MODEL PENDUGA TABEL VOLUME POHON MERANTI DI PT INHUTANI II SUB UNIT MALINAU KALIMANTAN UTARA I WAYAN ARTHA WIJAYA

(1)

MODEL PENDUGA TABEL VOLUME POHON MERANTI DI PT INHUTANI II SUB UNIT MALINAU KALIMANTAN

UTARA

I WAYAN ARTHA WIJAYA

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR BOGOR

2017

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Model Penduga Tabel Volume Pohon Meranti di PT Inhutani II Sub Unit Malinau Kalimantan Utara adalah benar karya saya dengan arahan dari dosen 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, Januari 2017 I Wayan Artha Wijaya NIM E14120087

(4)

ABSTRAK

I WAYAN ARTHA WIJAYA. Model Penduga Tabel Volume Pohon Meranti di PT Inhutani II Sub Unit Malinau Kalimantan Utara. Dibimbing oleh PRIYANTO.

Kegiatan inventarisasi hutan merupakan hal yang penting untuk dilakukan untuk mengetahui potensi suatu tegakan dalam areal hutan. Tabel volume pohon Meranti (Shorea spp.) dibuat untuk membantu memperoleh taksiran volume tegakan dari jenis pohon tersebut di areal kerja PT Inhutani II Sub Unit Malinau.

Sebanyak 100 pohon contoh diambil dari lokasi penelitian. Penyusunan model regresi terdiri dari 5 model persamaan dengan 3 persamaan menggunakan 1 peubah bebas dan 2 persamaan menggunakan 2 peubah bebas. Pemilihan model terbaik berdasarkan nilai koefisien determinasi terkoreksi (R²adj), F hitung, dan simpangan baku (s) untuk tahap penyusunan model dan nilai simpangan agregat (SA), simpangan rata-rata (SR), root mean square error (RMSE), Bias, dan chi-square (χ²) untuk tahap validasi model. Hasil penelitian menunjukkan bahwa persamaan terbaik yang diperoleh yaitu V = 15.48817 D^2.45 dengan nilai R²adj 98.50%, simpangan baku 0.7, simpangan agregat -0.08, simpangan rata-rata 0.84, RMSE 0.32%, dan bias 0.22%.

Kata kunci: meranti, model regresi, tabel volume

ABSTRACT

I WAYAN ARTHA WIJAYA. Estimation Model of Meranti Volume Table at PT Inhutani II Sub Unit Malinau North Kalimantan. Supervised by PRIYANTO.

Forest inventory is an important thing to do to determine the potential of standing stock in a forest area. Meranti (Shorea spp.) volume table is made for increased the volume estimation of each species in PT Inhutani II Sub Unit Malinau.

There are 100 trees in site as sample. The regression model is made by consist of five equation, three equation using one independent variable and two other equation using two independent variables. Best model is chosen based on value of coefficient of determination adjusted (R²adj), value of F calculates, and standard deviation (s) based on model regression making phase and value of aggregates deviation (SA), average deviation (SR), root mean square of error (RMSE), bias, and chi-square (χ²) based on model validation phase. The result showed that best equation of model is V = 15.48817 D2.45 with the value of R²adj 98.50%, standard deviation 0.7, aggregate deviation -0.08, average deviation 0.84, RMSE 0.32%, and bias value 0.22%.

Keywords: meranti, regression model, volume table

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan

pada

Departemen Manajemen Hutan

MODEL PENDUGA TABEL VOLUME POHON MERANTI DI PT INHUTANI II SUB UNIT MALINAU KALIMANTAN

UTARA

I WAYAN ARTHA WIJAYA

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR BOGOR

2017

(6)

(7)

(8)

PRAKATA

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan April 2016 ini ialah perencanaan hutan, dengan judul Model Penduga Tabel Volume Pohon Meranti di PT Inhutani II Sub Unit Malinau Kalimantan Utara.

Terima kasih penulis ucapkan kepada Bapak Priyanto, S.Hut., M.Si selaku dosen pembimbing. Di samping itu, penghargaan penulis sampaikan kepada seluruh pihak PT Inhutani II Sub Unit Malinau Kalimantan Utara dan teman teman yang telah membantu selama pengumpulan data. Ungkapan terima kasih juga disampaikan kepada orang tua dan seluruh keluarga manajemen hutan angkatan 49 atas segala doa dan kasih sayangnya.

Semoga karya ilmiah ini bermanfaat.

Bogor, Januari 2017 I Wayan Artha Wijaya

(9)

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Tujuan Penelitian 1

Manfaat Penelitian 1

Ruang Lingkup Penelitian 2

METODE 2

Waktu dan Tempat Penelitian 2

Alat dan Bahan 2

Metode Penelitian 2

HASIL DAN PEMBAHASAN 7

Keadaan Umum Lokasi Penelitian 7

Pohon Contoh 8

Angka Bentuk 8

Hubungan antara Peubah Bebas dan Peubah Terikat 9

Data Pencilan 9

Model Regresi 9

Validasi Model 10

Pemilihan Model Terbaik 11

SIMPULAN DAN SARAN 11

Simpulan 11

Saran 12

DAFTAR PUSTAKA 12

RIWAYAT HIDUP 17

(10)

