali Road Map:Key Issues Under Negotiation tahun 2007, pengelolaan lestari dari hutan (Sustainable Management of Forest - SFM ) merupakan salah satu mekanisme pengurangan emisi karbon yang termasuk di dalam upaya Pengurangan Emisi dari Deforestasi dan Degradasi Plus (REDD+). Di negara-negara maju biomassa tegakan antara lain digunakan sebagai dasar pertimbangan bagi kegiatan pengelolaan hutan lestari, karena jumlah stok biomassa tergantung pada terganggu atau tidaknya hutan, ada atau tidaknya permudaan alam, dan peruntukan hutan (IPCC 1995).
Secara konvensional, informasi biomassa dapat diketahui melalui kegiatan survey lapangan secara langsung atau terestris. Akan tetapi saat ini informasi mengenai komponen hutan serta perubahannya semakin banyak dibutuhkan sehingga pengambilan informasi melalui survey lapangan semakin tidak efisien dan tidak maksimal dalam hal luasan serta jangka waktu yang diperlukan. Pengambilan informasi skala besar dan skala yang luas telah dilakukan dengan menggunakan teknologi penginderaan jarak jauh untuk mendukung kebutuhan informasi yang berkembang dari waktu ke waktu. Saat ini biomassa sebagai parameter yang penting dalam mengukur perubahan struktur hutan dapat diduga dengan menggunakan teknologi penginderaan jauh (Hush et al. 2003). Siregar dan Heriyanto (2010) melakukan penelitian secara terestis dari tahun 2002 sampai tahun 2005 terhadap kandungan biomassa karbon pada skenario hutan sekunder di Maribaya Bogor, studi tersebut menunjukan kandungan karbon rata-rata sebesar 17.25 ton C/ha atau setara dengan kandungan biomassa rata-rata 34.5 ton/ha.
Teknologi penginderaan jarak jauh dapat digunakan melalui teknologi dengan deteksi pasif (optik) dan deteksi aktif (radar). Salah satu satelit yang membawa sensor radar adalah satelit ALOS (Advance Land Observing Satellite) yang merupakan satelit penginderaan jarak jauh milik JAXA (Japan Aerospace Exploration Agency), diluncurkan pada Januari 2006. Alat yang digunakan dalam penginderaan jarak jauh disebut sebagai alat perekam objek atau sensor. Sensor terdapat pada wahana (platform) dan letaknya jauh dari objek yang dikaji sehingga diperlukan radiasi dan reflektansi tenaga elektromagnetik oleh objek tersebut. Tenaga radiasi objek yang ditangkap oleh sensor baik yang dipancarkan atau dipantulkan dapat menghasilkan citra sesuai dengan wujud aslinya (Purwadhi 2001).
3
citra optik dipengaruhi kondisi cuaca sehingga adanya awan pada citra hasil perekaman sangat mempengaruhi informasi kualitas data.
1.2Tujuan
Penelitian ini bertujuan untuk membangun model penduga biomassa pada IUPHHK-HA di PT. Trisetia Intiga Kabupaten Lamandau, Kalimantan Tengah, menggunakan citra ALOS PALSAR resolusi 50 meter.
1.3Ruang Lingkup
5
BAB II
METODOLOGI
2.1 Lokasi dan Waktu Penelitian
Penelitian dilakukan di areal kerja PT. Trsisetia Intiga, Kabupaten Lamandau, Kalimantan Tengah yang terletak antara 01º33‟ dan 02 º00‟ LS, serta antara 111 º28‟21” dan 111 º48‟12” BT (Gambar 2.1). Kegiatan pengambilan data lapangan dilakukan pada bulan Maret-April 2012. Kegiatan pengolahan data dilakukan di Laboratorium SIG dan Remote Sensing Fakultas Kehutanan IPB pada bulan Mei-Oktober 2012.
Gambar 2.1 Peta lokasi penelitian
2.2 Data
Tabel 2.1 Data penelitian
No. Data primer Data sekunder
1 Citra ALOS PALSAR Resolusi 50 meter Data berat jenis 2 Data berat basah (BB) tumbuhan bawah dan
serasah
Data Administrasi PT. Trisetia Intiga
3 Data berat kering (BK) tumbuhan bawah dan serasah
Tabel Volume PT. Trisetia Intiga
4 Data dbh pada kelas pancang, tiang, nekromassa, dan pohon
5 Data nama jenis tumbuhan teridentifikasi
6 Koordinat plot di lapangan
2.2.1 Citra ALOS PALSAR
ALOS (Advanced land Observing Sattelite) merupakan satelit yang diluncurkan oleh Badan Luar Angkasa Jepang pada bulan Januari 2006 dari stasiun peluncuran Taneghasima Space Center dengan menggunakan roket H-IIA. Satelit ALOS ini membawa tiga jenis sensor yaitu PALSAR (Phased Array L-band Synthetic Aperture Radar), PRISM (Panchromatic Remote-sensing Instrument for Stereo Mapping), dan AVNIR-2 (Advanced Visible and Near Infrared Radiometer type-2). PALSAR merupakan sensor gelombang mikro aktif yang bekerja pada frekuensi band L. Sensor PALSAR mempunyai kemampuan untuk menembus awan, sehingga informasi permukaan bumi dapat diperoleh setiap saat, baik malam ataupun siang hari. Data PALSAR ini dapat digunakan untuk pembuatan DEM, inter ferometri untuk mendapatkan pergeseran tanah, maupun kandungan biomassa, monitoring kehutanan, pertanian, tumpahan minyak (oil spill), soil moisture, mineral, dan lain-lain (Rosenqvist et al. 2004). Karakteristik satelit ALOS secara umum di jelaskan pada Tabel 2.2.
Menurut JAXA (2010), terdapat lima misi dari peluncuran satelit ALOS yang terdiri dari:
1. Kartografi: Untuk menyediakan peta wilayah Jepang dan wilayah Asia Pasifik 2. Pemantauan Regional: Melakukan pemantauan regional untuk pengembangan
pembangunan yang berkelanjutan dan harmonisasi antara kesediaan sumberdaya alam pengembangan pembangunan
7
5. Pengembangan Teknologi: Mengembangkan teknologi penginderaan jauh yang tepat untuk masa sekarang dan akan datang.
Tabel 2.2 Karakteristik ALOS
Jenis Karakteristik Keterangan
Perekaman Januari 2010
Alat peluncuran Roket H-IIA
Tempat peluncuran Pusat Ruang Angkasa Tanagashima
Berat satelit 4000 Kg
Power 7000 W
Waktu operasional 3-5 Tahun
Orbit Sun-Synchronous Sub-Recurr Orbit
Periode perekaman 46 Hari Sub Cycle 2 hari Tinggi lintasan 692 Km di atas Ekuator
Inklinasi 98,2°
Sumber: Jaxa 2010
Gambar 2.2 menggambarkan data citra ALOS PALSAR resolusi 50 meter pada lokasi penelitian dengan kombinasi polarisasi HH, HV, dan HH/HV.
Lillesand dan Kiefer (1990) menuliskan bahwa sebagian besar radar penginderaan jarak jauh berwahana udara dilakukan dengan sistem yang menggunakan antena yang dipasang pada bagian bawah pesawat dan diarahkan ke samping. Sistem semacam ini dinamakan Side Looking Radar (SLR) atau Side Looking Aperture Radar (SLAR). Sistem SLAR menghasilkan jalur citra yang berkesinambungan yang menggambarkan daerah medan luas serta berdekatan dengan jalur terbang. Kenampakan unsur medan pada citra dipengaruhi oleh faktor sifat khas sinyal yang ditransmisikan dan sifat permukaan yang memantulkannya di medan.
Sifat khas sinyal yang ditransmisikan dipengaruhi oleh (a) panjang gelombang dan kemampuan daya tembusnya terhadap atmosfer dan permukaan tanah, (b) sudut depresi antena yang merupakan salah satu aspek geometrik pada citra radar dan penyebab terjadinya efek pantulan balik pulsa radar, efek bayangan pada objek yang tinggi, efek relief (topografi) seperti efek rebah ke dalam, efek pemendekan lereng, (c) polarisasi atau pengarahan vektor elektrik pada gelombang elektromagnetik pulsa radar menurut suatu bidang datar, (d) arah pengamatan antena, erat hubungannya dengan arah objek, yang mempengaruhi pantulan balik pulsa radar (Purwadhi 2001).
2.2.2 Data Lapangan
9
Data survey biomassa di lapangan terdiri dari data plot pengamatan, jenis tegakan, dan biomassa. Data plot pengamatan berupa 30 koordinat plot di lapangan. Lokasi ke-30 plot pengamatan tergambarkan dalam Gambar 2.3.
Tabel 2.3 Koordinat plot pengamatan
No ID Plot X Y No ID Plot X Y
1 1012039 562320 9813692 16 1021044 571423 9818254 2 1027039 577373 9813635 17 1025043 575311 9817176 3 1010038 560329 9812790 18 1013041 563327 9815501 4 1020042 570332 9816414 19 1014040 564354 9814605 5 1009036 559404 9811806 20 1026043 576357 9817207 6 1011041 561320 9815490 21 1021043 571331 9817327 7 1013040 563345 9814598 22 1026040 576372 9814745 8 1018043 568320 9817288 23 1017042 567330 9816402 9 1013039 563327 9813710 24 1025040 575335 9814590 10 1027043 577218 9817390 25 1019041 569336 9815506 11 1012041 562320 9815490 26 1022052 572426 9825505 12 1019044 569337 9818188 27 1018040 568319 9814608 13 1011040 561320 9814591 28 1028037 578342 9811803 14 1026042 576398 9816431 29 1012045 562320 9819086 15 1023047 573282 9820714 30 1022046 576140 9818061
Keterangan: ID : identitas, X: koordinat X, Y: koordinat Y
permukaan tanah dan karbon di dalam tanah. Karbon di atas permukaan tanah meliputi biomassa pohon, biomassa tumbuhan bawah, nekromasa, dan serasah. Nekromasa di atas permukaan tanah merupakan masa bagian pohon yang telah mati, yang tegak berupa batang atau tunggul pohon dan yang tumbang/tergeletak di atas permukaan tanah.
