Morfologi Bunga Bangkai (Amorphophallus variabilis Blume.)
Amorphophallus variabilis Blume. dapat hidup dengan baik dalam kondisi lingkungan tertentu dengan fase siklus hidup dan morfologi yang unik. Pada warna tangkai daun bervariasi dari hijau murni sampai coklat tua. Tangkai daun menunjukkan bintik-bintik bulat, lonjong atau bintik-bintik bulat, lonjong atau elips yang berwarna putih, hijau tua, keabu-abuan hijau, coklat tua, atau hitam kadang batang menyerupai ular. Tinggi batang A. variabilis mencapai 1,5 meter dengan lebar tajuk kiri dan kanan mencapai 60 cm dengan bentuk daun berbentuk elips, ujung daun runcing, batang berongga, warna umbi kuning hingga warna kemerah mudaan. Selama masa dormansi daun dan batang akan layu dan akan muncul tunas baru, fase vegetatif apabila tunas baru berbentuk daun dan fase generatif akan muncul bunga yang menghasilkan biji buah.
Pemilihan habitat yang sesuai didasari oleh beberapa faktor. Penelitian ini menganalisis beberapa faktor variabel lingkungan yang diduga sebagai dasar pemilihan habitat bunga bangkai. Variabel tersebut antara lain jarak dari jalan, jarak dari sungai, kelerengan, ketinggian, tutupan lahan, dan variabel bioiklim terlihat pada gambar a, b, dan c.
Seluruh bagian Bagian biji Bagian bunga
Gambar 2. Morfologi Amorphophallus variabilis Blume
a b c
Gambar 2. Menunjukkan bentuk morfologi A. variabilis. Gambar a.
merupakan tampilan seluruh bagian bunga A. variabilis (sumber: pribadi) Gambar b. merupakan tampilan biji (sumber: pribadi) dan gambar c. merupakan tampilan detail bagian bunga A. variabilis (sumber: Balai BKSDAE). Pada umumnya A.
variabilis memiliki tinggi 50 cm hingga 1,5 m dengan warna bunga putih sedikit kecoklatan. Hal ini didukung oleh temuan Balai KSDAE (2019) pada pengukuran bunga yang ditemukan panjangnya 69 cm, keliling batang 4 cm dan berwarna putih susu, warna batang hijau/kecoklatan. Daun memiliki lebar terbesar 7 cm dengan panjang 10 cm dan daun terkecil memiliki lebar 3 cm dengan panjang daun 7 cm dengan warna daun loreng hijau tua. Cabang pada daun 3 helai (2-3 tiap cabang), dan ujung cabang memiliki 2 daun.
Sebaran Titik Temuan Amorphophallus variabilis Berdasarkan Ketinggian Titik keberadaan temuan bunga bangkai (A. variabilis) yang ditemukan di lokasi penelitian cenderung beragam dari ketinggian yang rendah sampai dataran yang tinggi. Titik temuan bunga bangkai paling rendah ditemukan pada ketinggian 53 mdpl, sedangkan titik temuan bungai bangkai tertinggi ditemukan pada ketinggian 1094 mdpl. Titik keberadaan A. variabilis paling banyak terdapat pada ketinggian >800-1050 mdpl. Dari hasil penelitian ini dapat diketahui bahwa A.
variabilis lebih banyak ditemukan pada ketinggian rendah hingga menengah.
Hal ini sesuai dengan (Susanto, 2020) yang menyatakan Amorphophallus tumbuh baik di dataran rendah sampai 1.000 mdpl, dengan curah hujan 300−500 mm/bulan selama periode pertumbuhan. Sebaran Temuan A. variabilis berdasarkan ketinggian terdapat 3 titik temuan pada rentang 0-200 mdpl, 5 titik temuan pada rentang ketinggian >200-400 mdpl, 4 titik temuan pada rentang >400-600 mdpl, 14 titik temuan pada rentang >600-800 mdpl dan sebanyak 24 titik temuan pada ketinggian >800-1094 mdpl.
