PENYUSUNAN TABEL VOLUME LOKAL TEGAKAN HUTAN ALAM PADA AREAL IUPHHK PT. TRISETIA INTIGA DI KABUPATEN LAMANDAU, KALIMANTAN TENGAH
MOHAMAD FATAH NOOR
DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR 2009
PENYUSUNAN TABEL VOLUME LOKAL TEGAKAN HUTAN ALAM PADA AREAL IUPHHK PT. TRISETIA INTIGA DI KABUPATEN LAMANDAU, KALIMANTAN TENGAH
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan Pada Fakultas Kehutanan Kehutanan Institut Institut Pertanian Bogor
MOHAMAD FATAH NOOR E14104058
DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR 2009
RINGKASAN Mohamad Fatah Noor. Penyusunan Tabel Volume Lokal Tegakan Hutan Alam pada Areal IUPHHK PT. Trisetia Intiga di Kabupaten Lamandau Kalimantan Tengah. Dibimbing oleh BUDI KUNCAHYO dan I NENGAH SURATI JAYA. Berdasarkan peraturan Menteri Kehutanan nomor P34/Menhut-II/2007 tentang pedoman inventarisasi hutan menyeluruh berkala bahwa setiap Izin Usaha Pemanfaatan Hasil Hutan Kayu dalam Hutan Alam dan Izin Usaha Pemanfaatan Hasil Hutan Kayu dalam Hutan Tanaman IUPHHK diwajibkan menyusun Rencana Kerja Usaha Pemanfaatan Hasil Hutan Kayu sepuluh tahunan (Pasal 73 dan 75 Peraturan Pemerintah Nomor 6 Tahun 2007) berdasarkan hasil Inventarisasi Hutan Menyeluruh Berkala. Dalam kegiatan inventarisasi hutan, dilakukan pengukuran terhadap dimensi-dimensi pohon maupun tegakan, yang kadang-kadang sulit dan tidak praktis. Oleh karena itu, ketersediaan alat bantu dalam inventarisasi hutan adalah sangat diperlukan, untuk mempercepat kegiatan dan memperkecil kesalahan yang terjadi dalam pengukuran. Alat bantu yang dimaksud antara lain kurva tinggi pohon, tabel volume pohon dan kurva diameter tajuk yang berkaitan langsung dengan kegiatan inventarisasi hutan menyeluruh berkala yang dilakukan. Tujuan utama dari penelitian ini adalah untuk penyusunan tabel volume pada areal UPHHK PT. Trisetia Intiga. Tabel volume yang disusun dikelompokkan menjadi kelompok jenis meranti dan non-meranti (rimba campuran). Data dianalisis menggunakan seperangkat komputer yang dilengkapi dengan perangkat lunak Minitab 14. Alat-alat bantu yang digunakan selama pengambilan data di lapangan mencakup GPS, Phi-band, Sonin, Haglof, kamera dijital dan meteran. Rangkaian metode penelitian terdiri dari penentuan jumlah dan pemilihan pohon contoh, pengukuran, penentuan volume pohon contoh, dan analisis data. Berdasarkan kriteria pemilihan model yaitu besarnya nilai koefisien determinasi, simpangan baku, uji F, uji diagnostik baris, maka model yang terpilih 2.87 -0.0041 D untuk jenis meranti adalah sebagai berikut V = 0.0000562 D 10 , sedangkan untuk kelompok jenis non-meranti diperoleh persamaan terbaik yaitu V 2.69 -0.00175 D = 0.0000724 D 10 . Selanjutnya dari persamaan terbaik untuk lokasi areal PT. Trisetia Intiga, dilakukan perbandingan terhadap persamaan penduga volume pohon Propinsi Kalimantan Tengah. Kriteria yang diuji adalah nilai simpangan agregat relative, nilai simpangan rata-rata, RMSE, Bias, dan nilai 2 X hitung diperoleh persamaan terbaik untuk lokasi areal PT. Trisetia Intiga 2.87 -0.0041 D adalah: 0.0000562 D 10 untuk kelompok jenis meranti, sedangkan 2.69 persamaan regresi untuk kelompok jenis non-meranti adalah V = 0.0000724 D -0.00175 D 10
Kata kunci: Sediaan tegakan, Purposive sampling method , kelompok jenis meranti dan non-meranti.
SUMMARY MOHAMAD FATAH NOOR. Establishing Local Volume Table For Natural Forest in Area of PT. Trisetia Intiga in Kalimantan Tengah. Under Supervision of Budi Kuncahyo and I Nengah Surati Jaya
Based on the Minister of Forestry’s decree no P34/ Menhut-II/ 2007 on implementation of forest inventory for whole area (IHMB) of each concession area (IUPHHK) either for natural forest or plantation forest, the concession holder is obligated to establish work plan for forest product utilization (section 73 and 75 Government Regulation No. 6 Year 2007) on the basis of the result of IHMB. During implementation of tree measurement in the field, all tree dimensions should be measured. This field measurement might be impractical and somehow difficult to be implemented. Thus, to facilitated this measurement, as well as to reduce human error, it is needed to establish supporting tools that include tree height curve, tree volume table and crown diametre curve. The main objective of this research is to establish volume table for concession area of PT. Trisetia Intiga. The developed volume tables are classified into meranti classes and non-meranti classes. The data were analyzed using computer with minitab-14’s software. The supporting equipments that used during data measurement in the field are GPS, Phi-band, Sonin distance measurement tool, Haglof height measurement tool, digital camera and other measuring tools. The procedure of this research includes data collection and selection of tree sample, measurement of tree dimension, data analysis and reporting. The criteria of model determination used are cofficient of determination, standard deviation, F-test and line diagnostic test. The selected models are V = 0.0000562 D 2.87 10 -0.0041 D for meranti class and V = 0.0000724 D 2.69 10 -0.00175 D for non-meranti class. Then based on comparison analysis with the estimation model for Kalimantan Tengah Province using agregat deviation value, RMSE, bias, X2(Khi-kuadrat), the best models are V = 0.0000562 D 2.87 10 -0.0041 D for 2.69 -0.00175 D meranti and V = 0.0000724 D 10 for non-meranti classes.