2.2.3 Data Sekunder
Data sekunder yang digunakan dalam penelitian ini berupa data plot IHMB IUPHHK PT. Trisetia Intiga tahun 2010 (Gambar 2.4) sebagai plot validasi, table volume, dan keterangan setiap berat jenis (gr/cm3).
Gambar 2. 4 Peta validasi model
Tabel volume tegakan berdiri (Noor 2009) di areal IUPHHK PT. Trisetia Intiga dibagi menjadi dua jenis kelompok besar yaitu:
- Pengukuran volume kelompok jenis Meranti dapat diukur dengan persamaan: � �= 0.0000562 x dbh 2.87x 10−0.0041 D
11
Catatan : Jenis Meranti meliputi Keruing, Mersawa, Bengkirai, Meranti putih, Meranti Kuning,
Meranti Merah, Meranti Batu.
Berat jenis setiap jenis tumbuhan yang ditemukan diketahui dengan studi pustaka pada penelitian-penelitian sebelumnya.
2.3 Alat, Software, Hardware
Alat yang digunakan dalam pengambilan data di lapangan berupa phi-band, meteran 20 meter, Geographic Positioning System (GPS), label/pita penanda, kamera digital, timbangan digital, oven dan tallysheet. Penelitian ini didukung beberapa software (perangkat lunak) yang digunakan selama pengolahan data, baik data citra maupun data biomassa berupa software MS Office 2007, Erdas Imagine Version 9.1, ArcView GIS Version 3.2, ArcGIS Version 9.2. Perangkat keras (hardware) yang digunakan dalam penelitian ini adalah seperangkat Personal Computer (PC) yang dilengkapi software pemetaan.
2.4 Tahap Pelaksanaan
Tahap penelitian ini meliputi tahap pengambilan data lapangan, pengolahan data lapangan, pengolahan citra, dan tahap yang terakhir merupakan tahap pendugaan model biomassa yang disajikan dalam Gambar 2.5.
2.4.1 Perencanaan
2.4.1.1Prencanaan Data Lapangan
Pengambilan data lapangan direncanakan pada peta plot IHMB IUPHHK PT. Trisetia Intiga terbitan tahun 2010. Penentuan ke-30 titik plot pengamatan yang diperoleh secara acak (sampling) dan pertimbangan aksesibilitas dari 665 titik plot IHMB IUPHHK PT. Trisetia Intiga yang telah diukur pada tahun 2010. Pemilihan titik plot menyebar di seluruh lokasi penelitian yang didasarkan pada kelas aksesibilitas dan perbedaan kelas tutupan yang ada di areal IUPHHK PT. Trisetia Intiga, Lamandau Kalimantan Tengah.
2.4.1.2Bentuk dan Ukuran Plot Contoh
Plot contoh yang digunakan berbentuk bujur sangkar yang di dalamnya terdiri dari 4 sub - plot pengamatan yaitu plot 20 meter x 20 meter untuk pengukuran tingkat pohon dan pohon mati (nekromass), plot 10 meter x 10 meter untuk pengukuran tingkat tiang, plot = 2,82 � � untuk pengukuran tingkat pancang, dan plot 1 meter x 1 meter untuk pengukuran tumbuhan bawah (undergrowth) dan serasah (litter). Sketsa plot pengamatan disajikan pada Gambar 2.6.
Gambar 2.6 Sketsa plot pengukuran; (A) Plot 1 m x 1 m; (B) Plot r = 2.82 m; (C) Plot 10 m x 10m; (D) Plot 20 m x 20 m
2.4.2 Pengambilan Data Lapangan
2.4.2.1Pemilihan Titik Pengukuran Lapangan
13
titik pengamatan plot biomassa. Plot pengamatan biomassa ditampilkan pada Gambar 2.7.
Gambar 2.7 Plot pengamatan dan plot validasi
2.4.2.2 Identifikasi Jenis
2.4.2.3 Pengukuran Biomassa Lapangan
Pengukuran biomassa atas permukaan tanah meliputi biomassa tegakan (pohon hidup), biomassa nekromassa (pohon kayu mati), biomassa serasah (litter) dan tumbuhan bawah (undergrowth). Parameter tegakan yang diukur adalah diameter setinggi dada/dimeter at breast height (D) pada tingkat pancang, tiang, dan pohon. Parameter biomassa nekromassa yang diukur adalah panjang/tinggi nekromassa, diameter pangkal dan diameter ujung nekromassa pada d > 10 cm. Sedangkan pada pengukuran biomassa serasah (litter), dan tumbuhan bawah (undergrowth) berupa pengukuran total berat basah (BB) sub-plot 1 m x 1 m, dan berat basah (BB) sub-contoh (100 gram). Kemudian dilakukan pengukuran berat kering (BK) contoh setelah dilakukan pengovenan berat basah (BB) sub-contoh pada suhu 105° selama 24 jam. Kegiatan pengukuran biomassa di lapangan dijelaskan pada Gambar 2.8.
Gambar 2.8 Pengukuran biomassa lapangan; (a) Perekaman koordinat plot, (b) Pengukuran panjang nekromassa, (c) Penimbangan berat basah tumbuhan bawah, (d) Pengambilan sampel plot 1x1
a
c d
15
2.4.3 Pengolahan Data Lapangan 2.4.3.1Pendugaan Biomassa Lapangan
Tampungan biomassa (biomass pool) lapangan dibagi ke dalam empat kelas besar yaitu biomassa tegakan, biomassa nekromassa, biomassa tumbuhan bawah (undergrowth), dan biomassa serasah (litter).
a. Pendugaan Biomassa Tegakan
Biomassa tegakan diduga dengan menggunakan persamaan alometrik pendugaan biomassa yang didasarkan pada perbedaan berat jenis (ρ) setiap jenis tegakan yang diukur. Pada penelitian ini digunakan persamaan Ketterings et al. (2001) dengan rumus:
= 0.11� 2.62
dimana: Y : Biomassa di atas permukaan (Above Ground Biomass)
ρ : Berat jenis
D : diameter setinggi dada (cm)
b. Pendugaan Biomassa Serasah dan Tumbuhan Bawah
Biomassa serasah (litter) dan tumbuhan bawah (undergrowth) diketahui menggunakan estimasi berat kering dengan rumus:
�= � − ℎ
− ℎ �
Keterangan: BK : Berat Kering (gram) BB : Berat Basah (gram)
2.4.4 Pengolahan Citra 2.4.4.1Pra Pengolahan Citra
2.4.4.2Pendugaan Biomassa Citra
Hamburan balik (backscatter) pada radar merupakan ukuran kuantitatif dari intensitas energi yang kembali ke antena. Nilai hamburan balik yang dihasilkan pada sebuah sensor radar dipengaruhi beberapa faktor antara lain kedalaman penetrasi dari gelombang radar, kekasaran permukaan objek dan sifat-sifat dielektrik volume objek (Purwadhi 2001). Michigan Microwave Canopy Scattering Model (MIMICS) telah dikembangkan untuk memberikan pemahaman terhadap hamburan balik (backscatter) radar pada vegetasi. Beberapa bentuk hamburan yang dapat dikalkulasi adalah hamburan pada permukaan dan volume tajuk, hamburan langsung pada permukaan tanah, hamburan langsung pada batang, hamburan dari permukaan tanah ke batang, dan hamburan dari permukaan tanah ke tajuk (Dobson et al. 1992). Beberapa penelitian melakukan pendugaan biomassa dengan memanfaatkan teknologi penginderaan jarak jauh, Awaya (2009), Riska (2011), dan Syarif (2011) melakukan pendugaan biomassa menggunakan data biomassa yang diukur di lapangan dan kemudian menghubungkan data tersebut dengan data nilai hamburan balik citra. Analisis hubungan tersebut menghasilkan persamaan untuk menduga biomassa citra. Metode ini memiliki akurasi data yang cukup baik, dengan efisiensi waktu dan biaya yang dikeluarkan tidak mahal (Bergen dan Doubson 1999; Lu 2005).
Pendugaan biomassa citra menggunakan nilai hamburan balik yang ditransformasi dari nilai digital number (DN). Nilai hamburan balik diturunkan menggunakan persamaan normalisasi:
NRSC = 10 x log10(DN2) + CF (Shimada et al. 2009)
Keterangan: NRCS: Normalized Radar Cross Section; DN: Digital Number; CF: Calibration Factor, yaitu -83 untuk HH dan HV.
17
kombinasi sinyal transmisi dan penerimaan yang berbeda, yaitu dikirim H diterima H (HH), dikirim H diterima V (HV), dikirim V diterima H (VH), dan dikirim V diterima V (VV). Karena berbagai objek mengubah polarisasi tenaga yang dipantulkan dalam berbagai tingkatan maka bentuk polarisasi sinyal mempengaruhi kenampakan objek pada citra yang dihasilkan.