DAFTAR TABEL

1. Sebaran pohon contoh jenis Meranti di PT Inhutani II Malinau 8

2. Data statistik angka bentuk pohon jenis Meranti di PT Inhutani II Malinau 8

3. Koefisien korelasi antara satu peubah dengan peubah yang lain 9

4. Model persamaan regresi penduga volume pohon jenis Meranti 10

5. Hasil uji validasi model regresi 10

6. Hasil skoring model regresi penduga volume pohon jenis Meranti 11

DAFTAR GAMBAR

1. Lokasi penelitian di PT Inhutani II Sub Unit Malinau 7

DAFTAR LAMPIRAN

1. Hasil analisis regresi 64 data menggunakan software Minitab 17 (trial version) 13

(11)

PENDAHULUAN

Latar Belakang

Berdasarkan Peraturan Pemerintah No. 6 tahun 2007 tentang Tata Hutan dan Penyusunan Rencana Pengelolaan Hutan serta Pemanfaatan Hutan, pemegang Izin Usaha Pemanfaatan Hasil Hutan Kayu dalam Hutan Alam (IUPHHK-HA) dan Izin Usaha Pemanfaatan Hasil Hutan Kayu dalam Hutan Tanaman (IUPHHK-HT) diwajibkan menyusun Rencana Kerja Usaha Pemanfaatan Hasil Hutan Kayu (RKUPHHK). RKUPHHK disusun berdasarkan inventarisasi hutan berkala sepuluh tahunan. Tujuan RKUPHHK untuk mengetahui kondisi sediaan tegakan hutan (timber standing stock) secara berkala serta sebagai bahan pemantauan kecenderungan kelestarian sediaan tegakan hutan di areal KPH maupun di areal IUPHHK.

Potensi dari suatu tegakan di dalam kawasan hutan dapat diperoleh dari hasil Inventarisasi Hutan Menyeluruh Berkala (IHMB) yang diadakan sepuluh tahun sekali. Menurut Husch (1987) inventarisasi hutan merupakan suatu usaha atau kegiatan untuk menyajikan taksiran-taksiran kuantitas kayu di hutan menurut suatu urutan klasifikasi seperti spesies, ukuran, dan kualitas. Tujuan utama inventarisasi hutan adalah untuk mendapatkan data tentang areal berhutan dan komposisi tegakannya (Simon 1996). Hal yang perlu diketahui dalam perhitungan potensi suatu tegakan yaitu volume tegakan. Volume tegakan yaitu jumlah volume pohon dalam suatu tegakan.

Penentuan volume pohon atau tegakan secara langsung pada kegiatan IHMB dirasa tidak praktis dan sulit dilakukan langsung di lapangan. Oleh Karena itu diperlukan alat bantu yang dapat memudahkan penentuan volume pohon secara cepat dan akurat. Salah satu alat bantu yang dapat digunakan yaitu tabel volume.

Tabel volume merupakan tabel yang berisi data nilai-nilai taksiran volume pohon.

Penyusunan tabel volume pohon untuk alat bantu dalam kegiatan inventarisasi hutan adalah untuk menduga volume pohon per pohon dari suatu tegakan yang diukur untuk menduga persediaan tegakan berdiri.

Tujuan Penelitian

Penelitian ini bertujuan menyusun model penduga tabel volume pohon untuk kelompok jenis Meranti di PT Inhutani II Sub Unit Malinau Kalimantan Utara.

Manfaat Penelitian

Model penduga volume pohon yang diperoleh dapat digunakan untuk menyusun tabel volume dan menentukan volume pohon yang lebih akurat.

(12)

2

Ruang Lingkup Penelitian

Penyusunan model tabel volume pohon dalam penelitian dikhususkan pada kelompok jenis Meranti dari famili Dipterocarpaceae yang merupakan jenis kayu komersial di PT Inhutani II Sub Unit Malinau, Kalimantan Utara.

METODE

Waktu dan Tempat Penelitian

Penelitian ini dilaksanakan pada bulan April−Mei 2016 di areal kerja IUPHHK-HA PT Inhutani II Sub Unit Malinau, Kalimantan Utara.

Alat dan Bahan

Alat yang digunakan dalam penelitian ini antara lain: Phi-band, pita ukur, Haga hypsometer, Spiegel Relaskop Bitterlich, satu unit laptop dengan software Microsoft word 2016, Microsoft excel 2016, dan Minitab 17 (trial version). Bahan yang digunakan dalam penelitian ini yaitu pohon kelompok jenis Meranti sebanyak 100 pohon.

Metode Penelitian Pemilihan Pohon Contoh

Jumlah pohon contoh yang digunakan dalam penelitian sebanyak 100 pohon berdiri. Pohon contoh tersebut terbagi menjadi 8 kelas diameter dengan interval kelas 10 cm. Kelas diameter dimulai dari kelas diameter 10−19 cm, 20−29 cm, 30−39 cm, 40−49 cm, 50−59 cm, 60−69 cm, 70−79 cm, dan >80 cm. Pemilihan pohon contoh dilakukan secara purposive. Adapun syarat-syarat pohon yang diambil sebagai contoh antara lain: lurus, tidak menggarpu, bebas dari serangan hama penyakit dan tersebar pada seluruh kelas diameter. Diameter pohon diukur pada ketinggian 1.3 m dari permukaan tanah menggunakan phi-band. Diameter per seksi pohon (2 m per seksi) diukur dari pangkal pohon berdiri sampai tinggi bebas cabang menggunakan Spiegel Relaskop Bitterlich.