Key words: Standing stock, Purposive sampling method , meranti and non-meranti classes
© Hak cipta milik IPB, tahun 2009 Hak cipta dilindungi Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam bentuk apapun, baik cetak, fotokopi, mikrofilm, dan sebagainya
PERNYATAAN
Dengan ini saya menyatakan bahwa skripsi berjudul Penyusunan Tabel Volume Lokal Tegakan Hutan Alam pada Areal IUPHHK PT. Trisetia Intiga di Kabupaten Lamandau, Kalimantan Tengah adalah benar-benar hasil karya saya sendiri dengan bimbingan dosen pembimbing dan belum pernah digunakan sebagai karya ilmiah pada Perguruan Tinggi atau lembaga manapun. 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.
Bogor, April 2009
Mohamad Fatah Noor NRP. E14104058
Judul
: Penyusunan Tabel Volume Lokal Tegakan Hutan Alam pada Areal IUPHHK PT. Trisetia Intiga di Kabupaten Lamandau, Kalimantan Tengah
Nama Mahasiswa
: Mohamad Fatah Noor
Nomor Pokok
: E14104058
Departemen
: Manajemen Hutan
Menyetujui: Komisi Pembimbing
Ketua,
Anggota,
Dr.Ir Budi Kuncahyo,MS NIP. 131 578 798
Prof. Dr. Ir. I Nengah Surati Jaya, M.Agr NIP. 131 578 785
Mengetahui : Dekan Fakultas Kehutanan Institut Pertanian Bogor
Dr. Ir. Hendrayanto , M. Agr NIP. 131 578 788
Tanggal :
RIW YAT HI UP
Penulis dilahirkan di Jakarta 28 uni 1986, merupakan anak edua dari empat bers udara dari pasangan Bapak Anis Puar alm) dan Ibu Mimmy Sudarni.
enulis menyelesaikan
Sekol h Meneng h Umum I lam Terpa u Nurul Fiikri Depok pada ahun 2001 2004, pada tahun 200
melalui j lur SPMB
(Selek si Penerimaan Mahasiswa Baru) penulis diterima di rogram Strata 1 Departemen Mana emen Huta . Dalam masa st dinya pen lis mengik uti kegiata Hutan pad
Praktek engenalan
tahun 2007 di Baturaden-Cila ap, Jawa Tengah d n Praktek
Pengelolaan Hutan di
esa Getas, Kecamatan Randublat ng, Kabup ten Blora,
awa Teng h. Tahun 2008 penulis mengik ti praktek kerja lapang di PT. Korintiga Hutani Kabupaten Lamandau, Kalim ntan Tenga . Sela a menuntut ilmu di IPB, penulis aktif di sejumlah organisasi kemahasiswaan yaitu sebagai Kepala bidang Medikom
an Hublu Himpunan
Mahasiswa Profesi Fo est Manag ment Stud nts Club ( impro FMSC) tahun 005-2006, Ketua Presidium Himpunan Maha iswa Profe i Forest M anagement tudents Cl b (Himpro FMSC) ta un 2006, a nggota Uni Kegiatan Mahasiswa
(UKM) Persatuan Tenis Meja IPB tahun 2006-2007, Steering Com ittee (SC) ina Corps Rimbawan (BCR) dan Ketua Um m Himpunan Mahasiswa Profesi Forest Management St udents Clu
(Himpro
uga aktif sebagai asisten praktek pengelolaa
MSC) tahun 2006-20 7. Penulis hutan (P2H) di Gun ng Walat,
Sukabumi pada tahun 2 08. Sebagai salah sa u syarat un uk memper leh gelar Sarjana Kehutanan Pada Program St di Manaje en Hutan, Fakultas Kehutanan, Institut Pertanian Bogor, enulis menyusun skripsi berjudul Penyusun n Tabel V lume Lok l Tegakan Hutan Alam pada
real IUP HK PT. Trisetia I tiga di
Lamandau, Kalimant n Tengah” di bawa
Kuncahyo,
bimbinga
S dan Pro . Dr. Ir. I N ngah Surati Jaya, M. Agr
abupaten
Bapak Dr. Ir Budi
UCAPAN TERIMA KASIH
Segala puji hanyalah milik Allah SWT. karena hanya dengan kasih sayang-Nya akhirnya skripsi dengan judul Penyusunan Tabel Volume Lokal Tegakan Hutan Alam pada Areal IUPHHK PT. Trisetia Intiga di Kabupaten Lamandau, Kalimantan Tengah dapat diselesaikan.
Keberhasilan penulis dalam menyelesaikan karya ini tentunya tidak terlepas dari dukungan berbagai pihak. Pada kesempatan ini penulis ingin mengucapkan terimakasih kepada: 1. Kedua orang tua, mama Mimmy Sudarni atas kasih sayang, nasihat hidup, kesabaran dan lantunan do’a yang tak pernah putus hingga tak terhitung tetesan air mata dan keringat yang telah dikeluarkan. Almarhum Bapak Anis Puar atas segala ajaran nilai, etika, dan moral kehidupan. 2. Abang dan kedua adik, bang Lutfi, Umar dan Falah atas senyuman yang selalu menghiasi kehidupan sehari-hari penulis. 3. Bapak Dr. Ir. Budi Kuncahyo, MS sebagai pembimbing I yang telah memberikan nasihat, bimbingan dan arahan dalam penyelesaian skripsi ini. 4. Bapak Prof. Dr. Ir. I Nengah Surati Jaya, M.Agr sebagai pembimbing II yang telah memberikan nasihat, bimbingan dan arahan serta kesabaran dalam penyelesaian skripsi ini. 5. Bapak Dr. Ir. I Wayan Darmawan, MS selaku dosen penguji dari Departemen Hasil Hutan dan Bapak Dr. Ir. Agus Hikmat, MS selaku dosen penguji dari Departemen Konservasi Sumberdaya Hutan dan Ekowisata atas saran perbaikan dan nasehat yang disampaikan kepada penulis. 6. Pak Uus dan Mas Edwine atas semua ilmu, bantuan dan motivasi yang telah diberikan. 7. Bapak DR. Kim Young Cheol, Direktur PT. Trisetia Intiga, Kalimantan Tengah atas ijin dan kesempatannya untuk melakukan penelitian di areal kerja PT. Trisetia Intiga. 8. Bapak Margono, staf Divisi Kehutanan PT. Trisetia Intiga, Kalimantan Tengah atas bantuan komunikasi sehingga penelitian ini dapat terlaksana dengan lancar.