Tabel 2.4 Nilai hamburan balik setiap polarisasi
No ID Nilai dijital Nilai backscatter
HH HV HH/HV HH HV HH/HV
1 1012039 5387,00 3217,25 1,67441 -7,25 -13,55 0,53 2 1027039 6529,00 3479,00 1,87669 -10,38 -14,53 0,71 3 1010038 6615,00 3648,25 1,81320 -6,70 -12,17 0,55 4 1020042 6253,00 3516,75 1,77806 -9,28 -13,39 0,69 5 1009036 6154,25 2983,25 2,06293 -8,46 -12,92 0,65 6 1011041 5553,75 3169,50 1,75225 -7,15 -12,17 0,58 7 1013040 8079,00 4698,50 1,71948 -7,82 -12,83 0,61 8 1018043 7528,00 4155,00 1,81179 -8,73 -13,79 0,63 9 1013039 5745,00 3224,75 1,78153 -5,48 -10,64 0,51 10 1027043 6631,00 3813,50 1,73882 -6,75 -11,93 0,57 11 1012041 7101,25 3973,25 1,78726 -8,12 -12,99 0,62 12 1019044 7396,00 4612,75 1,60338 -5,23 -10,06 0,52 13 1011040 9973,50 5842,50 1,70706 -6,59 -11,76 0,56 14 1026042 5175,25 2894,50 1,78796 -5,64 -10,36 0,54 15 1023047 9823,00 5500,75 1,78576 -5,11 -10,35 0,49 16 1021044 7741,00 4437,00 1,74465 -6,71 -11,98 0,56 17 1025043 4856,00 3027,25 1,60410 -6,80 -12,63 0,54 18 1013041 8581,75 4422,25 1,94058 -6,60 -11,38 0,58 19 1014040 6581,25 3586,75 1,83488 -6,00 -11,03 0,54 20 1026043 9681,75 5267,25 1,83810 -6,88 -12,19 0,56 21 1021043 7615,50 4148,25 1,83583 -4,37 -10,14 0,43 22 1026040 7851,00 4292,75 1,82890 -6,32 -11,49 0,54 23 1017042 8721,50 4494,50 1,94048 -5,62 -9,72 0,58 24 1025040 6465,50 3299,75 1,95939 -4,20 -9,96 0,42 25 1019041 6952,75 3812,75 1,82355 -3,19 -8,23 0,38 26 1022052 7381,25 4288,50 1,72117 -5,40 -10,67 0,50 27 1018040 6404,75 3474,50 1,84336 -3,05 -7,67 0,39 28 1028037 4280,25 2656,75 1,61108 -4,53 -10,50 0,43 29 1012045 6498,25 3577,50 1,81642 -4,86 -9,58 0,51 30 1022046 8420,50 4231,75 1,98984 -3,31 -8,57 0,39
Sifat khas medan atau objek bekerja bersama panjang gelombang dan polarisasi sinyal radar untuk menentukan intensitas hamburan balik (backscatter) radar dari objek. Akan tetapi, faktor utama yang mempengaruhi intensitas hamburan balik dari objek adalah ukuran (geometris) dan sifat khas elektrik objek. Efek geometri sensor/objek dari intensitas hamburan balik radar terpadu dengan efek kekasaran permukaan. Permukaan yang kasar bertindak sebagai pemantul baur dan memencar tenaga datang ke semua arah dan hanya mengembalikan sebagian kecil ke antena. Suatu permukaan halus pada umumnya memantulkan sebagian besar tenaga menjauhi sensor dan mengakibatkan sinyal hasil balik yang rendah. Meskipun demikian orientasi objek terhadap sensor harus dipikirkan juga karena permukaan halus yang mengarah ke sensor akan menghasilkan sinyal balik yang sangat kuat (Lillesand dan Kiefer 1990).
Gambar 2.9 Perbedaan pantulan sinyal radar pada tiga jenis permukaan objek (Purwadhi 2001)
19
yang bersudut siku-siku seperti gedung bertingkat dan lereng yang terjal. Bentuk pantulan sinyal radar pada setiap permukaan objek dijelaskan dalam Gambar 2.9.
2.4.5 Analisis Data 2.4.5.1Analisis Korelasi
Analisis hubungan antara biomassa lapangan dengan nilai hamburan balik (backscatter) dilakukan dengan menyusun model hubungan antara biomassa atas permukaan dengan nilai backscatter pada citra. Model yang diuji terdiri dari model linear, model logaritmik, ekxponensial, dan model regresi linear berganda. Model tersebut dipilih karena dapat menggambarkan hubungan pertumbuhan antara nilai backscatter terhadap nilai biomassa. Bentuk model persamaan yang digunakan dijelaskan pada Tabel 2.5.
Tabel 2.5 Model yang diujicobakan dalam estimasi biomassa
Model Bentuk persamaan
Linear AGB = a + b*HH
AGB = a + b*HV AGB = a + b*HH/HV
Logaritmik AGB = a*ln(HH) + b
AGB = a*ln(HV) + b AGB = a*ln(HH/HV) + b
Eksponensial AGB = a exp b*HH
AGB = a exp b*HV AGB = a exp b*HH/HV Linear Berganda AGB = a + b*HH + c*HV
AGB = a + b*HH + c*HH/HV
AGB = a + b*HV + c*HH/HV
Keterangan: AGB: above ground biomass, HH: polarisasi HH, HV: polarisasi HV
Kemudian akan dilakukan pemilihan model terbaik dengan melihat parameter koefisien determinasi (R2) yang paling tinggi. Koefisien determinasi menunjukan proporsi keragaman total nilai rata-rata peubah Y yang dapat diterangkan oleh model yang digunakan (Walpole 1993). Nilai koefisien determinasi dapat diketahui dengan persamaan:
R² = xᵢyᵢ
n
i=1 − ni=1xᵢ ni=1yᵢ
( n xᵢ²
Keterangan:
n : Jumlah pengamatan yᵢ : Pengamatan Y xᵢ : Pengamatan X
2.4.5.2Uji Koefisien
Koefisien regresi diuji dengan menggunakan nilai P-value. Nilai P-value menunjukan pengaruh peubah bebas terhadap peubah terikat yang diharapkan, hipotesis yang digunakan adalah:
H0 : Peubah bebas berpengaruh signifikan terhadap peubah terikat H1 : Peubah bebas tidak berpengaruh signifikan terhadap peubah terikat Kaidah keputusan pada taraf nyata 95% adalah sebagai berikut:
Apabila P-value < 0.05 maka Ho diterima. Apabila P-value > 0.05 maka Ho ditolak
2.4.5.3Uji Verifikasi
Setelah model terbangun dan secara statistik dapat diterima, maka dilakukan verifikasi terhadap hasil dari model tersebut. Pada penelitian ini verifikasi dilakukan menggunakan Root Mean Square Error (RMSE), bias (℮), Simpangan Rata-rata (Mean deviation/SR), Simpangan Agregat (Agregative Deviation/SA), dan Uji-χ². Uji verifikasi dilakukan pada 30 plot IHMB yang di ambil secara acak (sampling) untuk mengetahui pengaruh model yang diberikan. Hubungan antara plot penelitian dan plot validasi (plot IHMB) diketahui dengan mengkorelasikan hasil biomassa pada plot peneltian (dbh > 10up) dan hasil biomassa pada plot IHMB dengan rumus biomassa dan ID plot yang sama. Persamaan korelasi tersebut digunakan untuk mengetahui jumlah di atas permukaan pada plot validasi (plot IHMB). Bentuk persamaan yang digunakan adalah:
= 1,003 + 7,355
Keterangan:
Y : Biomassa di atas permukaan plot IHMB X : Biomassa dbh ≥ 10 cm plot IHMB
21
Nilai RMSE merupakan akar dari rata-rata jumlah kuadrat sisa antara selisih nilai dugaan dengan nilai aktual. RMSE digunakan untuk mengetahui seberapa besar error yang terjadi pada hasil perhitungan model jika dibandingkan dengan nilai aktual. Semakin kecil nilai RMSE, maka semakin kecil pula kesalahan yang terjadi pada penggunaan model.
Perhitungan RMSE dilakukan sesuai dengan rumus :
� =
[ ᵢ− ᵢ
ᵢ
�=1 ]²
� 100%
Keterangan :
RMSE : Root Mean Square Error ᵢ : Nilai dugaan
ᵢ : Nilai aktual
n : Jumlah pengamatan verifikasi.
Bias (℮) merupakan kesalahan sistem yang dapat terjadi karena kesalahan dalam pengukuran, kesalahan teknis pengukuran maupun kesalahan karena alat ukur. Bias (℮)dapat bernilai positif dan negatif, nilai bias dikatakan baik apabila mendekati nilai 0. Bias dapat dihitung dengan persamaan:
�=
� − �
� � 100% �=1
Simpangan rata-rata adalah jumlah dari nilai mutlak selisih antara jumlah nilai dugaan (Ht) dan nilai aktual (Ha), proporsional terhadap jumlah nilai dugaan (Ht). Nilai simpangan rata-rata yang baik adalah tidak lebih dari 10% (Spurr 1952). Simpangan rata-rata dapat dihitung dengan persamaan:
= │
ᵢ− ᵢ
ᵢ │
�=1
�100%
Simpangan agregat adalah selisih antara jumlah nilai aktual (Ha) dan nilai dugaan (Ht) sebagai presentase terhadap nilai dugaan (Ht). Persamaan yang baik memiliki simpangan agregat (SA) antara -1 sampai +1 (Spurr 1952). Nilai SA dapat diketahui dengan persamaan:
= �=1 �− �=1 �
Pada 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 pada taraf nyata 95%, maka dapat dinyatakan bahwa hasil dugaan menggunakan model terbangun tidak berbeda dengan perhitungan data lapangan (nilai aktual).
Perhitungan χ² (Walpole 1993) dapat dirumuskan sebagai berikut :
X2 = Oᵢ −Eᵢ
2
Eᵢ
�=0
Keterangan :
X2 : Nilai Chi-square
Eᵢ : Nilai ekspetasi/dugaan
Oᵢ : Nilai observasi/aktual.
Hipotesis yang digunakan adalah:
H0: Biomassa Atas Permukaan (BAP) model sama dengan BAP lapangan H1 : Biomassa Atas Permukaan (BAP) model tidak sama dengan BAP lapangan
2.4.6 Peta Sebaran Biomassa
23
BAB III
KONDISI UMUM LOKASI PENELITIAN
3.1 Letak Geografis dan Luas
IUPHHK PT. Trisetia Intiga terletak dalam kelompok hutan sungai Mentobi dan sungai Bulik, wilayah pengelolaannya berada di kabupaten Lamandau, Kalimantan Tengah. Kawasan IUPHHK PT. Trisetia Intiga masuk ke dalam daerah aliran sungai (DAS) Lamandau dan sub DAS Mentobi. Berdasarkan Keputusan Menteri Kehutanan Nomor: SK.113/Menhut-II/2006 tanggal 19 April 2006 tentang pemberian izin IUPHHK PT. Trisetia Intiga luas areal kerja ± 69.070 ha. Wilayah pengelolaan PT. Trisetia Intiga berada dalam dinas Kabupaten Lamandau dan dinas Provinsi Kalimantan Tengah, sedangkan untuk wilayah administrasinya berada di Kecamatan Bulik, Kabupaten Lamandau, Provinsi Kalimantan Tengah. Sebaran kelas lereng IUPHHK PT. Trisetia Intiga di jelaskan dalam Tabel 3.1.