Model Kesesuaian Habitat Bunga Bangkai
Hasil penelitian menemukan sebanyak 50 titik temuan bunga bangkai (A.
variabilis) di lokasi penelitian. Dalam analisis kesesuaian habitat menggunakan MaxEnt (Maximum entrophy) berdasarkan batas jangkauan resolusi jarak dalam peta yang diaplikasikan dengan rentang jarak 1 km2 jumlah titik yang digunakan
sebanyak 19 titik temuan, sebanyak 14 titik diantaranya sebagai titik sebaran yang dijangkau oleh MaxEnt dan 5 titik sebagai titik sampel testing. Titik sebaran lainnya kemudian dikombinasikan dengan peta variabel lingkungan menggunakan MaxEnt.
Data titik yang dianalisis hanya dapat digunakan ke dalam analisis MaxEnt apabila jarak antar titik sesuai dengan jarak minimum yaitu 1 km2 apabila jarak titik temuan tidak memenuhi rentang jangkauan radius maka akan dianggap menjadi 1 titik yang akan mewakili suatu area temuan. Titik temuan diolah untuk membuat peta kesesuaian habitat bunga bangkai di wilayah Sumatera Utara. Hasil analisis data kemudian diolah menggunakan aplikasi ArcGis 10.8 untuk membuat pengkelasan peta kesesuaian habitat bunga bangkai. Hasil analisis data dapat dilihat pada Gambar 3.
Gambar 3. Peta Kesesuaian Habitat Bunga Bangkai (Amorphophallus variabilis Blume.) di Sumatera utara
Gambar 3. Menunjukkan peta kesesuaian habitat A. variabilis di Sumatera Utara. Pembuatan peta kelas kesesuaian habitat A. variabilis dibagi menjadi 5 kelas.
Pada Gambar 3 dapat dilihat kelas sangat tidak sesuai banyak terdapat hampir seluruh kawasan. Hal ini dikarenakan kawasan tersebut merupakan daerah yang memiliki kondisi lingkungan yang tidak sesuai dengan variabel analisis MaxEnt.
Kelas cukup sesuai hingga sangat sesuai terdapat pada bagian pinggir kawasan, daerah tersebut merupakan daerah dataran rendah 0 – 1094 mdpl. Bagian tengah kawasan juga merupakan dataran dengan ketinggian > 1094 mdpl. Pada bagian tersebut dianalisis terdapat banyak jenis tanah aluvial, tanah andosol, dan tanah podsolik dengan tingkat kesuburan tanah yang cukup tinggi. Hal ini sesuai dengan pernyataan Wahidah (2022) yang menyatakan bahwa A. variabilis dapat tumbuh di hampir semua jenis tanah, namun pertumbuhan dan perkembangan optimal dicapai pada tanah yang gembur, dengan pH netral dan drainase yang baik.
Hasil pemodelan peta menunjukkan bahwa wilayah yang paling sesuai untuk pertumbuhan A. variabilis berada pada wilayah Mandailing Natal berdekatan dengan Kawasan Sumatera Barat dan beberapa wilayah lainnya seperti Kabupaten Tapanuli Tengah, Tapanuli Selatan dan Tapanuli Utara. Wilayah yang sesuai untuk pertumbuhan A. variabilis berada pada wilayah Padang Lawas Utara, Kabupaten Tapanuli Tengah, Tapanuli Selatan, Tapanuli Utara dan beberapa bagian wilayah Kabupaten Phakphak Barat hingga ke Dairi.
Analisis Variabel Terhadap Peta Pemodelan Kesesuaian Habitat A. variabilis MaxEnt merupakan sebuah software yang berfungsi sebagai mesin analisis model sebaran jenis suatu objek. Dalam pengolahan data sebaran A. variabilis digunakan data lokasi berupa luasan peta, variabel lingkungan temuan, dan penggunaan resolusi yang sesuai akan mempengaruhi peta hasil sebaran dari analisis program MaxEnt. Analisis ini menampilkan hasil pemodelan dengan berbagai variabel pada setiap ulangan untuk mengetahui pengaruh setiap variabel pada hasil pemodelan kesesuaian habitat A. variabilis maka akan diperoleh hasil informasi variabel dengan kontribusi tinggi dan informasi variabel yang berperan penting dalam model. Perbedaan variabel yang digunakan mempengaruhi peta bentuk sebaran dari A. variabilis. Hasil analisis peta kesesuaian habitat setiap ulangan dapat dilihat pada Gambar 4.