9. Bapak Rifky Arifiyanto, S.Hut selaku manajer perencanaan PT. Trisetia Intiga atas semua bantuannya selama pengambilan data. 10. Bapak Soni dan keluarga besar Camp Palikodan yang telah mengisi kehidupan sehari-hari penulis selama pengambilan data. 11. Keluarga besar Lab. Remote Sensing: Bejo, Baki, Pipit besar, Pipit kecil, Nyoti yang telah mengisi kehidupan sehari-hari penulis dalam penyelesaian skripsi. 12. Rekan-rekan Manajemen Hutan 41: Nurlita, Christina, Khalifah, Topan, Babeh, Fitri, Ayu, , Clod, Nayu, Linda, Edo, Nur, Ilyas, Venti, Topan, Sudiah, Priyo, Amri, Iis, Pampam, Sandi, Dodo, Juli, Satrio, Budi, Eko, Rejos, Puji, Wati, Feri dan semua yang tidak disebutkan, terima kasih atas dukungan dan empati yang diberikan selama studi. 13. Rizki Nugraha, Priyo dan Ahmad Zamhari yang telah ikhlas laptop, kamera dijital dan printernya dipinjamkan untuk mengerjakan penelitian ini serta bantuan lainnya. Serta Fitroh, Ariyanto, Dewi R, Fenoy, Islamy, Bayu dan Cindera, atas lantunan do,a dan dukungan moral selama mengerjakan penelitian ini. 14. Keluarga besar Pondok Ar-Razak, Padepokan Bukit Tengkorak (PBT), Wisma Madinah dan Dar E’ Syabaab atas kekeluargaan dan pengertiannya selama hidup dalam satu atap. 15. Seluruh rekan-rekan yang pernah berjuang bersama di HIMPRO Forest Management Students Club 2006/2007 atas dedikasi dan persahabatan yang terjalin selama berorganisasi. 16. Kepada semua pihak yang tidak dapat disebutkan satu persatu yang turut memberikan sumbangsihnya yang tidak ternilai.
i
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT atas segala Rahmat dan Hidayah-Nya, sehingga penyusunan Tugas Akhir ini dapat diselesaikan. Tugas akhir ini disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada Departemen Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor. Tema yang dipilih dalam penelitian ini adalah Penyusunan Tabel Volume Lokal Tegakan Hutan Alam pada Areal IUPHHK PT. Trisetia Intiga di Kabupaten Lamandau, Kalimantan Tengah dibawah bimbingan Dr. Ir. Budi Kuncahyo, MS dan Prof. Dr. Ir. I Nengah Surati Jaya, M. Agr. Penyusunan Tugas Akhir ini adalah sebagai wahana bagi penulis untuk melatih keterampilan dan wawasan penulis dalam menyusun sebuah Karya Ilmiah. Kritik dan saran yang bersifat membangun bagi penyusun tulisan ini sangat diharapkan. Semoga Tugas Akhir ini dapat bermanfaat bagi pembangunan hutan di Indonesia.
Bogor, April 2009
Penulis
ii
DAFTAR ISI
Halaman
KATA PENGANTAR DAFTAR ISI
...................................................................................... i
..................................................................................................... ii
DAFTAR TABEL
............................................................................................ iii
DAFTAR GAMBAR .........................................................................................
v
DAFTAR LAMPIRAN .....................................................................................
vi
BAB I
PENDAHULUAN
1.1 Latar Belakang ............................................................................ 1 1.2 Tujuan .......................................................................................... 2 1.3 Manfaat ........................................................................................ 2 BAB II
METODE PENELITIAN
2.1 Waktu dan Tempat ...................................................................... 3 2.2 Data dan Alat ............................................................................... 3 2.3 Metode Penelitian ......................................................................... 5 BAB III KEADAAN UMUM LOKASI PENELITIAN
3.1 Letak dan Luas IPHHK ................................................................ 19 3.2 Geologi dan tanah ........................................................................ 19 3.3 Keadaan Hutan ........................................................................... 20 3.4 Topografi Lahan .......................................................................... 21 BAB IV HASIL DAN PEMBAHASAN
4.1 Penentuan Pohon Contoh ............................................................. 23 4.2 Penyusunan Model Persamaan Regresi ....................................... 23 4.3 Validasi Model ........................................................................... 36 4.4 Validasi Model Propinsi Kalimantan Tengah ............................. 39 BAB V
KESIMPULAN
5.1 Kesimpulan .................................................................................. 43 5.2 Saran ............................................................................................ 43 DAFTAR PUSTAKA ....................................................................................... 44 LAMPIRAN ...................................................................................................... 46
iii
DAFTAR TABEL
No. 1
Halaman
Analisa keragaman pengujian regresi ....................................................... 13
2. Formasi geologi areal IUPHHK PT. Trisetia Intiga ................................. 20 3. Jenis tanah yang terdapat di areal IUPHHK PT. Trisetia Intiga............... 20 4. Wilayah IUPHHK PT. Trisetia Intiga yang overlap penggunaannya dengan perkebunan ................................................................................. 21 5. Kondisi topografi lahan ............................................................................ 21 6. Sebaran data pohon contoh ....................................................................... 23 7. Nilai R2, r persamaan regresi dan hasil uji transformasi Z-fisher ............ 24 8. Persamaan regresi yang diperoleh untuk kelompok jenis meranti ........... 25 9. Persamaan regresi yang diperoleh untuk jenis non- meranti .................... 25 10. Nilai F hitung dan F tabel jenis meranti ................................................... 26 11. Nilai F hitung dan F tabel jenis non-meranti ............................................ 26 12. Nilai simpangan baku dan Press untuk jenis meranti ............................... 27 13. Nilai simpangan baku dan Press untuk jenis non-meranti ........................ 27 14. Uji pengamatan pencilan T resid jenis meranti ............................................ 32 15. Uji pengamatan pencilan T resid jenis non-meranti .................................... 32 16. Uji pengamatan leverage (Hi) terhadap nilai Hi tabel jenis meranti ........ 33 17. Uji pengamatan leverage (Hi) terhadap nilai Hi tabel untuk ................... kelompok jenis non-meranti ..................................................................... 33 18. Uji pengamatan berpengaruh (Ci) terhadap nilai tabel CookD jenis meranti ...................................................................................................... 34 19. Uji pengamatan berpengaruh (Ci) terhadap nilai tabel CookD jenis non-meranti............................................................................................... 34
iv