Tabel 3.1 Sebaran kelas lereng di areal IUPHHK-HA PT.Trisetia Intiga
No Kondisi Fisiografi Kelas Lereng Luas
Ha %
1 Datar A (0-8%) 54.056 78,3
2 Landai B (9-15%) 10.010 14,5
3 Agak Curam C (15-25%) 3.503 5,1
4 Curam D (25-40%) 1.501 2,2
5 Sangat Curam E (>40%) 0 0,0
Jumlah 69.070 100
Sumber: Rencana Karya Umum (RKU) IUPHHK PT. Trisetia Intiga tahun 2010-2020
PT. Trisetia Intiga. Areal kerja PT. Trisetia Intiga berada di ketinggian 50 – 1.020 mdpl.
3.2 Geologi dan Tanah
Berdasarkan Peta Geologi Kalimantan Tengah Lembat Tumbang Manjul Skala 1:250.000 terbitan Pusat Penelitian dan Pengembangan Geologi Bandung Tahun 1978, formasi geologi areal IUPHHK PT. Trisetia Intiga, berada pada kompleks batuan Oligosen dan Eosen Bawah. Tabel 3.2 menjelaskan bahwa formasi geologi terbesar adalah Lava Andesit, Riolit, dan Desit sebesar 56,62%, sedangkan formasi geologi paling kecil sebesar 6,57% yaitu Andesit.
Tabel 3.2 Formasi geologi areal IUPHHK PT. Trisetia Intiga
Kode Formasi geologi Luas (Ha) (%)
Kgm Granit, Granadiorit, Monzonit 26.116 37,81 Rvk Lava Andesit, Riolit, dan Desit 39.11 56,62
Tma Andesit 4.884 6,57
Jumlah 69.07 100,00
Sumber : Rencana Karya Umum (RKU) IUPHHK PT. Trisetia Intiga tahun 2010-2020
Tabel 3.3 Jenis tanah yang terdapat di areal IUPHHK PT. Trisetia Intiga
Kode Formasi tanah Luas(Ha) (%)
HJA Tropodults 29.237 42.33
PLN Tropodults 9.419 13.64
BPD Distropepts 24.92 36.08
JLH Distropepts 5.49 7.95
Jumlah 69.07 100
Sumber : Rencana Karya Umum (RKU) IUPHHK PT. Trisetia Intiga tahun 2010-2020
Berdasarkan Peta Land System and Suitability lembar Ambalu (1615) Kalimantan Tengah Skala 1: 250.000 yang diterbitkan oleh Pusat Penelitian Tanah dan Agroklimat Badan Penelitian dan Pengembangan Pertanian Bogor, jenis tanah yang terdapat areal PT. Trisetia Intiga adalah Tropodults dan Distropepts. Jenis tanah secara lengkap disajikan pada Tabel 3.3.
3.3 Iklim
25
Geofisika Pangkalan Bun, curah hujan tahunan rata-rata yang tercatat pada penakar hujan adalah sebesar 2.296 mm/tahun dengan hari hujan sebanyak 193 hari/tahun. Curah hujan bulanan yang tertinggi sebesar 414,3 mm terjadi pada bulan Januari dengan jumlah hari 27 hari. Curah hujan terendah terjadi pada bulan Juni yakni sebesar 123,9 mm dan jumlah hari hujan sebanyak 10 hari.
Kelembaban udara berkisar 77 – 88%, dengan suhu udara maksimum berkisar antara 26o – 29o C dan suhu udara minimum berkisar 21o- 23o C. Data iklim di sekitar areal IUPHHK PT Trisetia Intiga dapat dilihat pada Tabel 3.4.
Tabel 3.4 Jumlah dan distribusi curah hujan di sekitar areal IUPHHK PT Trisetia Intiga
No Bulan Curah Hujan (mm) Hari Hujan
1 Januari 414,3 27
2 Februari 138,9 16
3 Maret 247,7 25
4 April 275,6 21
5 Mei 200,6 12
6 Juni 123,9 10
7 Juli 193,6 20
8 Agustus - -
9 September 124,8 10
10 Oktober 129,9 12
11 Nopember 147,5 18
12 Desember 289,5 23
Jumlah 2.286,3 193
Sumber : Rencana Karya Umum (RKU) IUPHHK PT. Trisetia Intiga tahun 2010-2020
3.4 Kondisi Sumberdaya Hutan
kerjanya atau sekitar 17.453 Ha bertampalan (overlap) dengan ijin lokasi perkebunan.
Tabel 3.5 Wilayah IUPHHK yang overlap dengan perkebunan
Perusahaan HP HPT HPK Jumlah Present
ase (%)
PT.Sawit Multi Abadi 168 517 2.809 3.494 5,1
PT.Tanjung Sawit Abadi 4.647 - 31 4.677 6,8
PT.Mentobi Mitra Lestari 5.743 - 314 6.057 8,8 PT.First Lamandau Timber
Internasional
- - 247 247 0,4
PT.Kalimantan Sawit Abadi - - 2.978 2.978 4,3
Jumlah Overlap 10.558 517 6.379 17.453 25,3
Tidak Overlap 3.153 23.750 24.714 51.617 74,7
Jumlah 13.711 24.267 31.092 69.070 100
Presentase (%) 19,8 35,1 45 100
Sumber: Rencana Kerja Umum (RKU) IUPHHK PT. Trisetia Intiga tahun 2010-2020
Di areal IUPHHK PT. Trisetia Intiga terdapat areal yang overlap dengan hak penggunaan kawasan perkebunan, dalam hal ini perkebunan kelapa sawit. Areal atau wilayah yang overlap dengan kawasan perkebunan dijelaskan pada Tabel 3.5. Berdasarkan data diketahui perusahaan perkebunan yang memiliki luas overlap terluas adalah PT. Mentobi Mitra Lestari dengan luas 6.057 Ha atau 8,8% dari seluruh kawasan PT. Trisetia Intiga.
Tabel 3.6 Keadaan penutupan vegetasi areal IUPHHK PT. Trisetia Intiga Penutupan Lahan
Fungsi Hutan (ha) Daerah Penyangga
(Ha)
Jumlah (Ha)
Persen (%)
HPT HP HPK
Hutan Primer 1995 0 0 0 1.995 2,9
Hutan Bekas Tebangan
17.271 3.750 19.289 2.731 43.041 62
Non Hutan 3.913 6.770 7.976 1.681 20.34 30
Tertutup Awan 1.050 298 2.275 71 3.689 5
Jumlah 24.229 10.818 29.540 4.483 69.070 100
Sumber: Rencana Karya Umum (RKU) IUPHHK PT. Trisetia Intiga tahun 2010-2020
27
Pemantauan Sumber Daya Hutan, Ditjen Planalogi Kehutanan sesuai No.S.406/IPSDH-2/2009 tanggal 27 Juli 2009, terdiri dari Hutan Primer (VF) seluas 1.995 Ha, Hutan Bekas Tebangan (LOA) seluas 43.041 Ha, Non Hutan (NH) seluas 20.340 Ha dan Tertutup Awan (TA) seluas 3.694 Ha.
Berdasarkan hasil IHMB tersebut diketahui bahwa hutan di areal IUPHHK PT. Trisetia Intiga masih cukup baik dan layak untuk dikelola dan diusahakan secara berkelanjutan, yaitu dengan menerapkan prinsip-prinsip pengelolaan hutan lestari, khususnya dalam hal pengaturan hasil hutan yang didasarkan pada sediaan tegakan dan kemampuan regenerasi dari hutan di areal tersebut. Kondisi umum sediaan tegakan di IUPHHK PT. Trisetia Intiga berdasarkan hasil IHMB dapat dilihat pada Tabel 3.7.
Tabel 3.7 Data sediaan tegakan di areal IUPHHK PT. Trisetia Intiga berdasarkan hasil IHMB
Kelompok jenis
Sediaan tegakan per kelas diameter
10-19 cm 20-39 cm 40 cm up
N N V (m³) N V(m³)
Meranti 6.575.069 901.58 676.520 776.062 4.887.312 Rimba campuran 20.118.075 4.494.423 884.857 615.937 1.955.659 Kayu indah 1.947.486 36.468 12.687 133.702 346.290 Jumlah 28.640.630 5.432.471 1.574.064 1.525.701 7.189.261
Sumber: Rencana Karya Umum (RKU) IUPHHK PT. Trisetia Intiga tahun 2010-2020
BAB IV
HASIL DAN PEMBAHASAN
4.1 Struktur Tegakan
Berdasarkan kerapatan bidang dasar dan jumlah pohon per hektar, beberapa jenis pohon dominan yang berada di areal IUPHHK PT. Trisetia Intiga adalah Shorea spp., Shorea laevis Ridl, Kayu rimba komersil, Dipterocarpus spp., Eusyderoxylon zwagery,Dacryode ssp., Endospermum spp. Dominansi pohon di areal IUPHHK PT. Trisetia Intiga di jelaskan dalam Tabel 4.1.
Tabel 4.1 Tabel dominansi jenis di IUPHHK PT. Trisetia Intiga berdasarkan luas bidang dasar dan jumlah pohon
No Nama jenis LBDS
(m2/Ha) Nama jenis
∑ Pohon (N/Ha)
1 Shorea spp. 938,62 Shorea spp. 10.675
2 Shorea laevis Ridl 402,45 Kayu rimba komersil 6.550 3 Kayu rimba komersil 300,04 Dipterocarpus spp. 4.375 4 Dipterocarpus spp. 210,61 Shorea laevis Ridl 3.400 5 Eusyderoxylon zwagery 122,47 Dacryodes sp. 2.075 6 Dacryodes sp. 78,70 Endospermum spp. 1.775 7 Endospermum spp. 48,08 Eusyderoxylon
zwagery
1.150
8 Quercus sp. 43,02 Knema sp. 1.150
9 Shorea pinanga 39,07 Cinnamomum
parthenoxylon Meissn
1.100 10 Ochanostachys
amentaceae Mast
37,86 Quercus sp. 850
Keterangan:LBDS = Luas Bidang Dasar, Kayu rimba komersil: kumpulan 34 jenis kayu komersil
Sistem permudaan yang diterapkan merupakan sistem permudaan alam dan ditanam pengayaan yang dilakukan sekitar 1(satu) tahun setelah penebangan. Dari ke-10 jenis dominan satu diantaranya merupakan jenis kayu indah yang dilindungi yaitu Eusyderoxylon zwagery atau biasa dikenal dengan kayu ulin. Persebaran kayu ulin di Pulau Kalimantan menjadi salah satu komoditi yang potensial. Akan tetapi, jumlahnya yang semakin menurun akibat deforestasi dan degradasi lahan membuat jenis kayu indah ini masuk ke dalam jenis yang dilestarikan.
