MODEL PENDUGA VOLUME SORTIMEN KAYU PERDAGANGAN PADA POHON BERDIRI DENGAN INVENTARISASI KUALITAS

(1)

MODEL PENDUGA VOLUME SORTIMEN

KAYU PERDAGANGAN PADA POHON BERDIRI

DENGAN INVENTARISASI KUALITAS

Studi Kasus Jenis Shorea leprosula Miq. di Areal IUPHHK-HA PT Sari Bumi Kusuma Kalimantan Tengah

LINA MAHRUNNISA

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR BOGOR

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Model Penduga Volume Sortimen Kayu Perdagangan pada Pohon Berdiri dengan Inventarisasi Kualitas (Studi Kasus Jenis Shorea leprosula Miq. di Areal IUPHHK-HA PT Sari Bumi Kusuma) adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

Bogor, Desember 2013 Lina Mahrunnisa NIM E14090046

(4)

(5)

ABSTRAK

LINA MAHRUNNISA. Model Penduga Volume Sortimen Kayu Perdagangan pada Pohon Berdiri dengan Inventarisasi Kualitas (Studi Kasus Jenis Shorea leprosula Miq. di Areal IUPHHK-HA PT Sari Bumi Kusuma). Dibimbing oleh ENDANG SUHENDANG dan PRIYANTO

Hasil pendugaan volume pohon berdasarkan model penduga volume pohon dalam kegiatan inventarisasi hutan masih bersifat umum tanpa menjelaskan secara spesifik volume pohonnya. Seiring dengan perlunya peningkatan efisiensi pengelolaan sumber daya hutan melalui optimalisasi pendugaan volume pohon berdasarkan jenis pemanfaatan kayu, penggunaan metode inventarisasi kualitas pohon menjadi syarat perlu untuk memenuhi tujuan tersebut. Penelitian ini dimaksudkan untuk membuat model penduga volume batang optimal pada jenis pohon meranti merah (Shorea leprosula Miq.) berdasarkan peubah penduga kualitas pohon. Pembuatan model dilakukan melalui analisis korelasi kanonik dan analisis regresi berganda berdasarkan hasil pengukuran pada 30 pohon contoh jenis meranti merah. Model penduga yang dihasilkan berupa model penduga volume kayu optimal untuk bahan baku plywood, kayu gergajian, dan chipwood. Peubah kualitas kayu dalam model yang dicobakan dan berpengaruh signifikan terhadap volume optimal kayu berupa diameter setinggi dada, tinggi bebas cabang, jumlah mata kayu hidup, dan jumlah mata kayu mati. Dengan demikian, penambahan peubah jumlah mata kayu hidup dan jumlah mata kayu mati pada model penduga volume yang sudah dikenal sebelumnya dapat menghasilkan pendugaan volume pohon yang lebih spesifik penggunaanya.

Kata kunci: inventarisasi kualitas, korelasi kanonik, meranti merah, pemodelan, regresi berganda.

ABSTRACT

LINA MAHRUNNISA. Timber Sortiment Volume Estimation Model with Quality Inventory Method (Study on Shorea leprosula Miq. species in IUPHHKHA PT Sari Bumi Kusuma). Supervised by ENDANG SUHENDANG and PRIYANTO

The tree volume estimated by the tree volume estimation model in forest inventory is still deliver a general result without clarifying the tree volume specifically. Along with the needed of increasing the efficiency of forest resource management through the optimization of tree volume estimation based on the woods utilization, the use of tree’s quality inventory method becomes a necessary condition to meet those goals. This study aims to create an optimal estimation model of Shore leprosula Miq. species based on the tree quality estimates variable. The model is created through the canonical correlation analysis and multiple regression analysis based on the measurement result of 30 samples of Shore leprosula. Its resulting the optimal wood volume estimation model for plywoods,

(6)

lumbers, and chipwoods raw material. The wood quality variables tested and effected significantly to the optimal woods volume is diameter at breast height, bole height, the number of healthy knots, and the number of dead knots. Thus, the increasing of the healthy and dead knots number on the wood volume estimation models that known can produce a more specific use of tree volume estimation.

Keywords: canonical correlation, modeling, multiple regression, quality inventory, Shorea leprosula Miq.

(7)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan

pada

Departemen Manajemen Hutan

MODEL PENDUGA VOLUME SORTIMEN

KAYU PERDAGANGAN PADA POHON BERDIRI

DENGAN INVENTARISASI KUALITAS

Studi Kasus Jenis Shorea leprosula Miq. di Areal IUPHHK-HA PT Sari Bumi Kusuma Kalimantan Tengah

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR BOGOR

2013

(8)

(9)

Judul Skripsi : Model Penduga Volume Sortimen Kayu Perdagangan pada Pohon Berdiri dengan Inventarisasi Kualitas. Studi Kasus Jenis Shorea leprosula Miq. di Areal IUPHHK-HA PT Sari Bumi Kusuma Kalimantan Tengah

Nama : Lina Mahrunnisa NIM : E14090046

Disetujui oleh

Prof Dr Ir Endang Suhendang, MS Pembimbing I

Priyanto, SHut MSi Pembimbing II

Diketahui oleh

Dr Ir Ahmad Budiaman, MSc FTrop Ketua Departemen

(10)

Judul Skripsi: Model Penduga \~ -ayu Perdagangan pada Pohon Berdiri dengan Studi Kasus Jenis Shorea

leprosula ' PT Sari Bumi Kusuma

Kalimantan Ten~ .

Nama : Lina Mahrunni sa

NIM : E14090046 I~,,-'"""o Iiq. . - \ iras. --HA Disetuj i oleh

Prof Dr Ir Endang Suhendang, MS Pembimbing I

(11)

(12)

PRAKATA

Segala puji kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah-Nya kepada penulis sehingga dapat menyelesaikan skripsi yang berjudul Model Penduga Volume Sortimen Kayu Perdagangan pada Pohon Berdiri dengan Inventarisasi Kualitas dengan sebaik-baiknya. Tak lupa shalawat serta salam selalu tercurah kepada junjungan kita Nabi Muhammad SAW.

Penyusunan skripsi ini tak lepas dari bantuan dosen pembimbing, sehingga penulis ingin mengucapkan terima kasih kepada Prof Dr Ir Endang Suhendang, MS dan Priyanto, SHut MSi atas arahan serta bimbingan yang telah diberikan dalam pembuatan skripsi ini. Penulis juga mengucapkan terima kasih kepada PT Sari Bumi Kusuma yang berkenan memberikan izin dan bantuannya kepada penulis untuk melakukan penelitian di perusahaan tersebut.

Penulis juga mengucapkan terima kasih kepada kedua orang tua yang telah memberikan dukungan dan kasih sayangnya. Tak lupa penulis juga mengucapkan terima kasih kepada rekan satu bimbingan Endita dan Dhio atas kerjasama dan bantuannya. Serta kepada Usmi, Ayu, Kikik, Putri, Sam, Fini, Lala, rekan Manajemen Hutan 46, dan Fahutan 46 lainnya atas dukungan dan bantuannya sehingga penulis dapat menyelesaikan skripsi ini dengan sebaik-baiknya. Penyusunan skripsi ini masih belum sempurna, untuk itu masukan dan kritik yang membangun dari pembaca sangat diharapkan. Semoga skripsi ini dapat bermanfaat bagi pembaca.

Bogor, Desember 2013

(13)

(14)

DAFTAR ISI

DAFTAR TABEL xiv

DAFTAR LAMPIRAN xiv

PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 2 Tujuan Penelitian 2 Manfaat Penelitian 2 METODE 2 Bahan 2 Alat 3

Prosedur Analisis Data 3

HASIL DAN PEMBAHASAN 5

Kondisi Umum PT. Sari Bumi Kusuma 5

Proporsi Penggunaan Kayu dan Korelasi setiap Peubah 6

Analisis Korelasi Kanonik 7

Analisis Regresi Berganda 9

Analisis Seleksi Stepwise 10

SIMPULAN DAN SARAN 12

Simpulan 12

Saran 12

DAFTAR PUSTAKA 12

(15)

DAFTAR TABEL

1 Matriks korelasi peubah bebas X dan peubah tak bebas Y 6 2 Korelasi kanonik (ri), proporsi keragaman, redundansi R2, dan uji-F 8

3 Hasil analisis korelasi kanonik 8

DAFTAR LAMPIRAN

1 Spesifikasi Bahan Baku Kayu Bulat menurut Standar ATIBT/1982 13 2 Spesifikasi Bahan Baku Kayu Kupas menurut Standar ATIBT/1982 14 3 Spesifikasi Bahan Baku Kayu untuk Kayu Gergajian dan Kayu Serpih

menurut Standar ATIBT/1982 15

4 Rekapitulasi data peubah bebas X dan peubah tak bebas Y 16

5 Hasil Analisis Kanonik 17

6 Hasil Analisis Regresi Berganda 23

7 Hasil Analisis Seleksi Stepwise 27

(16)

PENDAHULUAN

Latar Belakang

Hutan merupakan salah satu ekosistem yang dapat menghasilkan berbagai macam barang dan jasa yang sangat berguna untuk kehidupan manusia. Salah satu barang yang dapat dihasilkan dari hutan adalah kayu. Kayu memiliki nilai ekonomi yang sangat tinggi karena dapat dipergunakan untuk bahan baku berbagai jenis industri. Akan tetapi, seringkali pemanfaatan pohon tidak sesuai dengan kemungkinan pemanfaatan optimalnya, sehingga akan menghasilkan limbah yang cukup banyak. Hal ini akan menyebabkan perusahaan menebang pohon melebihi riapnya untuk memenuhi kebutuhan bahan baku industri kayu.