20. Persamaan regresi jenis meranti setelah pengamatan pencilan ................ dihilangkan ............................................................................................... 35 21. Penentuan peringkat model penduga volume pohon terbaik berdasarkan kriteria nilai R2, simpangan baku (s), dan Fhitung jenis meranti ............. 35 22. Penentuan peringkat model penduga volume pohon terbaik berdasarkan kriteria nilai R2, simpangan baku (s), dan Fhitung jenis non-meranti ...... 35 23. Simpangan agregat relatif (SAA) dan simpangan rata-rata relatif (SAR) jenis meranti ............................................................................................. 36 24. Simpangan agregat relatif (SAA) dan simpangan rata-rata relatif ........... (SAR) jenis non-meranti........................................................................... 36 25. Nilai simpangan baku (s), RMSE, bias dan Khi-kuadrat jenis meranti .... 37 26. Nilai simpangan baku (s), RMSE, bias dan Khi-kuadrat jenis ................ non-meranti............................................................................................... 37 27. Penentuan peringkat model penduga volume pohon terbaik berdasarkan kriteria nilai RMSE, Simpangan baku(s), dan bias (e) untuk jenis meranti 38 28. Penentuan peringkat model penduga volume pohon terbaik berdasarkan kriteria nilai RMSE, Simpangan baku(s), dan bias (e) untuk jenis nonmeranti ...................................................................................................... 38 29. Penentuan peringkat gabungan untuk kelompok jenis meranti ................ 38 30. Penentuan peringkat gabungan untuk kelompok jenis non-meranti......... 38 31. Nilai SAR dan SRR untuk kelompok jenis meranti ................................. 39 32. Nilai SAR dan SRR untuk kelompok jenis non-meranti .......................... 40 33. Nilai simpangan baku (s), bias dan Khi-kuadrat jenis meranti................. 40 34. Nilai simpangan baku (s), bias dan Khi-kuadrat jenis non-meranti ......... 40 35. Nilai Root mean Square (RMSE) kelompok jenis meranti ...................... 41 36. Nilai Root mean Square (RMSE) kelompok jenis non-meranti ............... 41 37. Peringkat persamaan penduga volume kelompok jenis meranti .............. 42 38. Peringkat persamaan penduga volume kelompok jenis non-meranti ....... 42
v
DAFTAR GAMBAR
No
Halaman
1. (a) Sonin alat ukur jarak dijital, (b) Haglof alat ukur tinggi dijital ........... (c) GPS Trimble Juno ST Pasaman ........................................................... 4 2. Diagram alir penelitian .............................................................................. 18 3. Peta kelas lereng PT. Trisetia Intiga, Kalimantan Tengah ........................ 22 4. Peta penutupan lahan PT. Trisetia Intiga, Kalimantan Tengah ................. 22 5. Diagram pencar hubungan antara sisaan dengan plot peluang .................. normalnya untuk kelompok jenis meranti ................................................. 29 6. Diagram pencar hubungan antara sisaan dengan plot peluang .................. normalnya untuk kelompok jenis non-meranti .......................................... 29 7. Diagram pencar hubungan antara sisaan dengan Y duga untuk ................ kelompok jenis meranti ............................................................................. 30 8. Diagram pencar hubungan antara sisaan dengan Y duga untuk ................. kelompok jenis non-meranti ...................................................................... 31
vi
DAFTAR LAMPIRAN
No
Halaman
1. Analisis regresi kelompok jenis meranti ................................................... 47 2. Analisis regresi kelompok jenis non-meranti ............................................ 50 3. Data pohon contoh kelompok jenis meranti .............................................. 53 4. Data pohon contoh kelompok jenis non-meranti....................................... 56 5. Data validasi kelompok jenis meranti ....................................................... 58 6. Data validasi kelompok jenis non-meranti ................................................ 60 7. Tabel volume lokal kelompok jenis meranti ............................................. 61 8. Tabel volume lokal kelompok jenis non-meranti ...................................... 62 9. Daftar sidik ragam ..................................................................................... 63
BAB I PENDAHULUAN 1.1 Latar Belakang
Berdasarkan Peraturan Menteri Kehutanan nomor P.34/Menhut-II/2007 tentang pedoman inventarisasi hutan menyeluruh berkala bahwa setiap Izin Usaha Pemanfaatan Hasil Hutan Kayu (IUPHHK) dalam Hutan Alam dan IUPHHK dalam Hutan Tanaman, diwajibkan menyusun Rencana Kerja Usaha Pemanfaatan Hasil Hutan Kayu sepuluh tahunan (Pasal 73 dan 75 Peraturan Pemerintah Nomor 6 Tahun 2007) yang disusun berdasarkan inventarisasi hutan berkala sepuluh tahunan yang selanjutnya disebut sebagai Inventarisasi Hutan Menyeluruh Berkala. Kegiatan inventarisasi hutan merupakan salah satu kegiatan yang sangat penting dalam perencanaan hutan. Inventarisasi hutan adalah kegiatan yang dilaksanakan untuk mengetahui dan memperoleh data serta informasi tentang sumberdaya, potensi kekayaan alam hutan serta lingkungannya secara lengkap. Adalah hal yang mutlak bahwa pengelolaan areal hutan secara berkelanjutan membutuhkan jumlah informasi yang besar dan keberlanjutan dari beragam informasi. Ini adalah kenyataan untuk beberapa pengurusan hutan dan juga untuk produksi kayu. Dalam pengertian ini inventarisasi hutan adalah usaha untuk menguraikan kuantitas dan kulitas pohon-pohon hutan serta berbagai karakteristik areal tanah tempat tumbuhnya. Salah satu tujuan dari kegiatan inventarisasi hutan adalah untuk menyajikan taksiran-taksiran kuantitas kayu di hutan menurut suatu urutan klasifikasi seperti jenis atau kelompok jenis, ukuran, kualitas dan sebagainya. Dalam kegiatan inventarisasi hutan, untuk mencapai tujuan tersebut dilakukan pengukuran terhadap dimensi-dimensi pohon maupun tegakan, yang kadang-kadang sulit dan tidak praktis diukur secara langsung dilapangan. Oleh karena itu, ketersediaan ala t bantu dalam inventarisasi hutan adalah sangat diperlukan, untuk mempercepat kegiatan dan memperkecil kesalahan yang terjadi dalam pengukuran.
2
Pengertian alat bantu dalam inventarisasi hutan ini adalah alat yang digunakan untuk mempercepat kegiatan inventarisasi hutan selain alat-alat ukur dimensi pohon maupun dimensi tegakan. Alat bantu yang dimaksud antara lain kurva tinggi pohon, tabel volume pohon dan kurva diameter tajuk yang berkaitan langsung dengan kegiatan inventarisasi hutan menyeluruh berkala yang dilakukan. Di Indonesia telah banyak penelitian tentang pembuatan tabel volume lokal. Diantaranya adalah penelitian Vitta Vurnamawati (2002) yang menyusun tabel volume batang
Gmelina arborea
di areal PT. Wanakasita Nusantara Jambi,
penelitian Priyanto (1999) yang menyusun tabel volume lokal jenis –jenis komersial hutan alam di HPH PT. Harjohn Timber LTD di propinsi Kalimantan Barat.