Penghitungan Volume Pohon Contoh

Volume pohon contoh (volume aktual) dihitung dengan menjumlahkan volume tiap seksi batang pohon contoh. Volume pohon per seksi dihitung menggunakan rumus Smalian (Chapman dan Meyer 1949), yaitu:

V𝑎 = Σ {[(LBD pangkal + LBD ujung)/2] 𝑥 Pi Keterangan:

V𝑎 = Volume aktual pohon (m³) LBD = Luas Bidang Dasar (m²) Pi = Panjang seksi (m)

(13)

3 Penghitungan Angka Bentuk Pohon Contoh

Angka bentuk pohon contoh yang dihitung berupa angka bentuk absolut dan buatan. Kedua angka bentuk tersebut dihitung menggunakan rumus sebagai berikut:

f a = 𝑉𝑎/𝑉𝑑𝑝 f b = 𝑉𝑎/𝑉𝐷 Keterangan :

𝑉𝑎 = Volume aktual (m³)

𝑉𝑑𝑝 = Volume silinder dari diameter pangkal (m³) 𝑉𝐷 = Volume silinder dari diameter setinggi dada (m³) f a = Faktor angka bentuk absolut

f b = Faktor angka bentuk buatan

Analisis Hubungan antara Peubah Bebas dan Peubah Terikat

Hubungan antara peubah bebas (diameter dan tinggi) dan peubah terikat (volume) dapat diketahui dari besarnya nilai koefisien korelasi. Nilai koefisien korelasi Pearson (r) (Walpole 1995) dapat dihitung menggunakan rumus sebagai berikut:

r = ^∑ ^{𝑥𝑖𝑦𝑖−(∑} ^{𝑥𝑖)(∑} ^𝑦1)/𝑛

𝑛𝑖=1 𝑛𝑖=1

𝑛𝑖=1

√(∑^𝑛_𝑖=1𝑥𝑖²−(∑^𝑛_𝑖=1𝑥𝑖)²⁄ )(𝑛 ∑^𝑛_𝑖=1𝑦𝑖²−(∑^𝑛_𝑖=1𝑦𝑖)²⁄𝑛)

Keterangan:

r = Koefisien korelasi

xi = Diameter pohon setinggi dada pada pohon ke-i (cm) yi = Tinggi pohon ke-i (sampai dengan bebas cabang) (m) Pemeriksaan Data Pencilan

Data pencilan dapat ditentukan berdasarkan mutlak normal baku sisaan > 2 atau |Ze| > 2, sebagai berikut :

Ze = ^𝑒𝑖

𝑠

Keterangan:

Z

𝑒

= Normal baku sisaan

𝑒

i = Nilai sisaan ke-i S = Simpangan baku

Pemisahan Pencilan dilakukan dengan melihat data yang memiliki standar residual tertinggi. Data yang dipisahkan kemudian dijadikan sebagai acuan dalam melakukan tahap validasi model. Pemilihan data yang termasuk pencilan dilakukan menggunakan software Minitab 17 (trial version).

Penyusunan Model Regresi

Data yang digunakan untuk menyusun model terdiri dari 2/3 dari total keseluruhan pohon contoh. Model persaman regresi yang digunakan adalah (Loetsch et al. 1973):

1. V = 𝑎+𝑏𝐷+𝑐𝐷² (model Hohenadl – Krenn)

(14)

4

2. V = 𝑎+𝑏^D2 (model Kopezky – Gehrhardt) 3. V = 𝑎𝐷^𝑏 (model Berkhout)

4. V = 𝑎𝐷^𝑏T^c (model Schumacher Hall) 5. V = 𝑎+𝑏D²+cD²T+dT (model Stoate) Keterangan :

V = Volume total pohon (m³) D = Diameter setinggi dada (cm) T = Tinggi bebas cabang (m) a,b,c,d = Konstanta

Pengujian Model Regresi

a. Koefisien Determinasi (R²). R²adalah ukuran kemampuan peubah bebas dalam menjelaskan variasi dari peubah terikatnya. Nilai R² diperoleh dari perbandingan antara jumlah kuadrat regresi dengan jumlah kuadrat total yang terkoreksi. Rumus untuk menghitung R² adalah (Draper dan Smith 1992):

R² =

𝐽𝐾𝑅

𝐽𝐾𝑇𝑥100%

Keterangan :

R² = Koefisien determinasi JKR = Jumlah Kuadrat regresi JKT = Jumlah kuadrat total

b. Koefisien Determinasi Terkoreksi (R²adj). (R²adj) adalah koefisien determinasi yang telah dilakukan penyesuaian terhadap derajat bebas JKS dan JKTnya.

Rumus untuk menghitung R²adj (Draper dan Smith 1992):

R²adj = 1 − (^{𝐽𝐾𝑆/(𝑛−𝑝)}_{𝐽𝐾𝑇/(𝑛−1)}) 𝑥100%

Keterangan :

R²adj = Koefisien determinasi JKT = Jumlah kuadrat total JKS = Jumlah kuadrat sisa (n-p) = Derajat bebas sisaan (n-1) = Derajat bebas total

c. Simpangan Baku (s). Perhitungan simpangan baku menunjukkan bahwa semakin kecil nilainya maka semakin baik, artinya dugaanya semakin teliti.

Nilai simpangan baku (s) ditentukan dengan rumus (Draper dan Smith 1992):

𝑠 = √𝑠² = √_{(𝑛−𝑝)}^{∑ 𝑒}^𝑖²

Keterangan:

s = Simpangan baku

(15)

5 s² = Kuadrat tengah sisaan

ei = Sisaan ke-i

(n-p) = Derajat bebas sisaan

d. Uji F (F-test). Uji F (F-test) adalah uji keberartian model regresi (overall fit test) untuk melihat peranan peubah bebas terhadap peubah tidak bebasnya. Hipotesis yang diuji sebagai berikut:

H0: β = 0 H1: β ≠ 0

Kaidah keputusannya sebagai berikut : Fhitung > FTabel maka tolak H0 Fhitung ≤ FTabel maka terima H0

Terima H0 berarti regresi tersebut tidak nyata artinya persamaan regresi tidak dapat digunakan untuk menduga volume pohon berdasarkan peubah bebasnya. Tolak H0 berarti regresi tersebut nyata yang artinya ada keterkaitan antar peubah bebas dengan peubah terikat.