Limbah yang ditimbulkan dapat diperkecil dengan cara melakukan inventarisasi hutan yang tepat. Inventarisasi yang dilakukan tidak hanya terbatas pada bentuk fisiknya saja seperti jenis tegakan, ketersediaan pohon, volume tegakan, dan lain sebagainya. Metode inventarisasi yang dilakukan harus mencakup pemanfaatan setiap sortimen berdasarkan kualitas yang dimilikinya. Sortimen dengan ukuran kecil dapat dimanfaatkan dengan baik, sehingga limbah yang terbuang pun dapat diminimalisir dan nilai pohon optimal dapat diketahui.

Nilai pohon secara optimal dapat diketahui apabila efisiensi pemanfaatan kayu dilakukan dengan tepat. Pemanfaatan kayu yang telah dilakukan selama ini lebih condong kepada jenis-jenis kayu yang bersifat komersial saja, sedangkan untuk kayu non komersial tidak terlalu diperhatikan. Padahal setiap bagian dari kayu dapat dimanfaatkan dengan baik apabila kita mengetahui potensi dari kayu tersebut. Efisiensi pemanfaatan yang dimaksud adalah menggunakan setiap bagian kayu sesuai dengan spesifikasi produk yang akan dibuat.

Efisiensi pemanfaatan kayu ini dapat tercapai dengan membagi pohon ke dalam beberapa bagian atau sortimen. Hal tersebut dimaksudkan agar perhitungan mengenai kualitas kayu tersebut dapat lebih mudah dan terperinci. Nilai kualitas tersebut dapat diketahui dengan menggunakan metode inventarisasi kualitas pohon (tree quality inventory). Metode inventarisasi kualitas pohon ini merupakan metode inventarisasi hutan untuk menaksir secara objektif volume pohon di dalam contoh (sample) melalui pengukuran setiap sortimen pada pohon model dengan memperhatikan karakteristik pohon tersebut yang membuat kayu lebih bermanfaat atau tidak untuk tujuan tertentu (Husch 1971).

Metode inventarisasi kualitas pohon ini juga perlu memperhatikan karakteristik yang ada pada pohon tersebut, seperti keadaan batang, cacat kayu, penyakit yang ada pada pohon tersebut serta keadaan fisik lainnya yang dapat mempengaruhi kualitas kayu tersebut. Semakin banyak cacat kayu yang ada, maka akan semakin sedikit bagian kayu yang dapat dimanfaatkan. Hal ini menyebabkan metode inventarisasi kualitas pohon ini perlu dilakukan dengan baik agar pemanfaatan kayu lebih efisien.

(17)

2

Perumusan Masalah

Penggunaan bahan baku kayu saat ini telah banyak dipergunakan untuk segala macam kebutuhan. Seiring dengan keadaan tersebut, industri kayu akan semakin meningkatkan produksinya. Potensi kayu yang dapat dipergunakan untuk bahan baku industri tersebut dapat diketahui dengan menggunakan teknik inventarisasi hutan. Namun, teknik inventarisasi tersebut masih mengacu pada banyaknya kayu yang dapat diambil, belum memperhatikan pemanfaatan kayu sesuai dengan peruntukkannya. Dengan demikian perlu dilakukan teknik inventarisasi kayu berdasarkan kualitas kayu itu sendiri, sehingga pemanfaatan kayu dapat lebih optimal.

Model penduga volume yang ada saat ini masih bersifat umum tanpa memperhatikan penggunaan kayu berdasarkan kualitas dan pemanfaatannya. Model penduga yang ada hanya menduga volume kayu yang dihasilkan secara keseluruhan. Dengan demikian perlu adanya model penduga volume optimal yang lebih spesifik berdasarkan pemanfaatannya, seperti model penduga volume optimal untuk bahan baku plywood, kayu gergajian, dan chipwood.

Tujuan Penelitian

Penelitian ini bertujuan mendapatkan model penduga volume optimal kayu berdasarkan karakteristik pohon yang diukur di lapangan.

Manfaat Penelitian

Model penduga volume optimal pohon yang diperoleh diharapkan dapat diketahui manfaat dari setiap kayu yang dihasilkan sesuai dengan kegunaannya.

METODE

Penelitian mengenai model penduga volume batang optimal untuk jenis meranti merah ini dilaksanakan pada bulan Mei 2013 di areal IUPHHK-HA PT Sari Bumi Kusuma, Kalimantan Tengah. Pendugaan model ini didasarkan pada hasil pengukuran di lapangan dari beberapa pohon contoh dengan pendekatan purposive sampling.

Bahan

Bahan yang dipergunakan dalam penelitian ini berupa peta sebaran pohon hasil cruising pada petak R56 serta standar kualitas bahan baku untuk plywood, kayu gergajian, dan chipwood dari Association Technique Internationale des Bois Tropicaux (ATIBT).

(18)

3 Alat

Alat yang digunakan untuk menunjang penelitian ini terdiri atas phiband, pita ukur, haga hypsometer, tali tambang, golok, tally sheet, kalkulator, dan laptop. Analisis data yang telah diambil diolah menggunakan software SPSS 16.0 dan SAS 9.1.3.

Jenis Data Data Primer

Data primer merupakan data yang diambil langsung di lapangan berupa data dimensi pohon, dimensi setiap sortimen batang pohon, diameter setinggi dada, tinggi bebas cabang, jumlah banir, deviasi lengkung, keselindrisan batang, jumlah mata kayu sehat, jumlah mata kayu mati, diameter mata kayu sehat, dan diameter mata kayu mati. Pengukuran data tersebut dilakukan ketika pohon sudah rebah kecuali untuk diameter setinggi dada dan tinggi bebas cabang.

Data Sekunder

Data sekunder yang digunakan meliputi peta sebaran pohon hasil cruising pada petak R56 guna mempermudah dalam pemilihan pohon contoh. Data sekunder lainnya berupa standar kualitas bahan baku untuk plywood, kayu gergajian, dan chipwood berdasarkan standar Association Technique Internationale des Bois Tropicaux (ATIBT).

Prosedur Pengumpulan Data

Pengambilan data primer ini dilakukan pada petak R56 areal konsesi PT Sari Bumi Kusuma. Pohon yang digunakan sebagai pohon contoh merupakan jenis meranti merah sebanyak 30 pohon dengan teknik purposive sampling. Kriteria pohon contoh yang dipilih yaitu berdiameter ≥40 cm, merupakan pohon normal, sehat, dan lokasi pohon mudah dijangkau.

Prosedur Analisis Data

Data yang telah dikumpulkan kemudian direkapitulasi dan dihitung volume per sortimennya dengan menggunakan rumus Smalian sebagai berikut:

𝑉 = 𝐺𝑢 + 𝐺𝑝 2 𝐿 Keterangan:

V = Volume per sortimen (m3)

Gu = Luas bidang dasar ujung sortimen (m2) Gp = Luas bidang dasar pangkal sortimen (m2) L = Panjang sortimen (m)

(19)

4

Data volume kayu yang didapat pada setiap sortimen kemudian dikelompokkan berdasarkan pemanfaatan kayunya. Menurut Hadikusumo dan Prawirohatmodjo (1986), terdapat tiga pemanfaatan kayu yang berasal dari kayu bulat yaitu sebagai bahan baku plywood, kayu gergajian, dan bahan baku chipwood. Standar kualitas kayu yang digunakan berdasarkan acuan standar kualitas ATIBT.