Peta 1 Peta 2 Peta 3
Gambar 4. Peta Hasil Ulangan Kesesuaian Habitat Amorphophallus variabilis Blume.
Gambar 4 menunjukkan pada peta ulangan 1 dengan analisis variabel 19 iklim menunjukkan wilayah yang paling sesuai dengan nilai probabilitas 0,964 (warna merah) berada di kawasan yang Mandailing Natal berdekatan dengan Sumatera Barat. Pada peta ulangan 2 menampilkan lebih sedikit wilayah yang sangat sesuai untuk keberadaan A. variabilis dan pada peta ulangan 3 menampilkan wilayah kesesuaian yang lebih menyebar mulai dari wilayah Mandailing Natal berdekatan dengan Sumatera Barat, wilayah Tapanuli Utara hingga mengarah ke wilayah Sumatera Barat, wilayah Padang Lawas Utara. Analisis setiap variabel dengan kontribusi terbesar yang dikombinasikan dan menghasilkan peta kesesuaian lahan yang lebih akurat dan konsisten. Pengulangan pada peta dilakukan untuk menentukan faktor dominan yang berpengaruh terhadap peta pemodelan kesesuaian habitat A. variabilis.
Analisis Tingkat kesalahan
Tingkat penghilangan dan area yang diprediksi sebagai fungsi dari ambang batas kumulatif. Terdapat beberapa faktor yang harus diperhatikan dalam penginputan data titik koordinat maupun data variabel lingkungan yang mencakup jenis tanah, ketinggian tempat, tutupan lahan, kelerengan, jarak dari sungai, jarak
dari jalan maupun bioiklim yang akan dianalisis sebagai parameter perkiraan kondisi kesesuaian habitat pada A. variabilis. Hasil persentasi kontribusi akan dipaparkan setiap pengaruh parameter terhadap titik koordinat temuan.
Sistem MaxEnt akan menampilkan parameter tertinggi hingga terendah sesuai dengan kontribusi namun adakalanya parameter yang memiliki pengaruh terhadap temuan titik koordinat A. variabilis akan ditiadakan pada hasil akhir analisis. Selain data titik koordinat, luas wilayah jangkauan juga mempengaruhi hasil dari prediksi dimana wilayah yang terlalu luas dengan temuan titik koordinat sampel akan memunculkan bias. Menurut pernyataan Liu et al., (2013) menyatakan dalam hubungan garis sampel dengan garis predicted omission, jika garis sampel semakin menjauhi garis predicted omission, maka hal tersebut dapat menunjukkan bahwa model memiliki kemampuan yang baik dalam memprediksi keberadaan spesies pada area positif dan negatif.
Berdasarkan pengamatan dapat diketahui jika garis sampel semakin mendekati garis predicted omission, maka hal tersebut dapat menunjukkan bahwa model memiliki kemungkinan untuk overfitting atau terlalu fokus pada data yang digunakan untuk melatih model, sehingga model dapat mengalami kesalahan saat digunakan pada data yang belum diobservasi. Hal ini didukung oleh Merow et al., (2013) yang menyatakan bahwa apabila garis sampel semakin menjauhi garis predicted omission, dapat diartikan sebagai minimnya temuan sampel, sebaliknya apabila garis lain mendekati garis predicted omission maka dapat dikatakan data semakin baik.
Analisa pemodelan MaxEnt, tingkat kesalahan positif palsu (commission) dapat memberikan informasi tentang sejauh mana model cenderung memberikan prediksi yang salah tentang kehadiran spesies di lokasi yang sebenarnya tidak memiliki spesies tersebut. Semakin rendah tingkat kesalahan positif palsu (FPR), semakin baik kinerja model dalam menghindari kesalahan klasifikasi tersebut.
Tingkat penghilangan harus mendekati penghilangan yang diprediksi, karena definisi ambang batas kumulatif dapat dilihat pada Gambar 5.
Gambar 5. Kurva analisis kesalahan kesesuaian habitat A. variabilis
Gambar 5. Menunjukkan kurva analisis kesalahan yang terjadi pada pemodelan MaxEnt. Uji sensitivitas dilakukan dengan menggunakan titik temuan A. variabilis untuk mengevaluasi tingkat kesalahan dalam analisis data. Dalam analisis ini ditampilkan grafik Training data, test data dan Random prediction.