29
manajemen. Struktur tegakan hutan alam umumnya membentuk kurva dengan pola J terbalik (eksponensial negatif) yang menggambarkan pola tegakan tidak seumur. Model eksponensial negatif merupakan model yang cukup sederhana tetapi dapat menjelaskan dengan baik hubungan diameter pohon dengan jumlah pohon per hektar. Penggunaan kurva dengan pola J terbalik hanya berlaku pada pengaturan diameter manajemen hutan alam. Pada penerapan sistem silvikultur Tebang Pilih Tanam Indonesia (TPTI) di hutan alam, hutan produksi tetap memiliki kemampuan untuk memanen kayu berdiameter > 50 cm. Hasil penelitian menunjukan pola struktur tegakan di areal tersebut memiliki pohon berdiameter > 50 cm yang relatif sedikit dan slope yang cukup tajam. Pola kemiringan pada Gambar 4.1 menjelaskan terjadi perbedaan jumlah yang signifikan antara pohon berdiameter < 50 cm dan pohon berdiameter > 50 cm dimana jumlah tumbuhan bawah lebih banyak dibandingkan pohon siap tebang atau pohon dengan diameter > 50 cm. Berdasarkan pola tersebut menunjukan bahwa lokasi areal penelitian merupakan hutan sekunder bekas tebangan.
Gambar 4.1 Struktur tegakan IUPHHK PT. Trisetia tahun 2012
Jumlah pohon dapat menggambarkan ketersediaan tegakan di setiap tingkat pertumbuhannya. Pada penelitian ini diketahui pohon berdiameter < 10 cm sebanyak 252.000 pohon, pohon dengan diameter 10-49 cm sebanyak 41.225 pohon, dan pohon berdiameter ≥ 50 cm ada 3.150 pohon. Hal tersebut menunjukan ketersediaan tegakan di areal penelitian relatif tinggi pada kelas tegakan berdiameter < 10 cm atau kelas pandang dan rendah pada kelas tegakan berdiameter ≥ 50 cm. Table 4.2 mensajikan jumlah persen komulatif pohon pada
y = 2482.e-0.04x
R² = 0.806
0 1000 2000 3000 4000
0 20 40 60 80 100 120
N
/
H
a
setiap kelas diameter yang ada, dapat diketahui ketersediaan tegakan konstan pada diameter ≥ 50 cm kurang dari 1% sehingga dapat dikatakan bahwa ketersediaan pohon berdiameter ≥ 50 cm tidak mempengaruhi ketersediaan tegakannya karena jumlahnya yang relatif sedikit.
Tabel 4.2 Dominansi jumlah pohon dan biomassa berdasarkan kelas diameter No Kelas
diameter Jumlah pohon per hektar Perse ntase (%) Persen komulati f (%) Jumlah biomassa per hektar Perse ntase (%) Persen komula tif (%)
1 <10 252000 85.0 85.0 221.51 1.8 1.8
2 10-19 24600 8.3 93.3 998.99 8.3 10.2
3 20-29 9775 3.3 96.6 1522.61 12.7 22.8
4 30-39 4600 1.6 98.2 1484.84 12.4 35.2
5 40-49 2250 0.8 98.9 1553.04 12.9 48.1
6 50-59 1350 0.5 99.4 1720.83 14.3 62.5
7 60-69 675 0.2 99.6 887.43 7.4 69.9
8 70-79 425 0.1 99.8 801.89 6.7 76.5
9 80-89 425 0.1 99.9 1417.76 11.8 88.4
10 90-99 125 0.0 99.9 426.16 3.5 91.9
11 100-109 50 0.0 100.0 382.32 3.2 95.1
12 110-120 100 0.0 100.0 590.23 4.9 100.0
31
sehingga nilai biomassa yang dihasilkan lebih tinggi dibandingkan nilai biomassa kelas diameter yang lebih rendah.
4.2 Biomassa Tegakan
Tabel 4.3 Hasil statistik kandungan biomassa
No ID Plot Koordinat X Koordinat Y Volume (m3/ha)
Biomassa (ton/ha)
1 1009036 559404 9811806 213,02 100,11
2 1010038 560329 9812790 108,00 93,49
3 1011040 561320 9814591 285,49 227,38
4 1011041 561320 9815490 206,56 135,25
5 1012039 562320 9813692 146,92 68,03
6 1012041 562320 9815490 381,30 212,21
7 1012045 562320 9819086 584,05 599,43
8 1013039 563327 9813710 341,76 179,99
9 1013040 563345 9814598 232,14 135,65
10 1013041 563327 9815501 464,95 287,32
11 1014040 564354 9814605 386,61 296,24
12 1017042 567330 9816402 660,85 357,44
13 1018040 568319 9814608 719,61 443,97
14 1018043 568320 9817288 298,42 171,27
15 1019041 569336 9815506 706,44 382,87
16 1019044 569337 9818188 332,78 215,84
17 1020042 570332 9816414 140,01 97,98
18 1021043 571331 9817327 273,04 318,31
19 1021044 571423 9818254 491,54 259,79
20 1022046 576140 9818061 456,63 296,98
21 1022052 572426 9825505 681,21 411,91
22 1023047 573282 9820714 397,12 248,53
23 1025040 575335 9814590 557,65 367,87
24 1025043 575311 9817176 426,47 267,71
25 1026040 576372 9814745 637,40 333,44
26 1026042 576398 9816431 360,34 247,24
27 1026043 576357 9817207 541,49 316,39
28 1027039 577373 9813635 136,28 80,35
29 1027043 577218 9817390 362,37 200,95
30 1028037 578342 9811803 446,47 546,76
[image:31.595.97.515.183.699.2]perbedaan struktur, dan faktor iklim seperti suhu dan curah hujan (Komiyama et al. 1988). Keragaman yang dihasilkan pada hasil biomassa lapangan dilihat berdasarkan nilai koefisien variasinya dengan nilai 50,29%. Nilai tersebut menggambarkan bahwa keragaman biomassa atas lapangan pada lokasi relatif sedang. Menurut Puspijak (2010), nilai biomassa pada hutan bekas tebangan di Kalimantan Timur sebesar 343,6-498,4 ton/ha. Hasil pendugaan biomassa penelitian menunjukan wilayah selang biomassa yang cukup tinggi dengan nilai minimum 68,03 ton/ha dan maksimum 599,43 ton/ha. Areal penelitian termasuk ke dalam tipe hutan lahan kering, yang umumnya memiliki kemampuan menyimpan karbon dalam jumlah besar daripada hutan rawa dan mangrove karena kemampuannya dalam membangun tegakan yang tinggi dan berdiameter besar sebagai tempat penyimpanan karbon. Kandungan biomassa di beberapa tipe tutupan lahan hutan dan non hutan diketahui berdasarkan data Puspijak (2010) dengan biomassa hutan lahan kering bekas tebangan sebesar 343,6-498,4 ton/ha, biomassa hutan mangrove bekas tebangan 108,2-365 ton/ha, biomassa agroforestry sebesar 91 ton/ha, biomassa tegakan kelapa sawit sebesar 32,68 ton/ha, biomassa semak belukar sebesar 38,8 ton/ha, dan biomassa padang rumput atau savana sebesar 20 ton/ha.
Pada umumnya, nilai R² dikatakan baik jika bernilai ˃ 50%. Hasil pengujian menunjukan nilai R² sebesar 96,4%. Hal tersebut menunjukan bahwa 96,4% biomassa atas permukaan dapat dijelaskan oleh diameter dan berat jenis tegakan yang diamati, sedangkan 3,6% kandungan biomassa di atas permukaan diduga oleh peubah lainnya.
33
bawah 1,2x10-5 ton/ha (5x10-6). Analisis koefisien variasi (Coefficient of variance/CV) pada setiap kelompok biomassa menunjukan nilai keheterogenan biomassa pada setiap kelas biomassa. Suatu nilai dikatakan heterogen jika memiliki CV antara 65% sampai 85%. Pada penelitian ini diketahui kelas biomassa yang paling heterogen adalah kelas serasah (69,88%) dan tumbuhan bawah (87,57%). Proporsi jumlah biomassa pada setiap kelas biomassa di atas permukaan dijelaskan pada Tabel 4.4.