Untuk memudahkan dalam menganalisis, data yang telah didapat kemudian dibagi kedalam dua peubah yaitu peubah bebas (X) yang terdiri dari data dimensi dan kualitas pohon dan peubah tak bebas (Y) yang terdiri dari hasil pengelompokkan volume. Mengacu pada hasil penelitian Cahyana (2000), diketahui gugus peubah bebas (X) terdiri atas diameter setinggi dada (X1), tinggi bebas cabang (X2), jumlah banir (X3), kedalaman/deviasi lengkungan (X4), kesilindrisan batang (X5), jumlah mata kayu sehat (X6), jumlah mata kayu mati (X7), diameter mata kayu sehat (X8), dan diameter mata kayu mati (X9), sedangkan gugus peubah tak bebas (Y) terdiri atas volume total pohon (Y1), volume pohon yang dimanfaatkan untuk bahan baku industri plywood (Y2), volume pohon untuk bahan baku kayu gergajian (Y3), dan volume pohon untuk bahan baku industri chipwood (Y4).

Peubah bebas X dan peubah tak bebas Y kemudian dianalisis keeratan hubungan setiap peubah dengan menggunakan software SPSS 16.0 dengan persamaan uji korelasi Pearson. Hasil dari analisis tersebut akan didapat hubungan korelasi yang signifikan dari masing-masing peubah bebas X, antar peubah tak bebas Y, maupun keterkaitan peubah bebas X dengan peubah tak bebas Y. Analisis keeratan hubungan dengan menggunakan SPSS 16.0 hanya mengetahui hubungan masing-masing peubah, sedangkan dalam pembuatan model persamaan perlu diketahui hubungan yang lebih kompleks. Seperti hubungan sekumpulan peubah bebas X dengan sekumpulan peubah tak bebas Y, sehingga perlu dilakukan analisi kanonik guna mengetahui hal tersebut.

Analisis kanonik tersebut dimaksudkan untuk mengetahui sejauh mana pengaruh dari keseluruhan peubah tak bebas (Y) yaitu volume pohon setiap pemanfaatannya dengan keseluruhan peubah bebas (X) yaitu sifat kualitas pohon. Hal pertama yang dilakukan dalam analisis kanonik ini adalah mencari dua peubah baru yaitu X’ dan Y’. Peubah baru tersebut merupakan kombinasi linear dari masing-masing peubah. Hasil akhir dari analisis tersebut akan didapat persamaan kombinasi linear seperti,

X’ = A1X1 + A2X2 + ... + A9X9 Y’ = B2Y2 + B3Y3 + B4Y4

Persamaan peubah kanonik yang didapat kemudian diinterpretasikan berdasarkan beban dan bobot kanoniknya serta keragaman yang dijelaskan dari peubah yang terbentuk.

Hasil persamaan kanonik yang didapat, selanjutnya akan dijadikan acuan dalam pembuatan model persamaan peubah ganda. Model peubah ganda yang didapat merupakan model terbaik yang dapat menerangkan hubungan antara peubah bebas X dan peubah tak bebas Y. Persamaan yang didapat akan berbentuk seperti di bawah ini,

(20)

5 Y2 = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9 Y3 = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9 Y4 = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9 Persamaan peubah ganda yang didapat kemudian diseleksi kembali menggunakan analisis stepwise, sehingga didapat model yang lebih sederhana yang mampu menerangkan hubungan peubah bebas X dan peubah tak bebas Y. Tahap selanjutnya, dilakukan pengujian terhadap keberartian persamaan yang didapat menggunakan uji data peubah ganda. Hipotesis yang diuji adalah :

H0 : β = β0 H1 : β ≠ β0

Hipotesis nol (H0) mempunyai arti tidak adanya keterkaitan antara peubah tak bebas (Y) dengan peubah bebas (X). Apabila nilai p-value lebih kecil dari 0.05 maka tolak H0 dan sebaliknya.

HASIL DAN PEMBAHASAN

Kondisi Umum PT Sari Bumi Kusuma

PT Sari Bumi Kusuma merupakan salah satu kawasan Izin Usaha Pengelolaan Hasil Hutan Kayu-Hutan Alam (IUPHHK-HA) yang berada di Kalimantan Tengah tepatnya di Kecamatan Seruyan Hulu, Kabupaten Katingan dengan luasan 147 600 ha. Berdasarkan letak geografisnya, PT Sari Bumi Kusuma terletak antara 111°54' BT − 112°26' BT dan 0°38' LS − 01°07' LS. Areal perusahaan tersebut berbatasan langsung dengan Hutan Lindung, Hutan Suaka Alam, PT Erna Djuliawati, PT Meranti Mustika, PT First Lamandau, dan PT Eks Kayu Pesaguan. Kondisi tanah yang ada didominasi oleh jenis tanah kambisol distrik, podsolik kandik, dan oksisol haplik. Topografi areal PT Sari Bumi Kusuma umumnya bergelombang, datar, dan landai hingga agak curam. Areal tersebut memiliki ketinggian minimum ±100 mdpl dan maksimum 1 552 mdpl dengan rata-rata ketinggian 400 mdpl. Berdasarkan klasifikasi iklim Schmidt dan Ferguson, kondisi iklim di areal IUPHHK-HA PT Sari Bumi Kusuma termasuk ke dalam tipe iklim A dengan rata-rata curah hujan 273.94 mm/bulan dan rata-rata hari hujan 11 hari. Suhu rata-rata antara 22 °C – 28 °C pada malam hari dan 30 °C – 33 °C pada siang hari.

Penduduk desa di dalam maupun di sekitar areal kerja PT Sari Bumi Kusuma terdiri dari Suku Melayu, Suku Dayak serta pendatang yang kebanyakan berasal dari Pulau Jawa. Sebagian besar penduduk beragama Hindu Kaharingan sebanyak 54%, Islam 35%, Kristen Protestan 10%, dan Katolik 1%. Mata pencaharian penduduk mayoritas pada sektor pertanian sebanyak 56%, karyawan swasta 19%, berdagang 15%, dan lain-lain 10%.

(21)

6

Proporsi Penggunaan Kayu dan Korelasi setiap Peubah

Hasil perhitung volume kayu setiap sortimen batang pada 30 pohon contoh menggunakan rumus empiris Smalian menghasilkan empat volume kayu, yaitu volume total, volume penggunaan bahan baku plywood, volume bahan baku kayu gergajian, dan volume bahan baku chipwood. Volume total pohon meranti merah diketahui sebesar 126.188 m3. Volume kayu untuk bahan baku plywood sebesar 101.167 m3, untuk bahan baku kayu gergajian sebesar 18.585 m3, sedangkan untuk bahan baku chipwood sebesar 6.436 m3. Volume kayu yang didapat tersebut merupakan potensi kayu yang dapat diambil.

Dari hasil perhitungan volume tersebut, dapat dilihat penggunaan kayu untuk bahan baku plywood memiliki nilai paling tinggi. Hal ini dikarenakan menurut standar kualitas ATIBT (1982) terdapat banyak batang pohon meranti merah yang memenuhi standar penggunaan bahan baku untuk plywood. Volume penggunaan bahan baku kayu untuk chipwood memiliki nilai paling rendah. Penggunaan kayu untuk bahan baku chipwood ini hanya menggunakan batang yang sekiranya memiliki cacat kayu yang cukup tinggi seperti pada batang yang pecah maupun batang yang memiliki mata kayu terlalu banyak. Bahan baku yang digunakan kayu gergajian merupakan batang pohon yang tidak digunakan sebagai bahan baku plywood dan chipwood. Pengelompokkan penggunaan kayu untuk bahan baku plywood, kayu gergajian, dan chipwood tidak terlepas dari peubah bebas yaitu dimensi dan kualitas pohon yang mempengaruhinya. Hubungan antara peubah bebas dan peubah bebas dengan peubah tak bebas (volume kayu) dapat dilihat pada matriks korelasi antarpeubah seperti pada Tabel 1.