Training data merupakan data yang digunakan untuk melatih atau mengembangkan model MaxEnt. Data ini terdiri dari lokasi-lokasi yang diketahui kehadiran atau ketidakhadiran spesies yang ingin diprediksi. Model MaxEnt menggunakan training data untuk mempelajari hubungan antara variabel lingkungan (misalnya, temperatur, curah hujan, jenis tanah) dengan kehadiran atau ketidakhadiran spesies, dan menghasilkan fungsi distribusi probabilitas yang menggambarkan preferensi habitat spesies.
test data merupakan data yang terpisah dari training data yang digunakan untuk menguji kinerja model MaxEnt yang telah dilatih. test data biasanya terdiri dari lokasi-lokasi yang tidak digunakan dalam proses pelatihan model. Dengan menggunakan test data, model MaxEnt diuji pada kemampuannya untuk
memprediksi kehadiran atau ketidakhadiran spesies di lokasi yang belum diketahui.
Random prediction atau prediksi acak digunakan sebagai pembanding atau baseline untuk mengukur kinerja model MaxEnt. Dengan membandingkan hasil prediksi model MaxEnt dengan random prediction, kita dapat menilai apakah model memiliki kemampuan untuk menghasilkan prediksi yang lebih baik daripada sekadar menebak secara acak.
Nilai AUC test adalah nilai yang didapatkan pada pengujian 30% sampel yang diambil secara acak. Semakin tinggi nilai tingkat AUC maka akurasi model data semakin baik. Dalam rentang ini nilai AUC yang masuk dalam kategori baik dari angka 0,8 hingga mencapai rentang angka 1. Hasil validasi model dapat dilihat di kurva pada Gambar 6.
Gambar 6. Validasi model menggunakan ROC Grafik
Gambar 6. Merupakan hasil analisis validasi model menggunakan ROC grafik analisa MaxEnt. Pada Hasil output MaxEnt menggunakan seluruh variabel yang sudah dilakukan seleksi ulangan menunjukkan nilai AUC pada model kesesuaian habitat A. variabilis sebesar 0,964. Dengan demikian model ini dapat
diklasifikasikan sebagai model yang baik. Nilai yang didapatkan tersebut menunjukkan bahwa pemodelan yang dibuat dapat digunakan dan memiliki akurasi yang tinggi. Pemilihan metode AUC dalam proses validasi karena metode ini merupakan metode standar untuk menguji validitas suatu pemodelan, selain itu AUC juga memberikan keuntungan bagi pengguna yakni menghindari subjektivitas pada proses pemilihan batas (Lobo et al., 2008).
Uji Variabel Prioritas Analisis MaxEnt
Pengaruh variabel lingkungan pada pemodelan kesesuaian habitat A.
variabilis ditunjukan berdasarkan hasil dari analisis Jacknife. Metode ini merupakan suatu cara untuk menduga kepentingan atau kontribusi tiap variabel lingkungan yang digunakan pada pemodelan (Negga, 2007). Hasil analisis data dari seluruh ulangan menunjukkan variabel yang paling berpengaruh dalam penentuan kesesuaian habitat A. variabilis adalah pada variabel jenis tanah memberikan kontribusi sebanyak 36,57 %, rata rata rentang suhu bulanan memberi kontribusi 17,35 %, dan curah hujan dengan kontribusi 12,90 % disusul dengan variabel lainnya seperti yang terlihat pada Tabel 4.
Tabel 4. Persentase Tiap Variabel Kesesuaian Habitat A. variabilis.
No Variabel % kontribusi
1. Jenis Tanah 36,57
2. Rata-rata Rentang Suhu Bulanan 17,35
3. Curah Hujan Kuartal Terpanas 12,90
4. Jarak dari Jalan 11,55
5. Tutupan Lahan 8,84
6. Kelerengan 6,05
7.
8.
9.