Pengujian Validasi Model

Data yang digunakan dalam validasi model yaitu sebanyak 1/3 dari data pohon contoh. Kriteria uji validasi yang digunakan sebagai berikut:

a. Simpangan Agregat (SA). SA adalah selisih antara jumlah volume dugaan (Vt) dengan volume aktual (Va) sebagai persentase terhadap volume dugaan (Vt).

Menurut Spurr (1952), persamaan yang baik memiliki nilai simpangan agregat (SA) berkisar -1 sampai +1.

SA = ^∑ ^𝑉^𝑡𝑖^{− ∑} ^𝑉^𝑎𝑖

𝑛𝑖=1 𝑛𝑖=1

∑^𝑛_𝑖=1𝑉_𝑡𝑖

Keterangan:

Vt = Volume dugaan (m³) Va = Volume aktual (m³) n = Jumlah pohon SA = Simpangan agregat

b. Simpangan Rata-Rata (SR). SR adalah rata-rata jumlah dari mutlak selisih antara jumlah volume dugaan (Vt) dan volume aktual (Va), proporsional terhadap jumlah volume dugaan (Vt). Nilai simpangan rata-rata yang baik adalah tidak lebih dari 10 % (Spurr 1952).

𝑆𝑅 = {∑^𝑛_𝑖=1|^𝑉𝑡^𝑖_𝑉𝑎^−𝑉𝑎^𝑖|

𝑛 } 𝑥 100 % Keterangan:

Vt = Volume dugaan (m³) Va = Volume aktual (m³) n = Jumlah pohon

(16)

6

SR = Simpangan rata-rata

c. Root Mean Square Error (RMSE). RMSE adalah akar dari rata-rata jumlah kuadrat nisbah antara selisih volume dugaan dari tabel volume pohon (Vt) dengan volume aktualnya (Va) terhadap volume aktual (Wood dan Wiant 1993).

𝑅𝑀𝑆𝐸 = √∑^𝑛_𝑖=1[^𝑉𝑡^𝑖_𝑉𝑎^−𝑉𝑎^𝑖]²

𝑛 𝑋 100 %

Keterangan:

Vt = Volume dugaan (m³) Va = Volume aktual (m³) n = Jumlah pohon

RMSE = Root Mean Square Error

d. Bias. Bias adalah kesalahan sistematis yang dapat terjadi karena kesalahan dalam pengukuran. Nilai bias dapat dihitung dengan menggunakan rumus (Akca dalam Muhdin 1999):

𝐵 = ∑ {(^{𝑉𝑡𝑖−𝑉𝑎𝑖}_𝑉𝑎𝑖 )

𝑛 } 𝑋100%

𝑛

𝑖=1

Keterangan:

B = Bias

Vt = Volume dugaan (m³) Va = Volume dugaan (m³) n = Jumlah pohon

e. Uji χ² (chi-square). Uji χ² (chi-square) adalah alat untuk menguji perbedaan volume kayu bulat yang diduga (Vt) dengan volume aktualnya (Va) (Walpole 1995). Hipotesis yang diuji sebagai berikut:

H0 : Vt = Va H1: Vt ≠ Va

Kriteria uji menggunakan rumus berikut:

χ2 = ∑(𝑉𝑡 − 𝑉𝑎)² 𝑉𝑎

𝑛

𝑖=1

Kaidah keputusannya adalah sebagai berikut:

χ² hitung > χ² Tabel (α, n-1), maka terima H1 χ² hitung ≤ χ² Tabel (α, n-1), maka terima H0

Keterangan:

Vt = Volume taksiran kayu bulat (m³)

(17)

7 Va = Volume aktual kayu bulat (m³)

n = Jumlah kayu bulat χ² = Uji chi-square Pemilihan Model Tebaik

Pemilihan model terbaik untuk penyusunan tabel volume pohon digunakan sistem skoring. Sistem skoring dilakukan pada kategori penyusunan model regresi dan uji validasi. Model terbaik dipilih berdasarkan peringkat skoring terkecil.

HASIL DAN PEMBAHASAN

Keadaan Umum Lokasi Penelitian

Berdasarkan Surat Keputusan Menteri Kehutanan No. S.263.Menhut-VI/2011, tanggal 9 Juni 2011, Secara administrasi pemerintahan areal IUPHHK-HA PT Inhutani II dengan luas ± 29.040. ha terletak di Kabupaten Malinau, Provinsi Kalimantan Timur. Adapun batas-batas wilayah adalah sebagai berikut:

Sebelah utara :IUPHHK-HA PT IKANI

Sebelah timur :Hutan Lindung/IUPHHK-HA PT Intraca

Sebelah selatan :Hutan Lindung/IUPHHK-HA PT Meranti Sakti Indonesia Sebelah barat :IUPHHK-HA PT Meranti Sakti Indonesia/PT Inhutani I Secara hidrologis letak areal Unit Manajemen hutan alam Malinau berada dalam Daerah Aliran Sungai (DAS) Malinau yang terbagi dalam tiga sub-das, yaitu Sub Das Rian, Guano dan Gong Solok. Topografi di areal IUPHHK-HA PT Inhutani II sub unit Malinau bervariasi dari datar sampai berbukit. Iklim di lokasi areal kerja PT Inhutani II sub unit Malinau berdasarkan klasifikasi iklim Schmidt dan Ferguson berada pada wilayah tipe iklim A dengan curah hujan rata-rata tahunan 3.729 mm. Lokasi penelitian ditunjukkan pada Gambar 1.