Tabel 1 Matriks korelasi peubah bebas X dan peubah tak bebas Y

Keterangan: *korelasi pada taraf nyata 5%

Korelasi peubah yang disajikan pada Tabel 1 merupakan hasil dari analisis hubungan setiap peubah bebas dan peubah tak bebas menggunakan software SPSS 16.0. Angka korelasi yang tercantum merupakan penggambaran dari sejauh mana peubah tersebut saling terkait satu dengan yang lainnya. Semakin besar nilai korelasi antarpeubah menggambarkan adanya saling keterkaitan pada dua peubah Peubah Y1 Y2 Y3 Y4 X1 X2 X3 X4 X5 X6 X7 X8 X9 Y1 1 0.979* -0.651* -0.116 0.934* 0.460 0.137 -0.132 -0.248 -0.156 0.141 0.160 0.437 Y2 1 -0.764* -0.202 0.939* 0.359 0.162 -0.086 -0.174 -0.249 0.107 0.124 0.356 Y3 1 -0.059 -0.716* 0.065 -0.277 0.013 -0.151 0.106 -0.162 0.045 -0.122 Y4 1 -0.095 -0.050 0.133 -0.185 0.104 0.790* 0.373 0.125 0.195 X1 1 0.244 0.211 -0.070 -0.144 -0.088 0.159 0.212 0.328 X2 1 0.175 -0.250 -0.448 -0.082 0.064 0.044 0.357 X3 1 -0.055 0.239 0.040 0 0.020 -0.183 X4 1 -0.110 -0.162 -0.096 -0.306 -0.065 X5 1 -0.014 0.049 -0.007 -0.348 X6 1 0.056 0.394 0.088 X7 1 0.017 0.597* X8 1 0.192 X9 1

(22)

7 tersebut. Menurut Priyatno (2011), pedoman untuk memberikan interpretasi koefisien korelasi yaitu jika korelasi lebih dari 0.5 maka hubungan kuat dan jika kurang dari 0.5 maka hubungan lemah. Mengacu pada hal tersebut, maka hasil korelasi yang diambil hanya yang memiliki hubungan kuat saja. Dari hasil analisis tersebut diketahui hubungan yang kuat antara peubah X dan peubah Y terdapat pada peubah X1 yaitu diameter setinggi dada (X1) dengan peubah tak bebas volume total (Y1) sebesar 0.934, X1 dengan volume penggunaan kayu untuk plywood (Y2) sebesar 0.939, dan X1 dengan volume untuk penggunaan kayu gergajian (Y3) sebesar -0.716. Semakin besar diameter setinggi dada suatu pohon maka akan semakin tinggi pula volume total dan volume kayu yang dapat dimanfaatkan sebagai bahan baku plywood. Hal ini dikarenakan banyaknya pohon contoh yang memiliki diameter setinggi dada di atas 45 cm. Pohon yang memiliki diameter setinggi dada lebih dari 45 cm akan digolongkan untuk penggunaan plywood dengan tidak mengesampingkan standar lainnya. Korelasi bernilai negatif pada hubungan peubah X1 dan Y3 menunjukkan semakin besar diameter setinggi dada pohon contoh akan semakin sedikit yang dialokasikan untuk kayu gergajian karena akan dipergunakan untuk plywood.

Selain korelasi X1 dengan Y1, Y2, dan Y3, terdapat korelasi lain yang juga memiliki hubungan yang kuat yaitu jumlah mata kayu sehat (X6) dengan volume untuk penggunaan chipwood (Y4) yaitu sebesar 0.790. Semakin banyak mata kayu sehat yang ada akan meningkatkan penggunaan kayu untuk dijadikan bahan baku chipwood. Hal ini sesuai dengan kriteria standar kualitas kayu ATIBT (1982) yang hanya memperbolehkan dua mata kayu standar untuk penggunaan plywood dan tiga mata kayu standar untuk penggunaan kayu gergajian. Apabila jumlah mata kayu lebih dari yang dianjurkan maka akan digolongkan untuk penggunaan bahan baku chipwood.

Hubungan yang kuat antarpeubah X terdapat pada jumlah mata kayu mati (X7) dan rata-rata diameter mata kayu mati (X9) yaitu sebesar 0.597. Semakin banyak mata kayu mati yang terdapat pada batang kayu maka akan semakin tinggi pula rata-rata diameter mata kayu mati tersebut. Hubungan yang kuat antarpeubah Y terdapat pada volume untuk kayu gergajian (Y3) terhadap volume total (Y1) dan volume untuk plywood (Y2) yaitu sebesar -0.651 dan -0.764 serta korelasi antara volume untuk plywood (Y2) dan volume total (Y1) yaitu sebesar 0.979. Volume total merupakan hasil penjumlahan dari seluruh volume yang ada. Penggunaan kayu lebih banyak dipakai untuk pembuatan plywood, sehingga semakin banyak volume untuk plywood akan memperkecil volume kayu yang digunakan untuk kayu gergajian.

Analisis Korelasi Kanonik

Analisis peubah ganda (multivariate) merupakan salah satu teknik statistika yang digunakan untuk menganalisis data peubah ganda. Terdiri dari lebih satu peubah/peubah bebas (independent) dan lebih dari satu peubah/peubah tak bebas (dependent). Salah satu analisis peubah ganda yang sering digunakan adalah analisis korelasi kanonik (Mattjik dan Sumertajaya 2011). Hasil analisis korelasi kanonik menunjukkan sejauh mana kumpulan peubah bebas X dapat berpengaruh terhadap kumpulan peubah tak bebas Y. Analisis kanonik tersebut menghasilkan

(23)

8

tiga peubah kanonik yang mampu menjelaskan keterkaitan antara kumpulan peubah X dan peubah Y seperti pada Tabel 2.

Tabel 2 Korelasi kanonik (ri), proporsi keragaman, redundansi R2, dan uji-F Peubah Kanonik ri Proporsi Keragaman Redundansi R 2 Pr >F 1 0.9792 0.8352 0.9590 0.0001 2 0.8912 0.1380 0.7944 0.0001 3 0.6543 0.0267 0.4281 0.0863

Peubah kanonik yang dapat digunakan berdasarkan hasil analisis tersebut yaitu peubah kanonik yang pertama. Menurut Mattjik dan Sumertajaya (2011), untuk menentukan jumlah peubah kanonik yang digunakan dapat dilihat dari besarnya nilai korelasi kanonik, proporsi keragaman, dan uji rasio terhadap korelasi kanonik serta pengujian pada analisis redundansi. Peubah kanonik kedua dalam hal ini memenuhi syarat untuk digunakan dalan membuat persamaan peubah kanonik. Hanya saja terdapat ketidakstabilan hasil analisis kanonik pertama dan kedua. Apabila dilihat dari uji korelasi setiap peubah, peubah kanonik pertama lebih memiliki kesinambungan hasil analisis dengan uji korelasi, sehingga hanya peubah kanonik pertama saja yang digunakan.

Interpretasi persamaan peubah kanonik dapat dilihat dari nilai bobot dan beban kanoniknya. Semakin besar nilai bobot kanoniknya maka akan menunjukkan semakin besar pula peubah tersebut dapat menerangkan peubah kanoniknya. Sebagaimana dijelaskan oleh Mattjik dan Sumertajaya (2011), semakin besar nilai koefisien ini maka semakin besar kontribusi peubah yang bersangkutan terhadap peubah kanonik. Interpretasi dengan menggunakan bobot saja tidak cukup, diperlukan analisis lebih lanjut dengan menggunakan beban kanoniknya. Untuk membuat persamaan kanonik menggunakan seluruh bobot kanonik yang dihasilkan. Hasil analisis kanonik dengan menggunakan software SAS 9.1.3 tercantum pada Tabel 3.

Tabel 3 Hasil analisis korelasi kanonik

Peubah Pasangan Kanonik 1

Bobot Kanonik Beban Kanonik Kumpulan Peubah Bebas

DBH (X1) 0.8625 0.9316 TBC (X2) 0.2168 0.4589 JB (X3) -0.0864 0.1060 DL (X4) -0.0204 -0.0897 K (X5) 0.0300 -0.2631 JMKS (X6) -0.2250 -0.3179 JMKM (X7) -0.1615 0.0595 DMKS (X8) -0.0024 0.1293 DMKM (X9) 0.1315 0.3846

Kumpulan Peubah Tak Bebas

VP (Y2) -0.3805 0.9789

VG (Y3) 1.6639 0.9763

(24)

9 Nilai bobot dan beban kanonik tersebut dipergunakan dalam membentuk pasangan kanonik seperti berikut:

X1* = 0.8625X1 + 0.2168X2 – 0.0864X3 – 0.0204X4 + 0.0300X5 – 0.2250X6 – 0.1615X7 – 0.0024X8 + 0.1315X9

Y1* = -0.3805Y2 + 1.6639Y3 + 0.4127Y4

Dari hasil pasangan kanonik tersebut diketahui yang memiliki nilai bobot kanonik paling dominan untuk peubah bebasnya adalah diameter setinggi dada (X1) sebesar 0.8625, sedangkan untuk peubah tak bebasnya didominasi oleh volume kayu gergajian (Y3) sebesar 1.6639. Dengan demikian, semakin besar diameter setinggi dada maka akan semakin banyak pula volume kayu yang dapat dimanfaatkan sebagai kayu gergajian. Hasil tersebut tidak sesuai dengan pemanfaatan volume kayu optimal berdasarkan standar kualitas ATIBT (1982) yang menyebutkan bahwa semakin besar diameter setinggi dada maka pemanfaatan kayu untuk bahan baku plywood juga akan semakin tinggi.