Jarak dari Sungai Ketinggian Topografi
4,02 3,42 3,12
Tabel 4. Menunjukkan bahwa tempat tumbuh A.variabilis sangat dipengaruhi oleh sifat tanah. Berdasarkan data pengukuran pH tanah di lapangan diperoleh rata rata pH tanah berkisar 6,1-7. Hal ini sesuai dengan pernyataan Sutedjo (2002) yang, menyatakan bahwa tanah yang subur adalah tanah yang mempunyai profil yang dalam (kedalaman yang sangat dalam melebihi 150 cm);
strukturnya gembur; pH 6,0-6,5; kandungan unsur haranya yang tersedia bagi tanaman adalah cukup; dan tidak terdapat faktor pembatas dalam tanah untuk
pertumbuhan tanaman. Wahidah (2022) menyebutkan bahwa habitat A.variabilis lebih dominan di wilayah yang subur, berada di dataran rendah, dengan kondisi yang cukup basah (curah hujan 500-1000 mm/tahun) dengan suhu maksimal 31 o C.
A. variabilis, seperti tanaman lainnya, dipengaruhi oleh berbagai faktor termasuk jenis tanah tempat ia tumbuh.
Pertumbuhan tanaman dipengaruhi oleh kondisi fisik dan kimia tanah seperti struktur, tekstur, keasaman, ketersediaan nutrisi, dan banyak lagi. Hal ini didukung oleh Suryani dan Supriadi (2013) menyatakan bahwa beberapa sifat tanah yang umum digunakan untuk menumbuhkan amorphophallus, termasuk tanah lempung, tanah liat, tanah humus, dan tanah subur. Tanah lempung dan liat dapat memperbaiki ketersediaan air dan nutrisi, tetapi cenderung memiliki drainase yang buruk dan rentan terhadap penggumpalan. Di sisi lain, tanah humus yang kaya akan nutrisi dan bahan organik dapat menciptakan lingkungan yang ideal untuk pertumbuhan tanaman. Selain itu tanah subur yang memiliki ketersediaan nutrisi yang baik dan drainase yang baik juga dapat mendukung pertumbuhan tanaman Amorphophallus, termasuk A. variabilis.
Beberapa sifat tanah di mana A. variabilis dapat tumbuh termasuk tanah liat, tanah berpasir, tanah kapur, dan tanah lempung. Menurut Salas-Morales dan Galicia (2019) tanah liat dan tanah lempung cenderung mempertahankan kelembaban yang lebih baik daripada tanah berpasir dan tanah kapur. Kelembaban tanah dapat mempengaruhi keberadaan tanaman, karena kelembaban yang tepat dibutuhkan untuk pertumbuhan dan perkembangan yang optimal. Hal ini didukung dengan pernyataan Chen et al., (2015) yang menyatakan bahwa kandungan nutrisi dalam tanah juga dapat mempengaruhi keberadaan A. variabilis. Tanah yang kaya akan nutrisi seperti nitrogen, fosfor, dan kalium dapat meningkatkan pertumbuhan tanaman dan ketersediaan nutrisi bagi A. variabilis.
Menurut Hidayat dan Febriani (2021) beberapa pengaruh ketinggian tempat terhadap pertumbuhan A. variabilis antara lain; suhu udara yang dipengaruhi oleh ketinggian. Pada ketinggian yang lebih tinggi, suhu cenderung lebih rendah daripada di dataran rendah. Perubahan suhu ini dapat mempengaruhi metabolisme tanaman dan kecepatan pertumbuhan. Suhu rendah dapat memperlambat proses fotosintesis dan menghambat pertumbuhan akar tanaman. Oleh karena itu, perlu
diperhatikan bagaimana suhu yang lebih rendah pada ketinggian yang lebih tinggi dapat mempengaruhi pertumbuhan A. variabilis. Lestari et al., (2021) menyatakan bahwa pada ketinggian yang lebih tinggi, kepadatan atmosfer yang lebih rendah dapat menyebabkan paparan yang lebih tinggi terhadap radiasi ultraviolet (UV).
Radiasi UV yang berlebihan dapat merusak jaringan tanaman dan menghambat pertumbuhan. Namun, tanaman juga membutuhkan cahaya untuk fotosintesis. Oleh karena itu, perlu dipelajari bagaimana intensitas cahaya yang berbeda pada ketinggian yang lebih tinggi dapat mempengaruhi pertumbuhan A. variabilis.