1.2 Tujuan Penelitian
Tujuan utama dari penelitian ini adalah untuk menyusun tabel volume lokal pada areal IUPHHK PT. Trisetia Intiga.
1.3 Manfaat Penelitian
Manfaat yang didapatkan dari penelitian ini adalah untuk mempermudah dan meningkatkan efisiensi pelaksanaan kegiatan Inventarisasi Hutan Menyeluruh Berkala pada areal IUPHHK PT. Trisetia Intiga, Kalimantan Tengah.
BAB II METODE PENELITIAN 2.1 Waktu dan Tempat
Kegiatan pengambilan data penelitian Penyusunan Tabel Volume Lokal Tegakan Hutan Alam pada Areal IUPHHK PT. Trisetia Intiga di Kabupaten Lamandau, Kalimantan Tengah pada bulan November-Januari 2009, sedangkan kegiatan pengolahan data dilakukan di Laboratorium SIG dan Remote Sensing Fakultas Kehutanan IPB pada bulan Januari-Februari 2009.
2.2. Data dan Alat 2.2.1 Data yang digunakan selama penelitian terdiri dari: a. Pohon contoh untuk kelompok jenis meranti
Suku meranti-merantian atau Dipterocarpaceae merupakan sekelompok tumbuhan pantropis yang anggota-anggotanya banyak dimanfaatkan dalam bidang perkayuan. Suku ini praktis semuanya berupa pohon, yang biasanya sangat besar, dengan ketinggian dapat mencapai 70-85m. Hutan Kalimantan merupakan satu pusat keragaman suku ini. Sesuai surat keputusan Menteri Kehutanan Republik Indonesia No.163/KPTS-II/2003 tentang pengelompokan jenis kayu, beberapa jenis anggota meranti-merantian antara lain: keruing ( Dipterocarpus elongatus), mersawa ( D. crinitus), bangkirai (Shorea laevis), meranti putih/melapi (S. virescens), meranti kuning (S. macroptera), meranti merah (S. parvifolia), meranti batu ( Hopea mengarawan) b. Pohon contoh untuk kelompok jenis non-meranti
Adapun kelompok jenis non-meranti yaitu termasuk dalam kayu rimba campuran, kayu eboni dan kayu indah. Adapun diantaranya yang termasuk dalam kelompok kayu rimba campuran adalah benuang, jabon, bintangur, keranji, ketapang, kempas, dll. kelompok jenis kayu eboni adalah eboni bergaris, eboni hitam, eboni. Kelompok jenis kayu indah diantaranya adalah ulin, bungur dan rengas.
4
2.2.2 Alat-alat yang digunakan dalam penelitian ini adalah: a. Alat Ukur Lapangan
Alat –alat ukur lapangan yang digunakan selama penelitian ini adalah peta lokasi penelitian, GPS, alat ukur tinggi dijital Haglof, Clinometer, Phi-band, tallysheet, alat ukur jarak dijital Sonin dan Kamera dijital
(a)
(b)
(c) Gambar 1 (a).Sonin, alat ukur jarak dijital (b). Haglof ,alat ukur tinggi dijital (c). GPS Trimble Juno ST. b. Software
Perangkat lunak utama yang digunakan dalam penelitian ini adalah Minitab14.
5
c. Hardware
Perangkat keras atau hardware yang digunakan dalam penelitian ini adalah seperangkat computer.
2.3 Metode Penelitian 2.3.1 Penentuan Jumlah dan Pemilihan Pohon Contoh.
Untuk menyusun model penduga volume pohon diperlukan sejumlah pohon contoh dari jenis meranti dan non-meranti. Agar mewakili kelas diameter, maka pohon-pohon contoh dipilih sedemikian rupa sehingga setiap kelas diameter terwakili. Data pohon contoh tersebut dibagi menjadi 2 bagian yaitu data untuk tahap penyusunan model dan data untuk validasi model. Penentuan sampel merupakan kegiatan untuk menentukan pohon-pohon yang dijadikan contoh untuk penyusunan tabel volume. Bustomi, et al. (1998) menyatakan bahwa untuk penyusunan tabel volume diperlukan jumlah pohon contoh yang dikumpulkan dari satu lokasi penelitian minimal 50 pohon contoh. Banyaknya sampel pohon rebah untuk kelompok jenis meranti sebanyak 138 pohon, dimana 89 pohon digunakan untuk menyusun model regresi dan 41 pohon digunakan untuk tujuan uji validasi,sedangkan untuk jenis non-meranti sebanyak 51 pohon contoh digunakan untuk menyusun model regresi dan 36 pohon contoh untuk uji validasi dari model volume terpilih dimana sampel pohon berasal dari lokasi yang sama. Diameter pohon contoh, baik untuk penyusunan model maupun untuk uji validasi model harus tersebar pada setiap kelas diameter. Adapun syaratsyarat pohon yang diambil sebagai sampel antara lain: lurus, tidak menggarpu, bebas dari serangan hama penyakit, batang tidak pecah, setelah tebang. Pemilihan pohon contoh dilakukan secara purposive sampling dengan memperhatikan penyebaran tegakan dalam kelas diameternya. 2.3.2 Pengukuran dan Pengumpulan Data
a. Memilih pohon-pohon contoh yang memenuhi kriteria sebagaimana diuraikan di atas.