Gambar 1 Lokasi penelitian di PT Inhutani II Sub Unit Malinau

(18)

8

Pohon Contoh

Pohon contoh yang digunakan pada penelitian ini adalah jenis Meranti sebanyak 100 pohon contoh. Pohon contoh yang digunakan berasal dari areal blok RKT 2015, 2013, 2010, 2008, 2006, dan di areal hutan primer PT Inhutani II sub unit Malinau. Sebaran pohon contoh dapat dilihat pada Tabel 1.

Pohon contoh yang digunakan sebagai penyusun model regresi berjumlah 2/3 dari total jumlah keseluruhan pohon contoh yang diambil dan untuk validasi model digunakan 1/3 dari total jumlah keseluruhan pohon contoh. Pohon contoh yang digunakan pada validasi model yaitu pohon contoh yang merupakan pencilan data. Pada kelas diameter pohon 20−29 dan 30−39 tidak ditemukan pencilan data sehingga kelas diameter ini tidak menggunakan data pohon contoh pada tahap validasi model.

Angka Bentuk

Pohon memiliki bentuk batang yang berbeda, pada umumnya menyerupai bentuk silinder yang panjang dan memiliki luas bidang dasar pangkal batang yang lebih besar dibandingkan dengan luas bidang dasar ujung pucuk pohon. Tabel 2 menunjukkan data statistik angka bentuk buatan dan absolut untuk pohon jenis Meranti di PT Inhutani II Sub Unit Malinau.

Penelitian angka bentuk jenis Meranti Merah Lempung (Shorea parvifolia Dyer) yang dilakukan oleh Sabri (1995) di PT ITCI Kalimantan Timur diperoleh rata-rata angka bentuk sebesar 0.61. Perbedaan hasil yang diperoleh dikarenakan perbedaan lokasi serta perbedaan cara pengambilan data. Hasil perhitungan kedua penelitian yang dilakukan memberikan indikasi penolakan terhadap penggunaan

Tabel 1 Sebaran pohon contoh jenis meranti di PT Inhutani II Malinau Kelas

Diameter (cm)

Jumlah Pohon Contoh Total

Penyusun Model Regresi

Validasi Model

10 – 19 5 7 12

20 – 29 12 - 12

30 – 39 12 - 12

40 – 49 9 3 12

50 – 59 9 3 12

60 – 69 9 5 14

70 – 79 7 6 13

>80 1 12 13

Total 64 36 100

Tabel 2 Data statistik angka bentuk pohon jenis meranti di PT Inhutani II Malinau

Angka Bentuk Minimal Maksimal Rata-rata Standar Deviasi

Buatan 0.10 0.98 0.80 0.14

Absolut 0.15 0.96 0.57 0.21

(19)

9 angka bentuk 0.7 yang selama ini digunakan. Angka bentuk pohon dapat digunakan sebagai peubah penduga diameter pohon sehingga penghitungan angka bentuk ini dilakukan.

Hubungan antara Peubah Bebas dan Peubah Terikat

Nilai koefisien korelasi (r) adalah penduga tak bias dari koefisien korelasi populasi (ρ). Besarnya nilai koefisien korelasi adalah antara -1≤ r ≤+1 menunjukkan bahwa jika nilai r mendekati -1 atau +1 maka hubungan antara kedua peubah itu kuat (Walpole 1995). Hubungan antar peubah bebas (diameter dan tinggi) dengan peubah terikat (volume) dapat diketahui dari besarnya nilai koefisien korelasi.

Tabel 3 menunjukkan bahwa terdapat korelasi yang signifikan antara peubah bebas (diameter setinggi dada dan tinggi bebas cabang) dan peubah terikat (volume) sehingga dapat dibuat model penduga dengan menggunakan satu peubah bebas saja (diameter) dan dua peubah bebas (diameter dan tinggi bebas cabang).

Data Pencilan

Pemeriksaan pencilan data dilakukan pada tahap penyusunan model regresi terhadap data yang memiliki nilai sisaan baku >2. Proses penyusunan model regresi menggunakan software Minitab 17 (trial version) ditemukan 36 data tidak wajar (unusual observations) yang memiliki nilai sisaan baku >2 sehingga data tersebut dipisahkan. Data yang dipisahkan kemudian digunakan sebagai acuan untuk tahap validasi model sedangkan yang tidak dipisahkan digunakan untuk tahap penyusunan model regresi.

Model Regresi

Proses penyusunan model regresi dilakukan menggunakan software statistik Minitab 17 (trial version). Model yang digunakan untuk menyusun tabel volume selanjutnya akan dilakukan analisis untuk mengetahui model terbaik yang dapat digunakan untuk menduga volume pohon. Analisis yang dilakukan yaitu membandingkan nilai koefisien determinasi, analisis keragaman (F-test), dan nilai simpangan baku. Nilai pembanding tersebut disajikan pada Tabel 4.