Menurut Effendi dan Munawaroh (2020) kondisi tanah pada ketinggian yang lebih tinggi cenderung lebih kering dan lebih kasar daripada tanah pada ketinggian yang lebih rendah. Ini dapat mempengaruhi pertumbuhan akar tanaman dan ketersediaan nutrisi di dalam tanah. Sementara itu, tanah pada ketinggian yang lebih rendah mungkin lebih lempung dan memiliki kemampuan menahan air yang lebih baik. Perbedaan dalam tekstur tanah ini dapat mempengaruhi retensi air, ketersediaan nutrisi, dan pertumbuhan akar tanaman. Menurut Wulandari et al., (2022) ketinggian tempat dapat mempengaruhi pertumbuhan A. variabilis. Namun, faktor-faktor seperti suhu, intensitas cahaya, tekstur tanah, dan curah hujan dapat berinteraksi dan saling mempengaruhi dalam mempengaruhi pertumbuhan tanaman. Oleh karena itu, perlu diperhatikan bagaimana tekstur tanah yang berbeda pada ketinggian yang berbeda dapat mempengaruhi pertumbuhan A. variabilis.
Curah hujan menjadi salah satu faktor penting terhadap pertumbuhan dan persebaran A. variabilis. Menurut Purwanto et al., (2018) yang menyatakan bahwa curah hujan yang rendah atau tidak merata selama musim pertumbuhan dapat mengurangi produksi umbi dan memperlambat pertumbuhan tanaman. Jika curah hujan terlalu tinggi, kelebihan air dapat menyebabkan genangan air dan menghambat pertumbuhan akar. Hal ini juga dapat menyebabkan kerusakan pada umbi tanaman, misalnya oleh jamur dan penyakit lainnya. Menurut pernyataan Suwigno et al., (2019) Tanaman A. variabilis, juga dikenal sebagai "elephant foot yam", adalah tanaman umbi yang tumbuh di daerah tropis.
Tumbuhan ini membutuhkan kondisi tumbuh yang cukup lembab dan curah hujan yang cukup tinggi untuk tumbuh dengan baik. Curah hujan yang terlalu tinggi dapat meningkatkan kelembaban secara berlebih dan suhu di sekitar tanaman
menjadi lebih rendah, yang memungkinkan perkembangan organisme patogen yang dapat menyebabkan tanaman A. variabilis mati. Curah hujan yang terlalu rendah juga dapat menurunkan kelembaban dan terjadi peningkatan suhu yang menyebabkan A. variabilis mengalami stres kekeringan dan berhenti tumbuh atau bahkan mati. Jika tanah terlalu kering, produksi umbi juga dapat terpengaruh dan mengurangi hasil panen. Hal ini didukung dengan pernyataan Wahidah (2022) yang menyatakan bahwa untuk pertumbuhan optimal, spesies ini membutuhkan daerah dengan curah hujan antara 1000-1500 mm/tahun.
Suhu memainkan peran penting dalam pertumbuhan tanaman A. variabilis.
Hasil pengukuran data suhu di lapangan didapatkan data suhu rata-rata berkisar 21,5- 25 oC . Tanaman ini lebih memilih suhu yang hangat dan lembab untuk tumbuh dan berkembang dengan baik. Tanaman ini tumbuh optimal pada suhu 25- 35°C, dan membutuhkan suhu minimum sekitar 15-20°C untuk tumbuh dengan baik. Hal ini sesuai dengan pernyataan (Susanto, 2020) yang menyatakan bahwa suhu udara berkisar antara 20− 30 oC, pada suhu di atas 35 oC daun akan terbakar dan pada suhu rendah amorphophallus mengalami dormansi. Suhu yang terlalu rendah atau terlalu tinggi akan menyebabkan pertumbuhan A. variabilis terhambat, dormansi bahkan mati.
Hal ini didukung dengan pernyataan Suwignyo et al., (2019) yang menyatakan bahwa pada suhu yang lebih rendah dari 15°C, pertumbuhan tanaman A. variabilis dapat menjadi terhambat dan bahkan berhenti. Pada suhu yang terlalu tinggi, tanaman dapat mengalami stres panas dan pertumbuhannya dapat melambat atau bahkan mati. Hasil analisa pemodelan kesesuaian habitat A. variabilis ini menunjukkan bahwa jenis tanah (tanah humic gleysol, humic andosol, ferric acrisol, plinthic acrisol, humic cambisol, dystric fluvisol, orthic podzol, humic acrisol, orthic ferrasol, dystric acrisol, dystric cambisol, dan dystric histosol), rata- rata rentang suhu bulanan dan curah hujan kuartal terpanas merupakan pengaruh terbesar.