6
b. Mengukur diameter setinggi dada (dbh) pada ketinggian 130 cm dari permukaan tanah, atau 20 cm di atas banir untuk tinggi banir lebih dari 1 m. c. Menghitung volume batang rebah dengan cara mengukur peubah-peubah volume yaitu diameter dan tinggi atau panjang batang. Pekerjaan yang dilakukan adalah: 1) Mengukur panjang batang mulai dari potongan bawah sampai batang bebas cabang. Pengukuran dilakukan dengan menggunakan pita ukur. 2) Mengukur diameter setiap seksi dengan panjang 2 meter. Untuk seksi terakhir panjang seksi sama dengan atau di bawah 2 meter. Pengukuran dilakukan dengan metode Smallian yaitu diameter diukur pada pangkal dan ujung seksi. Letak diameter pangkal seksi pertama adalah 30 cm di atas banir. Pengukuran dilakukan dengan melingkarkan pita diameter pada batang. 2.3.3 Penentuan Volume Pohon Contoh
Volume pohon dihitung dengan mencari volume semua seksi pohon pada pohon rebah, kemudian semua volume seksi dijumlahkan. Pendugaan volume dapat secara langsung menggunakan peubah-peubah yang dapat diamati dan diukur langsung dilapangan. Peubah-peubah yang digunakan diantaranya adalah : a. Tinggi bebas cabang (T bc); b. Diameter setinggi dada ( D bh); Penentuan volume dilakukan berdasarkan panjang dan diameter seksi.. Rumus yang digunakan adalah : Rumus Smallian : V = L x ( Gb + Gu ) / 2 di mana : V = Volume seksi ( m3) L = Panjang seksi (m ) Gb = Luas penampang lintang potongan bawah (m2) Gu= Luas penampang lintang potongan atas (m2) Volume pohon per seksi diketahui dari perhitungan dengan menggunakan rumus Smalian. Volume pohon aktual merupakan jumlah dari volume semua seksi dari satu pohon sampel, atau :
7
di mana : Va = volume aktual pohon (m3) Vi = volume seksi ke-I dari satu pohon (m3) 2.3.4 Analisis Data a. Analisa Hubungan Tinggi dengan Diameter
Asumsi dasar yang mendasari penyusunan model penduga volume batang adalah terdapatnya hubungan yang erat antara diameter dan tinggi.
n n n ∑ ∑ ∑ x y ‐ x i i i i 1 i 1 ∑ni1 xi2 ‐ ∑ 2/ ⁄∑nii11yyi2i‐⁄∑nni1 yi2/ atau
dimana: x y n covxy var x var y
: : : : :
:
Tinggi pohon Diameter pohon Jumlah pohon
∑ ⁄ ⁄ ∑∑ ∑∑ ∑ ∑ ⁄⁄⁄⁄
Hubungan linier sempurna antara nilai y dan x dalam contoh apabila nilai r = +1 atau -1. Bila r mendekati +1 atau -1, hubungan antara kedua peubah itu kuat dan berarti terdapat korelasi yang antara keduanya (Walpole,1993). Tingkat ketelitian hubungan tinggi pohon dengan diameter ditunjukan oleh besarnya koefisien determinasi (R 2). Koefisien determinasi sebesar 0,50 merupakan batas minimal yang digunakan dalam menyusun tabel volume yang dianggap cukup seksama. Nilai R 2= 50% atau nilai r = 0,7071 mempunyai pengertian bahwa kurang lebih 50% variasi peubah tidak bebas Y (tinggi
8
pohon) dapat diterangkan oleh adanya variasi peubah bebas X (diameter setinggi dada). Suatu uji untuk menyatakan kapan nilai r berada cukup jauh dari nilai ρ adalah melalui pengujian koefisien korelasi dengan uji Z-Fisher (Walpole, 1993). Dalam uji Z-Fisher ini, dilakukan transformasi nilai-nilai r dan ρ kedalam Z-Fisher . Dalam penyusunan tabel volume lokal, Sutarahardja (1982) mensyaratkan bahwa nilai ρ harus lebih besar dari 0,7 atau ρ > 0,7 yang berarti pada nilai ρ > 0,7 maka hubungan antara tinggi pohon dengan diameter pohon dianggap cukup kuat, dimana jika ρ > 0,0701 artinya ρ2 adalah > 50 %. Hubungan yang kuat dengan ρ2 > 50 % tersebut
berarti akan menjamin bahwa sekurang-
kurangnya 50 % keragaman volume pohon yang disebabkan oleh keragaman tinggi pohon dapat dicakup oleh pengaruh keragaman diameter pohon. Hipotesa yang digunakan adalah: : ρ = 0,7071 : ρ > 0,7071
Ho Hi
Kriteria uji : Zhit = (Zr -Z p) / αzr dimana :
Z 0,5 ln 11 Z 0,5 ln 11 1⁄ 3 ρ
Jika Zhitung > Z
tabel
maka tolak Ho, ini berarti antara peubah tidak bebas (Y)
dengan peubah bebas (X) memenuhi persyaratan yang diberikan yaitu mempunyai ρ > 0,7071 pada tingkat nyata tertentu, sehingga asumsi yang dimaksud tidak dapat diterima. b. Penyusunan Persamaan Volume Pohon
Beberapa model persamaan regresi yang akan dipergunakan dalam penyusunan tabel volume ini adalah sebagai berikut: 1. 2. 3. 4.
V = aD b V = a + b D2 V = a + b D+ c D 2 V = a D b 10 c D
(Model Berkhout) (Model Kopezky- Gehrhardt) (Model Horenadl-Krenn)
9
dimana: V D H a,b,c
: Volume total pohon (m3) : Diameter setinggi dada (cm) : Tinggi Pohon (m) : Konstanta
c. Pemilihan Model Terbaik
a) Untuk dapat menghasilkan persamaan-persamaan regresi yang dimaksud, maka perlu dihitung nilai-nilai dari koefisien-koefisien regresinya (Sutarahardja, Sumarna dan Witjaksono, 1991). 1. Menghitung koefisien regresi pada penyusunan tabel volume pohon lokal.: Sebagai contoh untuk model regresi linier sederhana sebagai berikut : Y i = β 0 + β 1 X i + ε i ,dengan
penduga
modelnya
yi = b0 + b1 xi + ei . Besarnya nilai koefisien regresi b1
adalah sebagai
penduga dari β 1 dan besarnya nilai konstanta b 0 (intersept ) sebagai penduga dari β 0 dapat dihitung dari nilai-nilai data pohon contoh.