Tabel 3 Koefisien korelasi antara satu peubah dengan peubah yang lain

Peubah Va Dbh

Dbh 0.912**

Tbc 0.579** 0.655**

Keterangan: **signifikan pada P < 0.05

(20)

10

Tabel 4 menunjukkan bahwa nilai koefisien determinasi terkoreksi untuk kelima model menunjukan nilai >95% dengan nilai koefisien determinasi terkoreksi terbesar pada model Schumacher Hall. Nilai koefisien determinasi menyatakan banyaknya peubah bebas dapat menjelaskan peubah tetapnya. Kelima model menunjukkan nilai koefisien determinasi terkoreksi yang tinggi. Batas nilai koefisien determinasi minimal untuk menyusun model volume pohon yang memadai yaitu sebesar 50% (Suharlan et al. 1976). Nilai Fhitung pada kelima model persamaan regresi memiliki nilai yang lebih besar daripada nilai Ftabel pada taraf nyata 5%, hal ini berarti bahwa peubah yang digunakan untuk menyusun model persamaan regresi berpengaruh nyata terhadap volume. Kelima model persamaan regresi yang telah disusun menunjukkan bahwa semua nilai simpangan baku berada pada kisaran nilai <1 dengan nilai simpangan baku terkecil pada model Berkhout sebesar 0.06501. Semakin kecil nilai simpangan baku, semakin baik model yang dibuat.

Validasi Model

Jumlah pohon yang digunakan untuk validasi model sebanyak 36 data pohon contoh. Uji validasi yang digunakan sebagai kriteria dalam pemilihan model regresi terbaik. Hasil uji validasi model regresi dapat dilihat pada Tabel 5.

Data yang diperoleh menunjukkan kelima model memiliki nilai simpangan agregat yang baik yaitu berkisar antara -1 sampai +1 dan nilai simpangan rata-rata yang diperoleh memiliki nilai <10%. Tabel 5 menunjukkan nilai RMSE dan bias yang diperoleh memiliki nilai <1. Semakin kecil nilai RMSE dan bias semakin baik model yang dibuat. Kriteria lain untuk menguji tingkat kebaikan model yaitu uji chi-square. Nilai chi-square tabel yang diperoleh pada taraf nyata 5% yaitu 49.80 dan nilai chi-square hitung yang diperoleh kelima model kurang dari nilai chi- square tabel sehingga keputusan yang diterima yaitu terima H0.

Tabel 5 Hasil uji validasi model regresi

Model SA SR (%) RMSE Bias (%) χ2 hitung

Hohenadl - Krenn -0.22 2.20 0.33 0.2504 19.5*

Kopezky - Gehrhardt -0.23 3.20 0.38 0.2519 20.8*

Berkhout -0.08 0.84 0.32 0.2169 13.1*

schumacher Hall -0.07 0.91 0.27 0.0311 7.17*

Stoate -0.15 2.72 0.35 0.1280 12.7*

Keterangan: * = H0 diterima pada taraf nyata 5%

Tabel 4 Model persamaan regresi penduga volume pohon jenis meranti

Model Regresi R²(adj) F hitung s

Hohenadl - Krenn V = - 0.104 - 0.595D + 13.5D² 99.50% 6249.69* 0.20293 Kopezky - Gehrhardt V = - 0.244 + 12.9 D² 99.50% 12325.81* 0.20434 Berkhout V = 15.48817 D^2.45 98.50% 4105.03* 0.06501 Schumacher Hall V = 1.577611 D^2.17T^0.732 99.70% 11142.96* 0.02807 Stoate V = -0.151 + 8.12 D^2 + 0.265 D^2T - 0.00468 T 99.60% 5217.62* 0.18144

Keterangan: *Ho diterima pada taraf nyata α = 0.05

(21)

11 Pemilihan Model Terbaik

Pada tahap pemilihan model terbaik digunakan metode skoring yakni dengan pemberian peringkat untuk masing-masing kategori. Model terbaik dilihat dari nilai peringkat terkecil. Kategori skoring yang digunakan dapat dilihat pada Tabel 6.

Tabel 6 menunjukkan ada 3 model yang menggunakan satu peubah bebas yaitu model Hohenadl-Krenn, Kopezky-Gehrhardt, dan Berkhout, sedangkan untuk model persamaan Schumacher Hall dan Stoate menggunakan 2 peubah bebas.

Model terbaik yang dapat digunakan untuk menduga volume yaitu model Schumacher Hall karena memiliki peringkat terkecil, namun untuk kepraktisan di lapang model terbaik yang dapat digunakan untuk menduga volume yaitu model dengan satu peubah bebas saja karena dinilai lebih praktis. Pengukuran tinggi bebas cabang di lapang dinilai memiliki akurasi yang kurang dibandingkan dengan pengukuran diameter sehingga dipilih model penduga dengan satu peubah bebas saja yaitu model Berkhout dengan peubah diameter.

Penelitian ini memiliki hasil yang sama dengan penelitian yang dilakukan oleh Riady (2011) yang memperoleh model terbaik untuk menduga volume pohon Meranti di areal PT Intracawood Manufacturing Kalimantan Timur yaitu model Berkhout dengan koefisien determinasi dan simpangan baku masing-masing 98.9%

dan 0.05 dan pada tahap validasi dengan nilai SA, SR, bias, RMSE sebesar -0.0079, -0.66, 2.10, 1.6. Penelitian yang dilakukan oleh Lestarian (2009) mengenai persamaan penduga volume pohon untuk jenis Dipterocarpaceae di PT Ratah Timber Kalimantan Timur diperoleh model terbaik yaitu model Berkhout dengan koefisien determinasi 99.8%. Model Berkhout banyak diterima dalam beberapa Penelitian lain mengenai tabel volume jenis Meranti yang dilakukan di wilayah Kalimantan (Abdurachman dan Susanty 2016).