Dilihat dari nilai beban kanonik terbesar pada pasangan kanonik ini terdapat pada diameter setinggi dada (X1) dan tinggi bebas cabang (X2) masing-masing sebesar 0.9316 dan 0.4589 untuk peubah bebas. Untuk peubah tak bebas terdapat pada volume plywood (Y2), volume kayu gergajian (Y3), dan volume chipwood (Y4) dengan nilai beban kanonik masing-masing sebesar 0.9789, 0.9763 serta -0.6109. Dilihat dari nilai tersebut, semakin besar nilai diameter setinggi dada dan tinggi bebas cabang maka akan semakin besar pula pemanfaatan volume kayu untuk bahan baku plywood dan kayu gergajian serta mengurangi pemanfaatan untuk bahan baku chipwood.

Analisis Regresi Berganda

Analisis regresi berganda ialah suatu alat analisis peramalan nilai pengaruh dua peubah bebas atau lebih terhadap peubah terikat untuk membuktikan ada atau tidaknya hubungan fungsi (Riduwan dan Sunarto 2011). Analisis regresi berganda ini dimaksudkan untuk mendapatkan model terbaik yang dapat menjelaskan hubungan setiap peubah. Hasil analisis korelasi kanonik sebelumnya menjelaskan peubah bebas mana saja yang mempunyai pengaruh nyata terhadap peubah-peubah tak bebas. Dari hasil interpretasi beban dan bobot kanonik pada pasangan kanonik pertama diketahui peubah bebas yang berpengaruh nyata terhadap peubah Y adalah diameter setinggi dada dan tinggi bebas cabang. Hasil interpretasi tersebut harus diselidiki lebih jauh lagi terkait peubah bebas lainnya yang mungkin berpengaruh nyata terhadap peubah tak bebas Y. Walaupun nilai keragaman yang dihasilkan tinggi yaitu 97.93%.

Hasil analisis kanonik menunjukkan bahwa semua peubah tak bebas Y merupakan peubah yang paling dominan dilihat dari nilai beban kanoniknya. Dengan demikian seluruh peubah tak bebas Y dipergunakan dalam menentukan model terbaiknya dengan menggunakan analisi regresi peubah ganda. Model lengkap dengan menggunakan sembilan peubah bebas X sebagai berikut:

(25)

10 Y1 = 0.00000141 + 0.87391X1 + 0.22453X2 – 0.06801X3 – 0.03747X4 + 0.04729X5 – 0.04875X6 – 0.10053X7 – 0.05298X8 + 0.14321X9 (R2 = 95.15%) Y2 = 4.039428 + 0.89926X1 + 0.12186X2 – 0.03419X3 – 0.02766X4 + 0.06101X5 – 0.14939X6 – 0.10904X7 – 0.04209X8 + 0.11461X9 (R2 = 93.6%) Y3 = -7.02107 – 0.77334X1 + 0.23026X2 – 0.12996X3 + 0.02857X4 – 0.13121X5 + 0.02345X6 – 0.03638X7 + 0.11527X8 – 0.01805X9 (R2 = 63.03%) Y4 = -0.0000023 – 0.04725X1 + 0.00718X2 + 0.09694X3 – 0.07673X4 + 0.07734X5 + 0.8436X6 + 0.30256X7 – 0.23496X8 + 0.03827X9 (R2 = 79.67%)

Model regresi berganda yang terbentuk memiliki tingkat keragaman yang cukup memuaskan. Supranto J (1988) menjelaskan bahwa semakin besar nilai R2 berarti semakin tepat suatu garis regresi linear digunakan sebagai suatu pendekatan. Pada model persamaan Y1, peubah bebas X yang berperan nyata terhadap nilai peubah tak bebas Y1 melalui uji-t dengan taraf nyata 5% yaitu X1 (P = 0.0001) dan X2 (P = 0.0032). Untuk model Y2 peubah bebas X yang berpengaruh nyata yaitu X1 (P = 0.0001) dan X6 (P = 0.0312), pada model persamaan Y3 yaitu peubah bebas X1 (P = 0.0001), sedangkan untuk model Y4 yaitu peubah bebas X6 (P = 0.0001) dan X7 (P = 0.0405). Dengan demikian, peubah bebas X1 yaitu diameter setinggi dada sangat perbengaruh nyata terhadap peubah bebas Y1 (volume total kayu), Y2 (volume kayu untuk plywood), dan Y3 (volume kayu untuk gergajian). Peubah X2 yaitu tinggi bebas cabang sangat berpengaruh nyata untuk peubah tak bebas Y1, peubah bebas X6 untuk model Y2 dan Y4, dan peubah bebas X7 untuk model Y4.

Analisis Seleksi Stepwise

Untuk mendapatkan model terbaik yang dapat menerangkan keterkaitan peubah bebas dengan peubah tak bebas diperlukan seleksi ulang terhadap peubah bebasnya. Peubah bebas yang ada diseleksi untuk mendapatkan peubah yang benar-benar berpengaruh nyata terhadap peubah tak bebas dengan menggunakan analisis seleksi stepwise. Sebagaimana tercantum dalam Mattjik dan Sumertajaya (2011), prosedur dalam penyeleksian menggunakan analisis stepwise ini hampir sama dengan melihat peubah yang terbaik dimasukkan dalam setiap langkah. Kemudian peubah baru dimasukkan dengan memeriksa secara individu dengan menggunakan uji-F untuk melihat jika peubah tersebut tidak signifikan dan dikeluarkan dari model. Pada tingkat kepercayaan 95% dengan menggunakan uji-F maka diperoleh model terbaik untuk menggambarkan volume total (Y1), volume plywood (Y2), volume kayu gergajian (Y3), dan volume chipwood (Y4) sebagai berikut:

Y1 = 8.277147 + 0.89070X1 + 0.25941X2 – 0.09346X3 (R2 = 93.91%) Y2 = -4.71666 + 0.89428X1 + 0.12785X2 – 0.15976X6 (R2 = 92.59%) Y3 = -0.00000108 – 0.75478X1 – 0.26258X5 (R2 = 58.02%)

(26)

11 Y4 = -0.00000236 + 0.85779X6 + 0.32839X7 (R2 = 73.25%)

Dari keempat model tersebut dapat dilihat bahwa semua model yang terbentuk memiliki nilai keragaman lebih dari 50%. Angka tersebut sudah cukup menerangkan sejauh mana peubah bebas yang ada dapat menerangkan peubah tak bebasnya. Persamaan untuk Y1 (Volume total) memiliki R2 sebesar 93.08%. Artinya peubah bebas diameter setinggi dada (X1), tinggi bebas cabang (X2), dan jumlah banir (X3) mampu menerangkan 93.91% volume total. Semakin besar diameter setinggi dada dan tinggi bebas cabang, maka akan semakin besar volume kayu total yang ada dan semakin banyak jumlah banir akan memperkecil volume total yang didapat. Model penduga volume optimal untuk plywood (Y2) memiliki nilai keragaman sebesar 92.59%. Peubah bebas X1 dan X2 memiliki pengaruh positif terhadap peubah tak bebas volume untuk plywood (Y2). Dengan demikian, semakin besar diameter setinggi dada dan tinggi bebas cabang maka akan semakin besar pula volume kayu yang dipergunakan untuk bahan baku plywood. Pada peubah bebas jumlah mata kayu sehat (X6) memiliki pengaruh negatif terhadap volume untuk plywood. Semakin banyak jumlah mata kayu sehat, maka akan memperkecil penggunaan kayu untuk bahan baku plywood.

Persamaan untuk volume kayu gergajian (Y3) memiliki nilai keragaman sebesar 58.02%. Akan tetapi hasil persamaan pada model Y3 ini bernilai negatif, sehingga sebaiknya model tersebut tidak dipergunakan. Dengan demikian persamaan untuk model Y3 tersebut dapat diformulasikan dengan persamaan seperti dibawah ini,

Y3 = Y1 – Y2 – Y4

Model persamaan untuk volume chipwood (Y4) memiliki nilai keragaman sebesar 73.25%. Nilai tersebut menerangkan terdapat hubungan yang nyata antara peubah bebas jumlah mata kayu sehat (X6) dan jumlah mata kayu mati (X7) terhadap peubah tak bebas Y4. Peubah X6 dan X7 memiliki pengaruh positif terhadap volume chipwood. Semakin banyak jumlah mata kayu sehat dan mati, maka akan semakin banyak pemanfaatan kayu sebagai bahan baku chipwood.