Tabel 4.4 Tabel proporsi biomassa setiap kelas biomassa atas permukaan Kelas
Biomassa
Biomassa (ton/ha)
CV (%)
Persen (%) Maksimu
m
Minimu m
Sd. Rata-rata
Pohon 426,16 3,17 42,31 171,10 24,73 64,97
Nekromassa 126,62 0,19 12,83 53,01 24,20 20,13
Tiang 22,46 1,66 5,10 32,01 15,92 12,16
Pancang 12,16 0,00 1,34 7,24 18,46 2,75
Serasah 2,7x10-4 6,9x10-6 5,9x10-5 8,6x10-5 69,88 3,3x10-5 Tumbuhan
bawah
5,9x10-5 1,6x10-6 1,1x10-5 1,2x10-5 87,57 5x10-6
Keterangan: Sd.= simpangan baku, CV= koefisien varian
Biomassa atas permukaan (BAP) yang telah diperoleh dalam satuan ton/ha per plot dikorelasikan dengan nilai biomassa citra ALOS PALSAR Resolusi 50 meter. Biomassa citra dianalisis dengan pendekatan nilai hamburan balik (backscatter) yang merupakan nilai kuantitatif kekuatan sinar balik dari citra radar yang dapat menggambarkan indeks vegetasi suatu citra. Nilai hamburan balik yang dipilih merupakan nilai hasil polarisasi HH, HV, HH/HV, ditampilkan dengan beberapa ukuran sampel plot (ukuran sampel plot) untuk melihat perbedaan nilai hamburan balik pada luasan sampel yang berbeda-beda. Pada penelitian ini digunakan ukuran sampel 1 x 1 pixel, 3 x 3 pixel, dan 5 x 5 pixel, yang artinya secara berurutan sampel degan ukuran 50 m x 50 m, 150 m x 150 m, 250 m x 250 m. Nilai hamburan balik polarisasi HH lebih besar dibandingkan nilai hamburan balik polarisasi HV, hal tersebut disebabkan karena nilai dijital pada polarisasi HH lebih besar dibandingkan nilai dijital pada polarisasi HV.
akan memberikan rona yang sangat cerah pada citra. Variasi rona yang disebabkan adanya variasi permukaan vegetasi ini dapat menunjukkan perbedaan kekasaran vegetasi sebagai akibat perbedaan lebar tajuk. Semakin kasar vegetasi akan memberikan tone yang cerah, hutan akan tampak cerah karena tajuknya kasar. (Puspitasari 2010).
4.3 Filter Spasial
Nilai hamburan balik yang dihasilkan merupakan nilai yang berasal dari citra asli tanpa perlakukan penajaman citra. Nilai koefisien determinasi yang dihasilkan dari ketiga polarisasi adalah ≤ 50%, sehingga dilakukan penghalusan kontras citra dengan filtering image yang diharapkan dapat meningkatkan nilai koefisien regresi antara biomassa lapangan dengan nilai hamburan balik. Pada penelitian ini dilakukan penajaman spasial (spasial enhancement) dengan penggunaan filter Lee. Hasil filtering image disajikan pada Gambar 4.3.
(a) (b)
(c) (d)
Gambar 4.2 Hasil filtering image citra ALOS PALSAR 50 m pada kernel 3x3, 5x5, dan 7x7
Secara visual, hasil filtering menunjukan nilai berbeda pada setiap kernel yang digunakan, semakin tinggi nilai kernelnya maka semakin rendah kekontrasan
A
A A
[image:34.595.105.493.129.781.2]35
antara masing-masing tone atau warna yang ada. Penurunan kontras yang dihasilkan mengurangi kemudahan interpreter dalam mengidentifikasi lokasi tertentu dengan lokasi lainnya. Selain itu, hasil filtering menghilangkan beberapa informasi pada citra asli karena penghalusan kontras. Sebagaimana diilustrasikan pada Gambar 4.2 lahan kosong yang ada di dalam lingkaran merah (Gambar 4.2 (a)) terlihat mempunyai kontras yang lebih tinggi dibandingkan hasil filtering (b), (c), (d) (lihat Gambar 4.2). Oleh karena itu, penggunaan filtering dengan penurunan kontras membuat beberapa infomasi pada data hasil filtering berubah atau dihilangkan.
Nilai backscatter plot pengamatan masing-masing citra, baik citra asli maupun citra hasil filtering dikroelasikan dengan nilai biomassa atas permukaan (above ground biomass). Model yang terbangun pada penelitian ini adalah model logaritmik, yang menggambarkan grafik pertumbuhan dimana terjadi peningkatan secara teratur dan konstant pada waktu tertentu.
4.4 Analisis Korelasi dan Koefisien Regresi
Model yang diujicobakan pada penelitian ini adalah model linear, model logaritmik, model eksponensial, dan model regresi linear berganda. Korelasi antara nilai backscatter HH, HV, dan HH/HV dengan biomassa lapangan digambarkan pada Gambar 4.3.
(a) (b)
y = 2.351ln(x) - 19 R² = 0.555
y = 0.009x - 8.751 R² = 0.511 -12 -10 -8 -6 -4 -2
0 200 400 600 800
H H B ac k sc at te r Biomass (ton/Ha)
y = 2.236ln(x) - 23.45 R² = 0.559 y = 0.009x - 13.70
R² = 0.511
-16 -14 -12 -10 -8 -6
0 200 400 600 800
(c)
Gambar 4.3 Diagram scatter hubungan antara biomassa atas permukaan (above ground biomass/AGB) dan nilai backscatter, (a) AGB dan Polarisasi HH; (b) AGB dan Polarisasi HV; (c) AGB dan Polarisasi HH/HV. Berdasarkan Tabel 4.5, model korelasi yang tertinggi diantara ketiga model yang diujikan adalah model logaritmik, selanjutnya model yang akan digunakan untuk uji koefisien regresi dan uji verifikasi adalah persamaan dengan model logaritmik. Pada penelitian ini terbangun model sejumlah 108 model yang terdiri dari model logaritmik dan model logaritmik berganda. Model terbaik dipilih berdasarkan nilai koefisien determinasi (R²) dan p-value setiap persamaan terbangun. Nilai (R²) berkisar antara 0-100% dimana semakin tinggi nilai R² maka hubungan antar peubahnya semakin kuat, P-value menunjukan hubungan regresi yang signifikan dengan kriteria p-value < 0,05. Berdasarkan kriteria pemilihan model, diperoleh model terpilih sejumlah 62 model persamaan. Seluruh model persamaan terpilih menunjukan terjadi korelasi yang signifikan antara biomassa dengan nilai backacatter polarisasi HH, polarisasi HV, polarisasi HH/HV, polarisasi HH2, polarisasi HV2, dan polarisasi (HH/HV) 2. Nilai koefisien determinasi (R²) yang dihasilkan berkisar antara 29% - 61%, nilai (R²) yang mendekati 100% memiliki hubungan antar peubah yang semakin kuat sehingga dilakukan pemilihan nilai koefisien determinasi (R²) di atas 55% dan terpilih sebanyak 16 model persamaan terbaik berdasarkan nilai R² dan P-value, Ke-16 model persamaan terbaik ditampilkan dalam Tabel 4.5.
y = -0.1ln(x) + 1.081 R² = 0.442
y = -0.000x + 0.648 R² = 0.427 y = 0.654e-8E-0x
R² = 0.413 0.3
0.4 0.5 0.6 0.7 0.8
0 200 400 600 800
H
H
B
ac
k
sc
at
te
r
Biomass (ton/Ha)
AGB_K vs HH/HV
[image:36.595.176.451.89.252.2]37
Tabel 4.5 Model terbaik berdasarkan R² dan P-value
Jenis citra
Ukuran sampel
plot
No Persamaan R² R P-value
Citra Asli 1x1 1 AGB = 3880,40614 exp (0,25018 HV) 0,56 0,75 Sig
1x1 2 AGB = 1022,27051 exp (-0,011446 HV²) 0,59 0,76 Sig
3x3 3 AGB = 5985,67504 exp (0,288 HV) 0,58 0,76 Sig
3x3 4 AGB = 1241,77807 exp (-0,01295 HV²) 0,60 0,77 Sig
5x5 5 AGB = 1592,66699 exp (-0,01491 HV²) 0,57 0,75 Sig
Speckle Supression Kernel 3x3
1x1 6 AGB = 5280,31468 exp (0,27809 HV) 0,58 0,76 Sig
1x1 7 AGB = 1172,31637 exp (-0,0126 HV²) 0,60 0,78 Sig
3x3 8 AGB = 181,48905 exp (7,88238 HH/HV) exp (0,64797 HH) 0,60 0,77 Sig
3x3 9 AGB = 1381,22322 exp (-0,0139 HV²) 0,59 0,77 Sig
5x5 10 AGB = 119,633512 exp (10,12192 HH/HV) exp (0,77360 HH) 0,56 0,75 Sig
5x5 11 AGB = 1702,11148 exp (-0,01551 HV²) 0,56 0,75 Sig
Speckle Supression Kernel 5x5
1x1 12 AGB = 138,57076 exp (8,99611 HH/HV) exp (0,70627 HH) 0,61 0,78 Sig
1x1 13 AGB = 1430,94365 exp (-0,01426 HV²) 0,59 0,77 Sig
3x3 14 AGB = 97,09194 exp (10,73173 HH/HV) exp (0,79905 HH) 0,59 0,77 Sig 3x3 15 AGB = 224,19659 exp (7,30916 (HH/HV)²) exp (-0,0538 HH²) 0,58 0,76 Sig 5x5 16 AGB = 69,59417 exp (12,46986 HH/HV) exp (0,89461 HH) 0,56 0,75 Sig
Nilai koefisien determinasi (R²) yang dihasilkan pada setiap ukuran sampel plot dan citra hasil filtering memiliki nilai yang berbeda-beda. Pada ukuran sampel plot 1x1 terlihat terjadi peningkatan nilai koefisien determinasi, hal tersebut menunjukan terjadi hubungan antar peubah yang lebih kuat pada citra dengan melakukan perlakuan speckle suppression. Hal yang berbeda terlihat pada ukuran sampel plot 3x3 dan ukuran sampel plot 5x5 yang memiliki kecenderungan menurun. Nilai biomassa lapang yang dikorelasikan dengan nilai backscatter merupakan nilai biomassa pada plot pengukuran 20 meter x 20 meter di lapangan, sehingga akan lebih relevan jika di korelasikan dengan nilai backscatter pada citra dengan ukuran sampel plot 1x1 (50 meter x 50 meter). Matrix korelasi dijelaskan pada Tabel 4.6.
Tabel 4.6 Matrix korelasi nilai backscatter dan biomassa lapangan pada setiap ukuran sampel plot
Ukuran Sampel Citra
Citra tanpa Speckle
Filtering Image dengan kernel 3x3
Filtering Image dengan kernel 5x5
1X1 0,585 0,603 0,614
3X3 0,600 0,596 0,590
5X5 0,569 0,559 0,564
4.5 Uji Verifikasi
Model-model yang telah terbangun diverifikasi atau divalidasi dengan melakukan perhitungan Mean Deviation (Simpangan Rata-rata/SR), Agregative Deviation (Simpangan Agregat/SA), Root Mean Square Error (RMSE), bias (℮), dan uji-χ² untuk menguji model terpilih. Uji verifikasi dilakukan pada plot IHMB IUPHHK PT. Trisetia Intiga, dengan jumlah plot verifikasi sebanyak 30 plot. Plot verifikasi dipilih secara acak (sampling) di areal sekitar plot pengamatan dan menyebar. Hal tersebut dilakukan berdasarkan tingkat kehomogenan dan keterwakilan dari plot pengamatan.