JHKxy β 1 = JKx dan β 0 = y − β 1 x
dimana : y = volume pohon dalam m3 x = diameter pohon dalam cm. 2. Koefisien korelasi ( r ) antara volume pohon dengan diameter pohon dapat dihitung dengan rumus (1) tersebut diatas atau dengan rumus : r =
b ( JHKxy ) JKy
3. Menghitung koefisien regresi pada penyusunan tabel volume pohon standar. Sebagai contoh untuk model regresi linier berganda sebagai berikut :
10
Y i = β 0 + β 1 X 1i + β 2 X 2 i + ε i ,
dengan
penduga
modelnya
yi = b0 + b1 x1i + b2 x 2 i + ei . Besarnya nilai-nilai penduga koefisien-
koefisien regresi ( b1 , b2 ) serta intersept b 0 dapat dihitung berdasar data pohon contoh yang diambil. b1 =
( JKx 2 )( JHKx1 y ) − ( JHKx1 x 2 )( JHKx 2 y )
b2 =
( JKx1 )( JKx 2 ) − ( JHKx1 x 2 ) 2
( JKx1 )( JHKx2 y ) −( JHKx1 x2 )( JHKx1 y ) ( JKx1 )( JKx2 ) −( JHKx1 x2 )
2
dimana :
( )
2
n
∑ x1i JKx1 = ∑ x12i − i =1 n i =1 n
( )
2
n
∑ x2 i 2 JKx2 = ∑ x2 i − i =1 n i =1 n
n n ∑ x1 ∑ x2 n i =1 JKx1 x2 = ∑ x1 x2 − i =1 n i =1 n
n x ∑ 1 ∑ y n i =1 JKx1 y = ∑ x1 y − i =1 n i =1 n
n x ∑ 2 ∑ y n i =1 JKx2 y = ∑ x2 y − i =1 n i =1 b0 = y − b1 x1 − b2 x2
Koefisien determinasi ( R 2 ) dari model regresi tersebut dapat dihitung :
11
JK regresi 2= R JK total
Koefisien korelasi berganda (R) dapat diperoleh dari akar koefisien determinasi tersebut diatas. JK regresi = b1 JHKx1 y + b2 JHKx 2 y
( ) n
2
∑ yi JK total = JKy = ∑ yi2 − i =1 n i =1 n
b) Perhitungan simpangan baku (s) Nilai simpangan baku (s) ditentukan dengan rumus (Draper dan Smith), 1992):
∑ dimana: S2 = kuadrat tengah sisaan, ei = sisaan ke-i. Perhitungan simpangan baku menunjukkan bahwa semakin kecil nilainya semakin baik, artinya dugaannya semakin teliti. c) Perhitungan Nilai PRESS (Predicted Residual Sum of Square) . Setelah beberapa persamaan yang memenuhi syarat ditetapkan, akan sangat baik kalau dilakukan uji validasi untuk memilih persamaan terbaik pada setiap keadaan. Uji validasi ini dapat menggunakan nilai PRESS dari masing-masing persamaan yang dibuat (Draper dan Smith, 1992). Adapun langkah-langkah sebagai berikut: 1) Amatan pertama pada peubah respons maupun peubah peramalannya dihilangkannya. 2) Tentukan model dugaan semua kemungkinan regresi terhadap n-1 data.
12
3) Menggunakan
setiap
persamaan
regresi
yang
diperoleh
untuk
meramalkan Yi oleh Yip (misalnya), sehingga diperoleh simpangan ramalannya untuk semua kemungkinan model regresinya. 4) Mengulangi ketiga langkah diatas namun dengan menghilangkan amatan kedua, ketiga sampai amatan ke-n. 5) Untuk setiap model regresi dihitung jumlah kuadrat simpangan ramalannya.
PRESS dimana :
= nilai Y pada amatan ke –I, = nilai dugaan persamaan regresi tanpa mengikutsertakan amatan ke-i.
Perhitungan nilai PRESS berdasarkan rumus diatas cukup rumit dikerjakan,sehingga Weisberg (1985) dalam Kuncahyo (1991) merumuskan nilai PRESS sebagai berikut:
PRESS dimana:
,
= nilai sisaan ke-I,
= nilai baris dan lajur ke-I dari hat matrik.
Persamaan terbaik adalah persamaan yang memiliki nilai PRESS yang paling kecil. d) Analisis Sisaan. 1) Uji visual kenormalan. Kenormalan sisaan dapat dilihat dengan menampilkan plot hubungan sisaan denganprobability normalnya. Nilai sisaan dinyatakan normal apabila antara nilai sisaan dan probability normalnya membentuk pola garis lurus atau mendekati garis lurus. 2) Uji keaditifan model
13
Sifat aditif dapat dilihat dengan menampilkan plot tebaran nilai sisaan dengan nilai dugaan. Asumsi keaditifan model terpenuhi bila tebaran yang dihasilkan tidak membentuk pola (null plot) atau berbentuk acak disekitar nilai sisaan nol (menyerupai pipa horison). 3) Keberartian Persamaan Regresi. Untuk mengetahui apakah ada hubungan regresi yang nyata antara peubah bebas dengan peubah tak bebasnya dilakukan uji signifikansi Ftest yakni dengan cara membandingkan nilai F hitung denga nilai F tabel. Nilai F hit dapat ditentukan dari daftar analisis ragam . Hipotesis yang digunakan : Ho : βi = 0 Hi : sekurang-kurangnya ada βi ≠0 : I = 1,2,3,.. Kriteria pengujian Fhitung=KTR/KTS. Apabila Fhitung> Ftabel pada taraf nyata 5% dan taraf nyata 1%, maka Ho ditolak, artinya sedikitnya ada satu peubah yang mempengaruhi
peubah tak bebas sehingga
persamaan regresi yang diuji dapat diterima. 4) Uji pencilan. Pengamatan pencilan adalah pengamatan yang tidak mengikuti pola dominan pengamatan lainnya. Pengamatan pencilan ini dapat ditentukan dengan menghitung nilai Tresid (ti) dan membandingkannya dengan Table Critical for Studentized Residual (dengan memasukkan nilai
pengamatan ke-i yang dicurigai) dan Jacknife Residual ( tanpa memasukkan pengamatan ke – i yang dicurigai). Dengan kaidah jika Tresid > Ttabel maka pengamatan tersebut merupakan pencilan, sedangkan jika T resid ≤ T tabel maka pengamatan tersebut bukan pencilan. e) Analisa keragaman. Terhadap persamaan-persamaan regresi tersebut dilakukan pengujian dengan menggunakan analisa keragaman (analysis of variance ) untuk melihat signifikasi atau adanya ketergantungan peubah-peubah yang menyusun regresi tersebut.