Hasil analisa pemodelan kesesuaian habitat A. variabilis ini menunjukkan bahwa jenis tanah, rata-rata rentang suhu bulanan dan curah hujan kuartal terpanas merupakan pengaruh terbesar. pada pemodelan yang terdapat pada Gambar 7.
Gambar 7. Pengaruh variabel lingkungan terhadap nilai test gain yang didapatkan. (Keterangan: altitude_variabilis = Ketinggian tempat, bio12_variabilis = Curah hujan tahunan, bio18_variabilis = curah hujan kuartal terpanas, bio1_variabilis = Suhu rata rata tahunan, bio2_variabilis= rata rata rentang suhu bulanan, cover_variabilis(categorical)= Tutupan_lahan,jlndistance_variabilis = jarak dari jalan, slope_variabilis=kelerengan, Soil_variabilis(categorical)= jenis tanah, sungaidistance_variabilis= jarak dari sungai)
(Keterangan : warna biru muda hanya menggunakan salah satu variabel lingkungan; warna biru tua tidak menggunakan salah satu variabel lingkungan; warna merah menggunakan seluruh variabel lingkungan)
Gambar 7. Menunjukkan pengaruh setiap variabel lingkungan terhadap nilai test gain yang didapatkan. Suhu sebagai parameter dalam analisis MaxEnt yang mengontrol kompleksitas model yang dihasilkan. Menurut Merow et al., (2013) kompleksitas model MaxEnt dapat diatur melalui parameter "feature types",
"regularization multiplier", dan "number of background points". Semakin kompleks model, semakin banyak variabel lingkungan yang digunakan dan semakin besar nilai parameter "regularization multiplier". Semakin banyak juga titik latar belakang (background points) yang digunakan dalam pemodelan.
Analisis MaxEnt, suhu berfungsi sebagai parameter analisis (tuning) yang penting. Dalam hubungan suhu dan kompleksitas model MaxEnt, penambahan
variabel lingkungan seperti suhu dapat meningkatkan kompleksitas model MaxEnt.
Penambahan variabel lingkungan juga dapat mempengaruhi nilai parameter
"regularization multiplier" dan jumlah titik latar belakang yang digunakan dalam pemodelan. Hal ini didukung dengan pernyataan Elith et al., (2011) yang menyatakan bahwa penambahan variabel lingkungan seperti suhu juga dapat meningkatkan kemampuan model MaxEnt dalam memprediksi kemungkinan keberadaan spesies, terutama jika suhu memiliki pengaruh yang signifikan terhadap keberadaan spesies yang dipelajari.
Hasil Analisis MaxEnt, curah hujan dapat digunakan sebagai salah satu variabel lingkungan untuk memprediksi kemungkinan keberadaan spesies. Curah hujan dapat mempengaruhi variabel lingkungan seperti kelembaban tanah, ketersediaan air, dan suhu, yang semuanya dapat mempengaruhi distribusi organisme atau kejadian yang sedang dipelajari. Menurut Nurfadilah dan Kurniawan (2017) curah hujan yang rendah atau tidak merata selama musim pertumbuhan dapat mengurangi produksi umbi dan memperlambat pertumbuhan tanaman A. variabilis. Oleh karena itu, keberadaan spesies ini dapat lebih sering ditemukan di daerah dengan curah hujan yang lebih tinggi. Penggunaan data curah hujan yang akurat dan relevan dalam analisis MaxEnt dapat meningkatkan akurasi dan validitas model yang dihasilkan (Hijmans et al., 2005).
Curah hujan dapat menjadi salah satu variabel lingkungan yang diuji dalam Jacknife MaxEnt untuk mempelajari pengaruhnya terhadap pemodelan A.
variabilis. Hasil dari Jacknife MaxEnt dapat memberikan informasi tentang variabel lingkungan yang paling penting dan yang kurang penting dalam memodelkan distribusi spesies. Pada Jacknife menggunakan AUC menunjukkan bahwa Jenis tanah, Suhu, kelerengan, ketinggian tempat dan Curah hujan merupakan pengaruh terbesar pada pemodelan yang terdapat pada Gambar 8.