39
tegakan diameter ≥ 10 cm dari data penelitian, dan biomassa data IHMB pada plot yang sama. Korelasi tersebut menghasilkan persamaan yang digunakan untuk mengkonversi nilai biomassa data IHMB untuk plot verifikasi menjadi nilai keseluruhan biomassa di atas permukaan. Persamaan konversi tersebut digambarkan dalam grafik korelasi pada Gambar 4.4.
Gambar 4.3 Korelasi biomassa penelitian (≥ 10 cm) dan biomassa IHMB Simpangan agregat (aggregative deviation) menunjukan persentase biomassa aktual terhadap biomassa dugaan, persamaan yang baik memiliki nilai simpangan agregat (SA) berkisar antas -1 sampai +1 (Spurr 1952). Hasil penelitian menunjukan keseluruhan model persamaan memenuhi kaidah SA dengan nilai SA berkisar antara -0,13 sampai 0,02. Uji simpangan rata-rata (mean deviation) dilakukan untuk mengetahui rata-rata jumlah dari nilai mutlak selisih antara jumlah biomassa dugaan dengan biomassa aktual, nilai simpangan rata-rata dikatakan baik jika tidak lebih dari 10% (Spurr 1952). Hasil yang diperoleh dari uji verifikasi dengan simpangan rata-rata terdapat empat model persamaan yang SA kurang dari 10%. Dari empat model tersebut, model persamaan berbentuk logaritmik menggunakan citra asli dengan ukuran sampel plot 1x1 dan peubah bebas nilai hamburan balik polarisasi HH, serta polarisasi HV dengan persamaan:
= 995,80944 exp 0,23618 HH ; dengan SR sebesar 9,02%
= 3880,40614 exp 0,25018 HV ; dengan SR sebesar 4,00%
= 492,56387 exp (−0,018323 HH²) dengan SR sebesar 9,64%
= 1022,27051 exp (−0,011446 HV²) dengan SR sebesar 4,27%
Keterangan: AGB : Above ground biomass (ton/ha)
y = 1.003x + 7.355 R² = 0.996 0
100 200 300 400 500 600 700
0 200 400 600
B
iom
as
sa
K
es
el
ur
uh
an
(t
on/
ha)
Selanjutnya, dilakukan pengujian terhadap model-model yang telah terbangun dengan uji RMSE (Root Mean Square Erorr) yang merupakan kombinasi antara bias dengan ketelitian. RMSE menggambarkan jauh dekatnya nilai -nilai hasil pengamatan terhadap nilai yang sebenarnya. Nilai RMSE yang semakin kecil menunjukan bahwa model penduga biomassa yang terbangun lebih akurat dalam menduga biomassa. Pada penelitian ini dihasilkan nilai RMSE pada selang 0,47% sampai 4,10% , dari nilai tersebut dapat dijelaskan bahwa keseluruah model yang terpilih memiliki nilai kesalahan (error) yang rendah.
Kemudian dilakukan uji bias yang merupakan uji kesalahan sistematis yang dapat terjadi karena kesalahan dalam pengukuran, meliputi kesalahan teknis dan kesalahan karena alat ukur. Suatu model bisa dikatakan akurat apabila nilai biasnya semakin kecil, pengukuran bias yang dilakukan terhadap 62 model persamaan terpilih memiliki bias yang relatif rendah berkisar antara 4,03 - 32,43 sehingga berdasarkan uji bias keseluruhan model persamaan terpilih dapat digunakan. Uji verifikasi terakhir adalah uji-χ², uji-χ² merupakan alat untuk menguji apakah biomassa yang diduga dengan model penduga biomassa (Bt) berbeda dengan biomassa aktualnya (Ba). Uji beda rata-rata chi-square ini digunakan sebagai dasar pengambilan keputusan model terbaik. Kaidah keputusan dalam uji - χ² adalah apabila χ² hitung ≤ χ²tabel, maka terima Ho artinya biomassa yang diduga dengan model penduga biomassa tidak berbeda dengan biomassa aktualnya. Hasil uji verifikasi menunjukan bahwa dari 62 model yang terbangun, model persamaan yang memenuhi beda rata-rata tidak signifikan adalah model persamaan pada ukuran sampel plot 1x1 dengan persamaan:
= 3880,40614 exp 0,25018HV
= 1022,27051 exp −0,01145 HV2
41
Tabel 4.7 Verifikasi model persamaan terpilih
Jenis
citra Buffer No Persamaan
X² hitung
X²
tabel RMSE SA Bias SR
Citra Asli
1x1 1 AGB = 3880,40614 exp (0,25018 HV) 12,94* 42,56 0,47 0,01 4,03 4,00** 1x1 2 AGB = 1022,27051 exp (-0,01145 HV²) 17,57* 42,56 0,55 0,02 4,32 4,27** 3x3 3 AGB = 5985,67504 exp (0,288 HV) 969,02 42,56 3,34 -0,03 25,67 28,44 3x3 4 AGB = 1241,77807 exp (-0,01295 HV²) 1002,94 42,56 3,54 -0,02 27,66 29,96 5x5 5 AGB = 1592,667 exp (-0,01491 HV²) 1141,53 42,56 3,44 -0,03 26,90 31,45 Speckle
Supressi on Kernel 3x3
1x1 6 AGB = 5280,31468 exp (0,27809 HV) 940,71 42,56 3,39 -0,03 26,14 28,44 1x1 7 AGB = 1172,31637 exp (-0,0126 HV²) 972,94 42,56 3,60 -0,02 27,98 29,77 3x3 8 AGB = 181,48905 exp (7,88238 HH/HV) exp
(0,64797 HH)
1202,07 42,56 3,93 0,00 30,84 33,47 3x3 9 AGB = 1381,22322 exp (-0,0139 HV²) 1054,19 42,56 3,49 -0,03 27,29 30,67 5x5 10 AGB = 119,63351 exp (10,12192 HH/HV) exp
(0,77360 HH)
1393,84 42,56 3,87 0,00 30,28 34,70 5x5 11 AGB = 1702,11148 exp (-0,01551 HV²) 1174,31 42,56 3,38 -0,04 26,48 31,65 Speckle Supressi on Kernel 5x5
1x1 12 AGB = 138,57076 exp (8,99611 HH/HV) exp (0,70627 HH)
1145,67 42,56 3,92 0,01 30,65 33,16 1x1 13 AGB = 1430,94365 exp (-0,01426 HV²) 1026,83 42,56 3,44 -0,03 26,95 30,40 3x3 14 AGB = 97,09194 exp (10,73173 HH/HV) exp
(0,79905 HH)
1276,46 42,56 3,92 0,01 30,73 34,11 3x3 15 AGB = 224,19659 exp (7,30916 (HH/HV)²) exp
(-0,0538 HH²)
1339,32 42,56 4,10 0,02 32,43 36,29 5x5 16 AGB = 69,59417 exp (12,46986 HH/HV) exp
(0,89461 HH)
1410,96 42,56 3,84 0,01 30,20 34,75
[image:41.842.85.756.112.470.2]Analisis uji verifikasi menghasilkan dua model persamaan yang dapat dijadikan model terbaik. Kedua model persamaan memiliki perbedaan pada nilai koefisien determinasi (R2) dan nilai RMSE yang dihasilkan, sehingga biomassa hutan lahan kering IUPHHK-HA PT. Trisetia dapat diduga dengan model persamaan:
1. = 3880,40614 exp 0,25018HV 2. = 1022,27051 exp −0,01145 HV2
4.6 Peta Sebaran Biomassa
[image:42.595.110.501.254.744.2]Berdasarkan model persamaan biomassa terbaik, lebih jauh dibuat dalam peta sebaran biomassa sebagaimana dijelaskan pada Gambar 4.5 dan Gambar 4.6.
Gambar 4.4 Peta sebaran biomassa IUPHHK PT, Trisetia Intiga dengan peubah bebas HV model AGB = 3880,40614 exp(0,25018HV)
43
[image:43.595.112.502.414.693.2](dilihat dari nilai biomassa yang rendah). Pada persamaan kedua dengan peubah bebas nilai backscatter polarisasi HV² menunjukan selang biomassa lebih sempit yaitu berkisar antara 0 ton/ha dan 939 ton/ha. Menurut Puspijak (2010), setiap tipe kawasan baik hutan maupun non hutan memiliki nilai biomassa yang berbeda-beda. Hutan sekunder bekas tebangan memiliki kandungan biomassa antara 343,6 ton/ha dan 498,4 ton/han. Berdasarkan pada data tersebut, maka diketahui bahwa kondisi biomassa IUPHHK PT. Trisetia Intiga sejalan dengan pemahaman yang dikemukakan oleh Puspijak (2010). Dengan model ke-2 (HV²) terlihat hasil estimasi lebih rasional mengingat biomassa tutupan lahan kelapa sawit dapat dibedakan secara baik dengan biomassa hutan bekas tebangan. Hal yang paling terlihat adalah di Bagian Barat Daya (lihat Gambar 4.5 (a)) yang termasuk ke dalam selang biomassa rendah dimana areal tersebut merupakan areal yang telah overlap dengan kawasan perkebunan sawit, sehingga nilai biomassanya rendah. Selain itu, pada areal yang berlereng tampak peta sebaran biomassa dengan menggunakan persamaan kedua mampu memberikan tekstur topografi yang lebih jelas (lihat Gambar 4.5 (b).