Untuk melihat tingkat signifikan pengaruh peubah pebas X terhadap peubah tak bebas Y, maka dilakukan uji hipotesis peubah ganda multivariate test. Dari hasil kriteria uji Wilk’s Lambda, Pillai’s Trace, Hotteling-Lawley Trace, dan Roy’s Greatest Root diketahui nilai p-value untuk semua kriteria uji adalah 0.0001. Dengan demikian, dapat disimpulkan tolak H0 karena nilai p-value lebih kecil dari peluang yang diizinkan (α = 0.05). Artinya terdapat sekurang-kurangnya satu peubah bebas X yang berperan nyata terhadap sekurang-kurangnya satu peubah tak bebas Y.

(27)

12

SIMPULAN DAN SARAN

Simpulan

Menurut hasil uji korelasi setidaknya ada satu peubah bebas X yaitu data kualitas pohon yang berhubungan nyata dengan peubah tak bebas Y yaitu volume kayu. Peubah bebas X yang berpengaruh nyata terhadap peubah tak bebas Y seperti diameter setinggi dada, tinggi bebas cabang, jumlah banir, jumlah mata kayu hidup, serta jumlah mata kayu mati. Dari keterkaitan semua peubah, terbentuk model terbaik dalam menduga volume optimal kayu jenis meranti merah (Shorea leprosula Miq.) seperti di bawah ini,

YT = 8.277147 + 0.89070X1 + 0.25941X2 – 0.09346X3 (R2 = 93.91%) YP = -4.71666 + 0.89428X1 + 0.12785X2 – 0.15976X6 (R2 = 92.59%) YG = YT – YP – YC YC = -0.00000236 + 0.85779X6 + 0.32839X7 (R2 = 73.25%) Saran

Peubah kanonik yang dipergunakan dalam analisis data diharapkan hanya menggunakan satu peubah kanonik saja dikarenakan ketidakstabilan peubah kanonik lainnya. Disamping itu, model penduga volume yang dihasilkan diharapkan dapat membantu PT. Sari Bumi Kusuma dan unit perusahaan yang memiliki kondisi area yang relatif sama dalam menduga volume optimal kayu.

DAFTAR PUSTAKA

[ATIBT)] Association Technique Internationale des Bois Tripicaux. Committee V. 1982. The Grading Rules for Tropical Logs and Sawn Timber. Paris (FR): ATIBT. Cahyana I. 2000. Penyusunan model penduga volume optimal batang bebas cabang melalui inventarisasi kualitas pohon dan analisis data peubah ganda. [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Hadikusumo SA, Prawirohatmodjo S. 1986. Hasil Hutan dan Ilmu Kayu. Yogyakarta (ID): Universitas Gadjah Mada.

Husch B. 1971. Forest Mensuration and Statistics. New York: The Ronald Press Company.

Mattjik AA, Sumertajaya IM. 2011. Sidik Peubah Ganda dengan Menggunakan SAS. Bogor (ID): IPB Press.

Priyatno D. 2011. Buku Saku SPSS. Yogyakarta (ID): MediaKom.

Riduwan, Sunarto. 2011. Pengantar Statistika. Bandung (ID): Penerbit Alfabeta. Supranto J. 1989. Statistika Teori dan Aplikasi. Jakarta (ID): Erlangga.

(28)

13 Lampiran 1 Spesifikasi Bahan Baku Kayu Bulat menurut Standar ATIBT/1982 a. Mata Kayu Standar

1. Satu mata kayu hidup dengan diameter antara 1 sampai 6 cm untuk setiap 2 m panjang kayu dengan interval mata kayu tidak kurang dari 2 m

2. Satu mata kayu hidup dengan diameter antara 1 sampai dengan 6 cm untuk setiap 1.5 m panjang kayu dengan interval mata kayu tidak kurang dari 2 m 3. Dua mata kayu hidup dengan diameter antara 1 sampai dengan 6 cm untuk

setiap 2 m panjang kayu dengan interval mata kayu tidak kurang dari 1 m 4. Dua mata kayu dengan diameter antara 1 sampai dengan 6 cm untuk setiap

2 m panjang kayu dengan interval mata kayu tidak kurang dari 0.5 m 5. Mata kayu dengan diameter kurang dari 1 cm diabaikan

b. Lubang Gerek Standar

1. Konsentrasi lubang gerek dengan jumlah dari 15 sampai 30 dalam suatu persegi dengan ukuran 125 x 125 mm untuk setiap persegian

2. Untuk setiap penambahan 15 lubang dalam persegi ukuran 125 x 125 mm 3. Lebih dari 3 sampai 10 lubang gerek per 3 m panjang kayu tersebar di

permukaan tetapi tidak sampai pada sapwood

4. Untuk setiap penambahan 10 lubang gerek per 3 m panjang kayu 5. Satu lubang gerek besar 3 m panjang kayu

6. Untuk setiap penambahan 2 lubang per 3 m panjang kayu

7. Lubang gerek kecil tersebar di permukaan tetapi di luar persegian ukuran 125 x 125 mm akan diabaikan

8. Sampai 3 lubang gerek sedang tersebar di permukaan tetapi tidak sampai ke sapwood per 3 m panjang kayu akan diabaikan

c. Melintir Standar

1. Satu atau dua kayu melintir dengan panjang total sampai dengan 10% panjang kayu

2. Satu atau dua kayu melintir dengan panjang total sampai dengan 10% − 20% panjang kayu

3. Dua atau tiga kayu melintir dengan panjang total dari dua kayu melintir terpanjang antara 20% − 40% panjang kayu

4. Tiga atau lebih kayu melintir dengan panjang total dari dua kayu terpanjang lebih dari 40% panjang kayu

d. Bengkok Standar

1. Satu bengkok dengan penyimpanan sebesar 10% dari diameter ujung terpendek

2. Satu bengkok dengan penyimpanan sebesar 10% − 20% dari diameter ujung terpendek

3. Satu bengkok dengan penyimpanan sebesar 30% dari diameter ujung terpendek

4. Satu atau dua bengkok dengan penyimpanan sebesar 40% dari diameter ujung terpendek

(29)

14

Lampiran 2 Spesifikasi Bahan Baku Kayu Kupas menurut Standar ATIBT/1982 Faktor

Kualitas

Spesifikasi

Kualitas Prime (SP.1) Kualitas Standard (SP.2) Panjang 2.5 m atau lebih 2.5 m atau lebih

Diameter (minimum)

50 cm atau lebih 50 cm atau lebih

Bentuk log Fresh cut, silindris, serat lurus Fresh cut, silindris, serat lurus

Hati kayu Di tengah, tidak lebih dari ¼ diameter log rata-rata

Di tengah, tidak lebih dari 1/3 diameter log rata-rata.

Diperkenankan lubang kecil di tengah, retak kecil dengan diameter tidak lebih dari 15 cm

Mata kayu Diperbolehkan mengandung 1 unit mata kayu standar

Diperbolehkan mengandung 2 unit mata kayu standar Lubang gerek Diperbolehkan mengandung

salah satu unit lubang gerek standar

Diperbolehkan mengandung 2 unit lubang gerek standar Melintir Diperbolehkan mengandung

salah satu unit melintir standar

Diperbolehkan mengandung 2 unit melintir standar

Bengkok Diperbolehkan mengandung salah satu bengkok standar

Diperbolehkan mengandung 2 bengkok standar

Warna Diperbolehkan, sapwood bebas cacat

Diperbolehkan, sapwood bebas cacat

Pecah permukaan

Tidak diizinkan Sedikit pecah permukaan diijinkan, kurang dari ¼ permukaan lateral, kedalaman kurang dari 5 cm

(30)

15 Lampiran 3 Spesifikasi Bahan Baku Kayu untuk Kayu Gergajian dan Kayu

Serpih menurut Standar ATIBT/1982 Faktor

Kualitas

Spesifikasi

Kayu Gergajian Kayu Serpih

SS.1 SS.2 SS.3 SS.4 SS.5

Panjang ≥2.5 m ≥2 m ≥2 m ≥2 m 1.20 − 2 m tak bersyarat Diameter ≥45 cm ≥40 cm ≥30 cm - - tak bersyarat Bentuk log fresh cut, silindris, serat lurus - - - - tak bersyarat

Hati kayu Ditengah - - - - tak bersyarat

Mata kayu 3 unit mata kayu standar - - - - tak bersyarat Lubang gerek 3 unit lubang gerek standar - - - - tak bersyarat

Melintir 3 unit melintir standar

- - - - tak bersyarat

Bengkok 3 unit bengkok standar - - - - tak bersyarat Warna diperbolehkan, sapwood bebas cacat - - - - tak bersyarat Lain-lain 75% bebas cacat 60% bebas cacat 50% bebas cacat 40% bebas cacat masih dapat digergaji tak bersyarat

(31)