SIMPULAN DAN SARAN

Simpulan

Model persamaan terbaik untuk menduga volume pohon Meranti (Shorea spp.) di areal IUPHHK-HA PT Inhutani II Sub Unit Malinau yaitu model Berkhout dengan persamaan regresi V = 15.48817 D^2.45. Model ini menggunakan satu peubah bebas dan dinilai praktis digunakan di lapang.

Tabel 6 Hasil skoring model regresi penduga volume pohon jenis meranti

Model R²(adj) s F hit SA SR RMSE Bias χ2 hitung Skor Rank Hohenadl - Krenn 3 3 3 4 3 3 4 4 27 4 Kopezky - Gehrhardt 3 4 1 5 5 5 5 5 33 5

Berkhout 4 1 5 2 1 2 3 3 21 2

Schumacher Hall 1 2 2 1 2 1 1 1 11 1

Stoate 2 5 4 3 4 4 2 2 26 3

(22)

12

Saran

Perlu dilakukan penelitian lebih lanjut mengenai pendugaan tabel volume menggunakan alat ukur yang lebih teliti dalam mengukur diameter per seksi pohon karena Spiegel Relaskop Bitterlich termasuk alat ukur yang kurang teliti digunakan untuk mengukur diameter per seksi pohon.

DAFTAR PUSTAKA

Akca A. 1995. Forest Inventory. Germany (DE): Institut für Forsteinrichtung und Ertragskunde. Universitatät Gőttingen.

Chapman HH, Meyer WH. 1949. Forest Mensuration. New York (US): McGraw- Hill.

Draper NR, Smith H. 1992. Analisis Regresi Terapan Edisi 2. Jakarta (ID):

Gramedia.

Husch B. 1987. Forest Measurement and Statistics. New York (US): The Ronald Press Co.

Kurniawan D. 2008. Regresi Linier (Linear Regression): Forum Statistika.

Lestarian R. 2009. Penyusunan tabel volume pohon dalam rangka pelaksanaan IHMB di IUPHHK-HA PT Ratah Timber Kalimantan Timur [skripsi].

Bogor (ID): Institut Pertanian Bogor.

Loetsch F, Zohrer F, Haller KE. 1973. Forest Inventory. Vol II. Munich (DE): BLV Verlagsgesellschaft.

Riady A. 2011. Penyusunan dan validasi persamaan tabel volume lokal pohon Meranti (Shorea spp) di areal PT Intracawood Manufacturing, Kalimantan Timur [skripsi]. Bogor (ID): Institut Pertanian Bogor.

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]. Bogor (ID): Institut Pertanian Bogor.

Simon H. 1996. Metode Inventarisasi Hutan. Yogyakarta (ID): Aditya Media.

Spurr SH. 1952. Forest Inventory. New York (US): The Ronald Press Co..

Suharlan A, Boestami S, Soemarna K. 1976. Tabel Volume lokal Pinus merkusii Jung et de vriese. Bogor (ID): Lembaga Penelitian Hutan.

Susanty FH, Abdurachman. 2016. Analisis penyusunan model pendugaan volume pohon 3 jenis Shorea di Tarakan, Kalimantan Utara. Jurnal Penelitian Ekosistem Dipterokarpa 2(1):29−40

Walpole RE. 1993. Pengantar Statistik. Edisi 3. Sumantri B, penerjemah. Jakarta (ID): Gramedia. Terjemahan dari: Introduction to Statistics 3^rd Edition.

Wood GB, Wiant HV. 1993. Modern Methods of Estimating Tree and Log Volume.

West Virginia (US): USA Publication Service

(23)

13 Lampiran 1 Hasil analisis regresi 64 data menggunakan software Minitab 17

(trial version)

Model Persamaan Hohenadl - Krenn Regression Analysis: V versus D, D^2

The regression equation is V = - 0.104 - 0.595 D + 13.5 D^2

Predictor Coef SE Coef T P Constant -0.1039 0.1093 -0.95 0.346 D -0.5946 0.4356 -1.37 0.177 D^2 13.4675 0.4015 33.55 0.000 S = 0.202938 R-Sq = 99.5% R-Sq(adj) = 99.5%

Analysis of Variance

Source DF SS MS F P Regression 2 514.77 257.39 6249.69 0.000 Residual Error 61 2.51 0.04

Total 63 517.28

Source DF Seq SS D 1 468.42 D^2 1 46.35

Unusual Observations

Obs D V Fit SE Fit Residual St Resid 6 1.18 18.0348 17.9465 0.1834 0.0883 1.02 X X denotes an observation whose X value gives it large leverage.

Model Persamaan Kopezky - Gehrhardt Regression Analysis: V versus D^2

The regression equation is V = - 0.244 + 12.9 D^2

Predictor Coef SE Coef T P Constant -0.24394 0.03822 -6.38 0.000 D^2 12.9427 0.1166 111.02 0.000 S = 0.204346 R-Sq = 99.5% R-Sq(adj) = 99.5%

Total 63 517.28

(24)

14

Lampiran 1 Hasil analisis regresi 64 data menggunakan software Minitab 17 (trial version) (lanjutan)

Obs D^2 V Fit SE Fit Residual St Resid 6 1.39 18.0348 17.7775 0.1363 0.2573 1.69 X 31 0.41 4.6426 5.0574 0.0320 -0.4147 -2.06R R denotes an observation with a large standardized residual.