Gambar 4.5 Peta sebaran biomassa IUPHHK PT, Trisetia Intiga dengan peubah bebas HV² (model AGB = 1022,27051 exp(-0,01145HV²)
A
BAB V
KESIMPULAN
5.1 Kesimpulan
Berdasarkan hasil penelitian dan pembahasan sebelumnya, maka dapat disimpulkan beberapa hal sebagai berikut:
1. Biomassa hutan alam lahan kering dapat diduga menggunakan citra ALOS PALSAR resolusi 50 meter.
2. Berdasarkan hasil pengujian statistik diperoleh dua persamaan terbaik yaitu AGB = 3880,40614 exp (0,25018HV) dimana nilai R² = 56%, RMSE = 0,47%, dan AGB = 1022,27051 exp (-0,01145HV²) dengan nilai R² 59%, RMSE = 0,55%.
3. Polarisasi HV memiliki hubungan yang lebih baik dengan nilai hamburan balik (backscatter)dibandingkan polarisasi HH.
5.2 Saran
MODEL PENDUGA BIOMASSA HUTAN ALAM LAHAN
KERING MENGGUNAKAN CITRA ALOS PALSAR
RESOLUSI 50 M DI AREAL KERJA
PT. TRISETIA INTIGA
TIA LIA AGUSTINA
DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
DAFTAR PUSTAKA
Awaya Y. 2009. Land cover Monitoring and Biomass Estimation Using PALSAR Data in Palangkaraya, Indonesia [abstrak]. Di Dalam : Workshop on Exploring the Use of ALOS PALSAR for Forest Resource Management, Development of Forest Degradation Index and Carbon Emission Estimation Method Using PALSAR Data in Indonesia. Bogor.
Bergen MK, Dobson MC. 1999. Integration of remotely sensed Radar imagery in modelling and mapping of Forest Biomassa and Net Primary Production [Jurnal]. Ecological Modelling ELSEVIER. No.122 Hal:257-274.
Brown S. 1997. Estimating biomass and biomass change of tropical forests, FAO Forest Resources Assessment Publication.No.134 Hal:55. Roma.
Dahlan. 2005. Pendugaan Kandungan Karbon Tegakan Acacia mangium Wild Menggunakan Citra Landsat ETM+ dan SPOT-5. [Tesis]. Bogor: Sekolah Pasca Sarjana IPB
Divayana IPI. 2011. Pendugaan Biomassa Tegakan Menggunakan Citra ALOS PALSAR. [Skripsi]. Bogor: Departemen Manajemen Hutan IPB
Dobson MC, Ulaby F, Le Toan T, Beaudoin A, Kasischkle ES, Christensen N. 1992. Dependence of radar backscatter on coniferous forest biomass [Jurnal] IEEE Transaction on Geoscience and Remote Sensing.Vol. 10 No. 2 Hal:412-415.
Hairiah K, Rahayu S. 2007. Pengukuran “Kabon Tersimpan” di Berbagai Macam Penggunaan Lahan. Bogor: World Agroforesrty Centre- ICRAF.
Husch B, Beers TW, Kershaw JA. 2003. Forest measurement : 4th ed. New Jersey. United States : John Wiley 7 Sons.
[IPCC] Intergovernmental Panel on Climate Change. 1995. Greenhouse Gas Inventory reference manual IPCC WGI technical support unit, Hardley Center,Meteorology Office, London Road, Braknell, RG 122 NY. United Kingdom.
Istomo. 2002. Kandungan Fosfor dan Kalsium serta Penyebaran pada Tanah dan Tumbuhan Hutan Rawa Gambut [disertasi]. Bogor: IPB.
[IUPHHK-HA] Izin Usaha Pemanfaatan Hasil Hutan Kayu-Hutan Alam PT. Trisetia Intiga. 2010. Rencana Karya Umum tahun 2010-2020. Pangkalan Bun-Kalimantan Tengah.
[JAXA] Japan Aerospace Exploration Agency. 2010. PALSAR (Phased Array type L-band Synthetic Aperture Radar. http://www.eorc. Jaxa. jp/ALOS/en/abo ut/palsar.htm. [21 Desember 2012].
[Kemenhut] Kementrian Kehutanan. 1999. Undang-undang Republik Indonesia Nomor 41 tahun 1999 tentang Kehutanan. Jakarta: Kementrian Kehutanan RI.
46
Komiyama A, Moriya H, Prawiroatmodjo S, Toma T, Ogino K. 1988. Forest primary productivity. In: Ogino, K, Chihara, M, (Eds.), Biological, System of Mangrove. Ehime University. Pp. 97–117.
Lillesan TM, Kiefer RW. 1990. Penginderaan Jauh dan Intrepretasi Citra. Dulbari, Suharsono P, Hartono, Suharyadi, penerjemah; Sutanto, editor. Yogyakarta: UGM Press. Terjemahan dari: Remote Sensing and Image Interpretation. Lu D. 2005. The potential and challenge of remote sensing-based biomass
estimation [Jurnal]. International Journal of Remote Sensing. Vol. 27 No.7 Hal. 1297-1328.
Maulana SI, Pandu J. Persamaan Allometrik Genera Intsia sp, Untuk Pendugaan Biomassa Atas Tanah pada Hutan Tropis Papua Barat [Allomtric Equation of Intsia sp, Genera for Biomass Estimation Tropical Forest in Papua]. Balitbang Kehutanan Manokwari. Vol.7 No.4:275-284.
Muhdi. 2009. Struktur dan Komposisi Jenis Permudaan Hutan Alam Tropika Akibat Pemanenan Kayu dengan Sistem Silvikultur Tebang Pilih Tanam Indonesia [Jurnal]. Bionatura. Vol. 11. No. 1 (2009). Hal: 68-79.
Muhdin, Suhendang E, Wahjono Djoko, Purnomo Herry, Istomo, Simangunsong BCH. 2008. Keragaman Struktur Tegakan Hutan Alam Sekunder [Jurnal]. Manajemen Hutan Tropika. Vol. XIV. No. 2 (2008). Hal. 81-87.
Noor MF. 2009. Penyusunan Tabel Volume Lokasl tegakan Hutan Alam pada Areal IUPHHK PT, Trisetia Intiga di Kabupaten Lamandau, Kalimantan Tengah [Skripsi]. Bogor: Departemen Manajemen Hutan Fakultas Kehutanan IPB.
Nurharyati. 2008. Kajian Penggunaan Citra ALOS PALSAR untuk Klasifikasi Tutupan Lahan di PT, Trisetia Intiga, Kalimantan Tengah [Skripsi]. Bogor: Departemen Manajemen Hutan Fakultas Kehutanan IPB.
Purwadhi FSH. 2001. Interpretasi Citra Digital. Jakarta : Grasindo.
[Puspijak] Pusat Penelitian dan Pengambangan Perubahan Iklim dan Kebijakan. 2010. Karbon pada Berbagai Tipe Hutan dan Jenis Tanaman di Indonesia. Bogor.
Puspitasari R. 2010. 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 IPB.
Rauste Y, Lӧnnqvst A, Ahola H. 2007. Processing and Analysisi of ALOSPALSAR Imagery, Kaukartoituspaivat : VTT Technical Research Centre of Finland.
Riska A. 2011. Pendugaan Biomassa Atas Permukaan pada Tegakan Pinus (Pinus merkusii Jungh et de Vriese) Menggunakan Citra ALOS PALSAR Resolusi 50 m dan 12,5 M. [Skripsi]. Bogor: Departemen Manajemen Hutan IPB Rosenqvist A, Masanobu S, Manabu W. 2004. ALOS PALSAR: Technical outline
and mission concepts.
Siregar CA, Heriyanto NM. 2010. Akumulasi Biomassa Karbon pada Skenario Hutan Sekunder di Maribaya, Bogor, Jawa Barat [Jurnal]. Penelitian Hutan dan Konservasi Alam. Vol. VII, N0.3(2010), Hal:215-226.
Spurr, SH. 1952. Forest Inventory. The Ronald Press Company. New York. Syarif RD. 2011. Penyusunan Model Pendugaan dan Pemetaan Biomassa
Permukaan pada Tegakan Jati (Tectona grandis Linn.F) Menggunakan Citra ALOS PALSAR Resolusi 50 M dan 12,5 M. [Skripsi]. Bogor: Departemen Manajemen Hutan IPB.
UNDP Environment and Energy Group. 2007. The Bali Road Map: Key Issues Under Negotiation. Director, Environment & Energy Group Bureau of Development Policy UNDP.
MODEL PENDUGA BIOMASSA HUTAN ALAM LAHAN
KERING MENGGUNAKAN CITRA ALOS PALSAR
RESOLUSI 50 M DI AREAL KERJA
PT. TRISETIA INTIGA
TIA LIA AGUSTINA
DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
MODEL PENDUGA BIOMASSA HUTAN ALAM LAHAN
KERING MENGGUNAKAN CITRA ALOS PALSAR
RESOLUSI 50 M DI AREAL KERJA
PT. TRISETIA INTIGA
TIA LIA AGUSTINA
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada
Departemen Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor
DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
RINGKASAN
TIA LIA AGUSTINA. Model Penduga Biomassa Hutan Alam Lahan Kering Menggunakan Citra ALOS PALSAR Resolusi 50 M di Areal Kerja PT. Trisetia Intiga. Dibimbing oleh I NENGAH SURATI JAYA.
Peningkatan gas rumah kaca (GRK), khususnya CO₂ di atmosfer menjadi salah satu faktor yang mempengaruhi pemanasan global. Peningkatan tersebut salah satunya disebabkan karena banyaknya emisi karbon yang berasal dari degradasi lahan dan deforestasi. Dalam proses mitigasi untuk pengurangan dampak pemanasan global, pendugaan jumlah karbon yang tersimpan dalam tumbuhan menjadi salah satu kegiatan yang sangat penting. Pada umumnya kandungan karbon yang tersimpan dalam vegetasi dapat diketahui melalui pendugaan biomassa, baik biomassa di atas permukaan tanah maupun biomassa di bawah permukaan. Pada penelitian ini, fokus diberikan pada pendugaan biomassa di atas permukaan tanah, khususnya menggunakan teknologi penginderaan jarak jauh. Saat ini, perkembangan teknologi penginderaan jarak jauh (remote sensing) y