16

Lampiran 4 Rekapitulasi data peubah bebas X dan peubah tak bebas Y Jenis Peubah Nilai Terkecil Nilai Terbesar Rata-rata Simpangan Baku Peubah Bebas X1 43 86 58.98 11.26 X2 15 25 20.43 3.13 X3 0 8 3 2.06 X4 0 1.81 0.22 0.47 X5 47.75 89 69.84 9.04 X6 0 12 2 2.63 X7 0 3 0 0.7 X8 0 28 9.1 9.45 X9 0 30 4.1 9.23

Peubah Tak Bebas

Y1 1.74 9.66 4.21 2.08

Y2 0.31 9.51 3.37 2.6

Y3 0 2.17 0.62 0.65

Y4 0 1.49 0.22 0.32

Keterangan :

X1 = Diameter setinggi dada (cm) X2 = Tinggi bebas cabang (m) X3 = Jumlah banir

X4 = Kelengkungan (cm/m) X5 = Keselindrisan (%) X6 = Jumlah mata kayu sehat X7 = Jumlah mata kayu mati

X8 = Diameter rata-rata mata kayu sehat (cm) X9 = Diameter rata-rata mata kayu mati (cm) Y1 = Volume pohon total (m3)

Y2 = Volume pohon untuk bahan baku plywood (m3) Y3 = Volume pohon untuk bahan baku kayu gergajian (m3) Y4 = Volume pohon untuk bahan baku chipwood (m3)

(32)

17 Lampiran 5 Hasil Analisis Kanonik

Canonical Correlation Analysis

Adjusted Approximate Squared Canonical Canonical Standard Canonical Correlation Correlation Error Correlation 1 0.979278 0.972415 0.007616 0.958985 2 0.891286 0.862290 0.038181 0.794392 3 0.654310 0.578586 0.106195 0.428121 Eigenvalues of Inv(E)*H

= CanRsq/(1-CanRsq)

Eigenvalue Difference Proportion Cumulative 1 23.3812 19.5176 0.8352 0.8352 2 3.8636 3.1150 0.1380 0.9733 3 0.7486 0.0267 1.0000 Test of H0: The canonical correlations in the

current row and all that follow are zero Likelihood Approximate

Ratio F Value Num DF Den DF Pr > F 1 0.00482269 10.27 27 53.212 <.0001 2 0.11758308 4.55 16 38 <.0001 3 0.57187863 2.14 7 20 0.0863

(33)

18

Canonical Correlation Analysis

Raw Canonical Coefficients for the VAR Variables V1 V2 V3 Y2 -0.380498333 6.9859956993 -0.642329543 Y3 1.6639481036 -8.091010153 -0.208419411 Y4 0.4126524013 -1.736777326 -1.362353875 Raw Canonical Coefficients for the WITH Variables W1 W2 W3 X1 0.862549109 0.1933577407 0.4658349537 X2 0.2168494932 0.204941638 -0.738663813 X3 -0.086438035 0.0305735055 0.3482520974 X4 -0.020401683 -0.098249359 -0.013898461 X5 0.0300068872 0.0724473575 0.2073315283 X6 -0.225022923 0.9284052253 0.0466223454 X7 -0.161538768 0.272737009 0.2091613546 X8 -0.002357156 -0.257776898 -0.174596972 X9 0.1314913045 0.1172350205 -0.139508913

Standardized Canonical Coefficients for the VAR Variables V1 V2 V3

Y2 -0.3805 6.9860 -0.6423 Y3 1.6639 -8.0910 -0.2084 Y4 0.4127 -1.7368 -1.3624

Standardized Canonical Coefficients for the WITH Variables W1 W2 W3 X1 0.8625 0.1934 0.4658 X2 0.2168 0.2049 -0.7387 X3 -0.0864 0.0306 0.3483 X4 -0.0204 -0.0982 -0.0139 X5 0.0300 0.0724 0.2073 X6 -0.2250 0.9284 0.0466 X7 -0.1615 0.2727 0.2092 X8 -0.0024 -0.2578 -0.1746 X9 0.1315 0.1172 -0.1395

(34)

19 Canonical Structure

Correlations Between the VAR Variables and Their Canonical Variables

V1 V2 V3 Y2 0.9789 0.2002 0.0412 Y3 0.9763 0.0719 0.2040 Y4 -0.6109 -0.1054 -0.7847 Correlations Between the WITH Variables and Their Canonical Variables

W1 W2 W3 X1 0.9316 0.1916 0.2742 X2 0.4589 0.2210 -0.7013 X3 0.1060 0.1402 0.3899 X4 -0.0897 -0.2774 0.1306 X5 -0.2631 -0.0687 0.6139 X6 -0.3179 0.8345 0.0105 X7 0.0595 0.4474 0.1639 X8 0.1293 0.2155 -0.1028 X9 0.3846 0.4250 -0.2885 Correlations Between the VAR Variables and the Canonical Variables of the WITH Variables W1 W2 W3 Y2 0.9586 0.1785 0.0270 Y3 0.9561 0.0641 0.1335 Y4 -0.5982 -0.0940 -0.5134

Correlations Between the WITH Variables and the Canonical Variables of the VAR Variables V1 V2 V3 X1 0.9123 0.1708 0.1794 X2 0.4494 0.1970 -0.4589 X3 0.1038 0.1250 0.2551 X4 -0.0878 -0.2473 0.0854 X5 -0.2576 -0.0613 0.4017 X6 -0.3113 0.7438 0.0069 X7 0.0583 0.3988 0.1072 X8 0.1266 0.1921 -0.0672 X9 0.3767 0.3788 -0.1888

(35)

20

Canonical Redundancy Analysis

Raw Variance of the VAR Variables Explained by Their Own

Canonical Variables Canonical

Variable Cumulative Canonical Number Proportion Proportion R-Square 1 0.7615 0.7615 0.9590 2 0.0188 0.7803 0.7944 3 0.2197 1.0000 0.4281 Raw Variance of the VAR

Variables Explained by The Opposite Canonical Variables Canonical

Variable Cumulative Number Proportion Proportion 1 0.7303 0.7303 2 0.0149 0.7452 3 0.0940 0.8393

Raw Variance of the WITH Variables Explained by Their Own

Variable Cumulative Canonical Number Proportion Proportion R-Square 1 0.1596 0.1596 0.9590 2 0.1456 0.3052 0.7944 3 0.1371 0.4423 0.4281

Raw Variance of the WITH Variables Explained by The Opposite Canonical Variables Canonical

(36)

21 Canonical Redundancy Analysis

Standardized Variance of the VAR Variables Explained by Their Own

Variable Cumulative Canonical Number Proportion Proportion R-Square 1 0.7615 0.7615 0.9590 2 0.0188 0.7803 0.7944 3 0.2197 1.0000 0.4281 Standardized Variance of the

VAR Variables Explained by The Opposite Canonical Variables Canonical

Standardized Variance of the WITH Variables Explained by Their Own

Variable Cumulative Canonical Number Proportion Proportion R-Square 1 0.1596 0.1596 0.9590 2 0.1456 0.3052 0.7944 3 0.1371 0.4423 0.4281

Standardized Variance of the WITH Variables Explained by The Opposite Canonical Variables Canonical

(37)

22

Canonical Redundancy Analysis

Squared Multiple Correlations Between the VAR Variables and the First M Canonical Variables of the WITH Variables M 1 2 3 Y2 0.9189 0.9508 0.9515 Y3 0.9141 0.9182 0.9360 Y4 0.3579 0.3667 0.6303 Squared Multiple Correlations Between the WITH Variables and the First M Canonical Variables of the VAR Variables M 1 2 3 X1 0.8322 0.8614 0.8936 X2 0.2019 0.2408 0.4513 X3 0.0108 0.0264 0.0915 X4 0.0077 0.0688 0.0761 X5 0.0664 0.0701 0.2315 X6 0.0969 0.6502 0.6502 X7 0.0034 0.1624 0.1739 X8 0.0160 0.0529 0.0575 X9 0.1419 0.2854 0.3210

(38)

23 Lampiran 6 Hasil Analisis Regresi Berganda

The REG Procedure Model: MODEL1 Dependent Variable: Y1 Number of Observations Read 30 Number of Observations Used 30

Analysis of Variance

Sum of Mean

Source DF Squares Square F Value Model 9 27.59303 3.06589 43.58 Error 20 1.40699 0.07035 Corrected Total 29 29.00002 Analysis of Variance Source Pr > F Model <.0001 Error Corrected Total

Root MSE 0.26524 R-Square 0.9515 Dependent Mean 1E-6 Adj R-Sq 0.9297 Coeff Var 26523527