X denotes an observation whose X value gives it large leverage.

Model Persamaan Berkhout

Regression Analysis: LogV versus logD

The regression equation is LogV = 1.19 + 2.45 logD

Predictor Coef SE Coef T P Constant 1.19494 0.01710 69.89 0.000 logD 2.44662 0.03819 64.07 0.000

S = 0.0650195 R-Sq = 98.5% R-Sq(adj) = 98.5%

Total 63 17.616

Obs logD LogV Fit SE Fit Residual St Resid 3 -0.921 -1.24062 -1.05796 0.02170 -0.18266 -2.98RX 20 -0.921 -1.24062 -1.05796 0.02170 -0.18266 -2.98RX 47 -0.585 -0.08118 -0.23640 0.01092 0.15523 2.42R R denotes an observation with a large standardized residual.

Model Persamaan Schumacher Hall

Regression Analysis: LogV versus logD, logT

The regression equation is

LogV = 0.198 + 2.17 logD + 0.732 logT

Predictor Coef SE Coef T P Constant 0.19839 0.06093 3.26 0.002 logD 2.16787 0.02362 91.76 0.000 logT 0.73152 0.04440 16.48 0.000

S = 0.0280768 R-Sq = 99.7% R-Sq(adj) = 99.7%

(25)

15 Lampiran 1 Hasil analisis regresi 64 data menggunakan software Minitab 17 (trial

version) (lanjutan)

Total 63 17.6163

Source DF Seq SS logD 1 17.3542 logT 1 0.2140

Obs logD LogV Fit SE Fit Residual St Resid 3 -0.921 -1.24062 -1.22860 0.01397 -0.01202 -0.49 X 8 -0.602 -0.28922 -0.22596 0.00584 -0.06326 -2.30R 9 -0.444 0.05190 0.11735 0.00364 -0.06544 -2.35R 17 -0.495 -0.05657 0.04387 0.00531 -0.10044 -3.64R 20 -0.921 -1.24062 -1.22860 0.01397 -0.01202 -0.49 X R denotes an observation with a large standardized residual.

Model Persamaan Stoate

Regression Analysis: V versus D^2, D^2T, T

The regression equation is

V = - 0.151 + 8.12 D^2 + 0.265 D^2T - 0.00468 T

Predictor Coef SE Coef T P Constant -0.1511 0.1451 -1.04 0.302 D^2 8.125 1.249 6.51 0.000 D^2T 0.26518 0.06976 3.80 0.000 T -0.004681 0.009001 -0.52 0.605 S = 0.181442 R-Sq = 99.6% R-Sq(adj) = 99.6%

Total 63 517.28

Source DF Seq SS D^2 1 514.69 D^2T 1 0.60 T 1 0.01

(26)

16

Lampiran 1 Hasil analisis regresi 64 data menggunakan software Minitab 17 (trial version) (lanjutan)

Obs D^2 V Fit SE Fit Residual St Resid 3 0.01 0.0575 -0.0392 0.0872 0.0967 0.61 X 6 1.39 18.0348 17.7236 0.1282 0.3112 2.42RX 10 0.52 6.1177 6.7165 0.0709 -0.5987 -3.58R 11 0.58 7.1013 7.5114 0.0807 -0.4101 -2.52RX 20 0.01 0.0575 -0.0392 0.0872 0.0967 0.61 X 31 0.41 4.6426 5.0476 0.0287 -0.4050 -2.26R R denotes an observation with a large standardized residual.

(27)

17

RIWAYAT HIDUP

Penulis dilahirkan di kota Singaraja pada tanggal 26 Juni 1994. Penulis adalah anak pertama dari dua bersaudara pasangan Bapak I Wayan Balok Wijaya dan ibu Luh Putu Widiasih. Penulis menyelesaikan pendidikan dasar di SDN 6 Banjar Jawa lulus pada tahun 2006, pendidikan menengah pertama di SMPN 1 Singaraja lulus pada tahun 2009, dan pendidikan menengah atas di SMAN 1 Singaraja lulus pada tahun 2012. Tahun yang sama penulis diterima di Institut Pertanian Bogor melalui Jalur SNMPTN tulis di Departemen Manajemen Hutan, Fakultas Kehutanan.

Selama menjadi mahasiswa penulis pernah menjadi asisten praktikum mata kuliah Ilmu Ukur Tanah dan Pemetaan Wilayah dan Inventarisasi Hutan. Selain itu penulis juga aktif di Himpunan Profesi Departemen Manajemen Hutan yaitu Forest Management Students Club pada periode kepengurusan 2014−2015.

Penulis telah melaksanakan Praktik Pengenalan Ekosistem Hutan (PPEH) di Kamojang-Sancang Barat pada tahun 2014, Praktik Pengelolaan Hutan (PPH) di Hutan Pendidikan Gunung Walat (HPGW), PGT Sindangwangi, KPH Cianjur dan Industri di daerah Sukabumi Jawa Barat pada tahun 2015, serta Praktik Kerja Lapang (PKL) di PT Inhutani II Sub Unit Malinau Kalimantan Utara pada tahun 2016.

Penulis melaksanakan penelitian di PT Inhutani II Sub Unit Malinau dan untuk memperoleh gelar Sarjana Kehutanan IPB penulis menyelesaikan skripsi dengan judul Model Penduga Tabel Volume Pohon Meranti di PT Inhutani II Sub Unit Malinau Kalimantan Utara dibawah bimbingan Priyanto, SHut MSi.