Parameter Estimates Parameter Standard

Variable DF Estimate Error t Value Pr > |t| Intercept 1 0.00000141 0.04843 0.00 1.0000 X1 1 0.87391 0.05704 15.32 <.0001 X2 1 0.22453 0.06707 3.35 0.0032 X3 1 -0.06801 0.05864 -1.16 0.2598 X4 1 -0.03747 0.05648 -0.66 0.5147 X5 1 0.04729 0.06428 0.74 0.4705 X6 1 -0.04875 0.05614 -0.87 0.3956 X7 1 -0.10053 0.06748 -1.49 0.1519 X8 1 -0.05298 0.05895 -0.90 0.3795 X9 1 0.14321 0.07935 1.80 0.0862

(39)

24

Sum of Mean

Root MSE 0.30454 R-Square 0.9360 Dependent Mean -3.33333E-7 Adj R-Sq 0.9073 Coeff Var -91363154

Variable DF Estimate Error t Value Pr > |t| Intercept 1 4.039428E-8 0.05560 0.00 1.0000 X1 1 0.89926 0.06549 13.73 <.0001 X2 1 0.12186 0.07701 1.58 0.1292 X3 1 -0.03419 0.06733 -0.51 0.6171 X4 1 -0.02766 0.06485 -0.43 0.6743 X5 1 0.06101 0.07380 0.83 0.4182 X6 1 -0.14939 0.06447 -2.32 0.0312 X7 1 -0.10904 0.07748 -1.41 0.1747 X8 1 -0.04209 0.06769 -0.62 0.5411 X9 1 0.11461 0.09111 1.26 0.2229

(40)

25 The REG Procedure

Model: MODEL1 Dependent Variable: Y3 Number of Observations Read 30 Number of Observations Used 30

Sum of Mean

Source DF Squares Square F Value Model 9 18.27878 2.03098 3.79 Error 20 10.72127 0.53606 Corrected Total 29 29.00005 Analysis of Variance Source Pr > F Model 0.0063 Error Corrected Total

Root MSE 0.73216 R-Square 0.6303 Dependent Mean -0.00000133 Adj R-Sq 0.4639 Coeff Var -54912262

Variable DF Estimate Error t Value Pr > |t| Intercept 1 -7.02107E-7 0.13367 -0.00 1.0000 X1 1 -0.77334 0.15745 -4.91 <.0001 X2 1 0.23026 0.18514 1.24 0.2280 X3 1 -0.12996 0.16187 -0.80 0.4315 X4 1 0.02857 0.15591 0.18 0.8564 X5 1 -0.13121 0.17744 -0.74 0.4682 X6 1 0.02345 0.15498 0.15 0.8813 X7 1 -0.03638 0.18628 -0.20 0.8472 X8 1 0.11527 0.16273 0.71 0.4869 X9 1 -0.01805 0.21903 -0.08 0.9351

(41)

26

Sum of Mean

Root MSE 0.54300 R-Square 0.7967 Dependent Mean -6.66667E-7 Adj R-Sq 0.7051 Coeff Var -81450712

Variable DF Estimate Error t Value Pr > |t| Intercept 1 -0.00000230 0.09914 -0.00 1.0000 X1 1 -0.04725 0.11677 -0.40 0.6900 X2 1 0.00718 0.13731 0.05 0.9588 X3 1 0.09694 0.12005 0.81 0.4289 X4 1 -0.07673 0.11563 -0.66 0.5146 X5 1 0.07734 0.13159 0.59 0.5633 X6 1 0.84360 0.11494 7.34 <.0001 X7 1 0.30256 0.13816 2.19 0.0405 X8 1 -0.23496 0.12068 -1.95 0.0657 X9 1 0.03827 0.16244 0.24 0.8161

(42)

27 Lampiran 7 Hasil Analisis Seleksi Stepwise

The REG Procedure Model: MODEL1 Dependent Variable: Y1

Number of Observations Read 30 Number of Observations Used 30 Stepwise Selection: Step 1

Variable X1 Entered: R-Square = 0.8735 and C(p) = 26.1668

Sum of Mean

Source DF Squares Square F Value Model 1 25.33010 25.33010 193.26 Error 28 3.66992 0.13107 Corrected Total 29 29.00002 Analysis of Variance Source Pr > F Model <.0001 Error Corrected Total Parameter Standard

Variable Estimate Error Type II SS F Value Pr > F Intercept 6.884713E-7 0.06610 1.42198E-11 0.00 1.0000 X1 0.93459 0.06723 25.33010 193.26 <.0001 Bounds on condition number: 1, 1

---

Stepwise Selection: Step 2

Sum of Mean

Source DF Squares Square F Value Model 2 26.99451 13.49725 181.71 Error 27 2.00552 0.07428

(43)

28 Analysis of Variance Source Pr > F Model <.0001 Error Corrected Total Parameter Standard

Variable Estimate Error Type II SS F Value Pr > F Intercept 7.085701E-7 0.04976 1.50621E-11 0.00 1.0000 X1 0.87429 0.05219 20.84655 280.65 <.0001 X2 0.24704 0.05219 1.66440 22.41 <.0001 Bounds on condition number: 1.0633, 4.2534

---

Sum of Mean

Variable Estimate Error Type II SS F Value Pr > F Intercept 8.277147E-7 0.04760 2.05533E-11 0.00 1.0000 X1 0.89070 0.05069 20.98926 308.78 <.0001 X2 0.25941 0.05036 1.80366 26.53 <.0001 X3 -0.09346 0.04993 0.23819 3.50 0.0725 Bounds on condition number: 1.0961, 9.7248

---

(44)

29 level.

No other variable met the 0.1500 significance level for entry into the model.

Summary of Stepwise Selection Variable Variable Number Partial Model

Step Entered Removed Vars In R-Square R-Square C(p) F Value 1 X1 1 0.8735 0.8735 26.1668 193.26 2 X2 2 0.0574 0.9308 4.5078 22.41 3 X3 3 0.0082 0.9391 3.1220 3.50 Summary of Stepwise Selection

Step Pr > F 1 <.0001 2 <.0001 3 0.0725

(45)

30

The REG Procedure Model: MODEL1 Dependent Variable: Y2

Sum of Mean

Variable Estimate Error Type II SS F Value Pr > F Intercept -6.46517E-7 0.06362 1.25395E-11 0.00 1.0000 X1 0.93955 0.06471 25.60000 210.82 <.0001 Bounds on condition number: 1, 1

---

Sum of Mean

(46)

Variable Estimate Error Type II SS F Value Pr > F Intercept -4.7398E-7 0.05656 6.73971E-12 0.00 1.0000 X1 0.92479 0.05775 24.60961 256.40 <.0001 X6 -0.16762 0.05775 0.80845 8.42 0.0073 Bounds on condition number: 1.0078, 4.0313

---

Sum of Mean

Variable Estimate Error Type II SS F Value Pr > F Intercept -4.71666E-7 0.05247 6.67408E-12 0.00 1.0000 X1 0.89428 0.05517 21.70294 262.75 <.0001 X2 0.12785 0.05514 0.44399 5.38 0.0286 X6 -0.15976 0.05368 0.73151 8.86 0.0062 Bounds on condition number: 1.0686, 9.4442

(47)

32

All variables left in the model are significant at the 0.1500 level.

Step Entered Removed Vars In R-Square R-Square C(p) F Value 1 X1 1 0.8828 0.8828 10.6587 210.82 2 X6 2 0.0279 0.9106 3.9420 8.42 3 X2 3 0.0153 0.9259 1.1549 5.38 Summary of Stepwise Selection

Step Pr > F 1 <.0001 2 0.0073 3 0.0286

(48)

33 The REG Procedure

Model: MODEL1 Dependent Variable: Y3

Sum of Mean

Variable Estimate Error Type II SS F Value Pr > F Intercept -0.00000109 0.12969 3.59467E-11 0.00 1.0000 X1 -0.71610 0.13191 14.87105 29.47 <.0001 Bounds on condition number: 1, 1

---

Variable X5 Entered: R-Square = 0.5802 and C(p) = -1.2919

Sum of Mean

(49)

Variable Estimate Error Type II SS F Value Pr > F Intercept -0.00000108 0.12259 3.51047E-11 0.00 1.0000 X1 -0.75478 0.12606 16.16265 35.85 <.0001 X5 -0.26258 0.12606 1.95603 4.34 0.0469 Bounds on condition number: 1.0222, 4.0888

---

All variables left in the model are significant at the 0.1500 level.

Step Entered Removed Vars In R-Square R-Square C(p) F Value 1 X1 1 0.5128 0.5128 0.3569 29.47 2 X5 2 0.0674 0.5802 -1.2919 4.34 Summary of Stepwise Selection

Step Pr > F 1 <.0001 2 0.0469