14
Tabel 1 Analisa keragaman pengujian regresi Sumber keragaman Regresi Sisaan Total
Derajat bebas Dbr = p-1 Dbs=n-p n-1
Jumlah Kuadrat Tengah Kuadrat (JK) (KT) JKR=b. JHK xy KTR=JKR/Dbr JKS=JKT-JKR KTS=JKS/Dbs JKT=JK y
F-hitung KTR/ KTS
dimana: p = banyaknya konstanta (koefisien regresi dan intersept ) dan n = sama dengan banyaknya pohon contoh yang digunakan dalam penyusunan regresi tersebut. Dalam analisa tersebut hipotesa yang diuji adalah : 1) Pada regresi linier sederhana :
H: β 0 lawan H: β 0 H: 0 dimana i 1,2
2) Pada regresi linier berganda : β H1: Sekurang-kurangnya ada β i ≠ 0 Jika H1 yang diterima, maka regresi tersebut nyata, artinya ada keterkaitan antara peubah bebas (diameter pohon dan atau tinggi pohon) dengan peubah tidak bebasnya (volume pohon). Dengan kata lain bahwa setiap ada perubahan pada peubah bebasnya akan terjadi perubahan pada peubah tidak bebasnya. Jika H0 yang diterima, maka regresi tersebut tidak nyata, artinya persamaan regresi tidak dapat untuk menduga volume pohon berdasarkan peubah bebasnya. d. Validasi Model Terpilih.
Hasil persamaan-persamaan regresi yang telah diuji, baik pada penyusunan regresi untuk tarif volume pohon, maupun pada penyusunan untuk tabel volume pohon standar, perlu dilakukan uji validasi dengan menggunakan pohon contoh yang telah dialokasikan sebelumnya khusus untuk pengujian validasi model. Data pohon contoh tersebut tidak digunakan dalam penyusunan model-model tabel volume diatas. Uji validasi model dapat dengan melihat pada nilai-nilai simpangan agregasinya (agregative deviation ), simpangan ratarata (mean deviation), RMSE (root mean square error ), biasnya serta uji beda
15
nyata antara volume yang diduga dengan tabel terhadap volume nyatanya. Uji beda nyata bisa dilakukan dengan cara uji Khi-kuadrat. Nilai-nilai pengujian validasi model tersebut dapat dihitung dengan rumusrumus sebagai berikut : 1) Ketelitian Ketelitian berkaitan denga adanya pengulangan dan menggambarkan sejauh mana kedekatan nilai-nilai pengukuran terhadap nilai rata-ratanya (Van Laar dan Akca dalam Muhdin, 1997). Ketelitian ditunjukan oleh besarnya nilai simpangan baku dari kesalahan dugaan volume(s), yang dinyatakan dengan persamaan:
∑ ⁄ ∑ ⁄ 100%
1
dimana: s Vai Vi n
: Simpangan baku : Volume aktual pohon ke-I yang diperoleh dengan cara penjumlahan volume per seksi : Volume dugaan pohon ke-I yang diperoleh dengan menggunakan persamaan volume tertentu : Jumlah pohon contoh
Nilai simpangan
yang lebih kecil menunjukan bahwa model penduga
volume itu memiliki tingkat ketelitian yang lebih tinggi. 2) Simpangan agregat (agregative deviation ) Simpangan agregat merupakan selisih antara jumlah volume aktual (Va) dan volume dugaan (Vt) yang diperoleh berdasarkan dari tabel volume pohon, sebagai persentase terhadap volume dugaan (Vt). Persamaan yang baik memiliki nilai simpangan agregat (SA) yang berkisar dari -1 sampai +1 (Spurr 1952). Nilai SA dapat dihitung dengan rumus :
⎛ n ⎞ n ⎜ ⎟ Vti − Vai ∑ ∑ ⎜ ⎟ i = i = 1 1 ⎜ ⎟ SA = ⎜ ⎟ n ⎜⎜ ⎟⎟ Vti ∑ ⎝ ⎠ i =1
16
3) Simpangan rata-rata ( mean deviation) Simpangan rata-rata merupakan rata-rata jumlah dari nilai 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). Simpangan rata-rata dapat dihitung dengan rumus (Bustomi, dkk. 1998) :
⎧ ⎛ n Vti −Vai ⎞ ⎫ ⎟⎪ ⎪ ⎜⎜ ∑ ⎟⎪ Vti ⎪ ⎝ i =1 ⎠ SR = ⎨ ⎬ x100 % n ⎪ ⎪ ⎪ ⎪ ⎩ ⎭ 4) Ketepatan Ketepatan ialah kombinasi antara bias denga ketelitian di dalam menggambarkan jauh dekatnya nilai-nilai hasil pengamatan terhadap nilai yang sebenarnya (Van Laar dan Akca dalam muhdin, 1997). Ketepatan model ditunjukan oleh nilai root mean square error (RMSE) yang dihitung dengan rumus:
∑ ⁄ 100% dimana: RMSE : Simpangan baku Vai : Volume aktual pohon ke-I yang diperoleh dengan cara penjumlahan volume per seksi Vi : Volume dugaan pohon ke-I yang diperoleh dengan menggunakan persamaan volume tertentu n : Jumlah pohon contoh Nilai RMSE yang lebih kecil menunjukan bahwa model penduga volume itu lebih akurat dalam menduga volume. 5) Bias Bias (e) adalah kesalahan sistematis yang dapat terjadi karena kesalahan dalam pengukuran, kesalahan teknis pengukuran maupun kesalahan karena alat ukur. Bias dapat dihitung dengan rumus :
17
⎧ ⎛ Vti −Vai ⎞ ⎫ ⎟ ⎪ Vai ⎠ ⎪ ⎝ ∑ e = ⎨ ⎬ x100% n i =1⎪ ⎪ ⎪⎩ ⎪⎭ n ⎪⎜ ⎪
6) Uji beda rata-rata Khi-kuadrat ( Khi-square test ). Pengujian validasi model persamaan penduga volume pohon, dapat pula 2
dilakukan dengan menggunakan uji X (Khi-kuadrat), yaitu alat untuk menguji apakah volume yang diduga dengan tabel volume pohon (Vt) berbeda dengan volume pohon aktualnya (Va). Dalam hal ini hipotesa yang diuji adalah sebagai berikut : H0 : Vt = Va dan H 1 : Vt ≠ Va Kriterium ujinya adalah :
,,maka terima ,,maka terima
Kaidah keputusannya adalah sebagai berikut :
Jadi model persamaan regresi untuk penyusunan tabel volume pohon yang baik berdasar pengujian validasi tersebut diatas, adalah apabila : a) Simpangan agregasi berada diantara -1 sampai + 1 (Spurr, 1952) b) Simpangan rata-rata tidak lebih dari 10 % (Spurr, 1952). c) Nilai RMSE dan Bias relatif kecil d) Apabila hasil uji beda antara nilai rata-rata yang diduga dengan tabel volume dengan nilai rata-rata nyata ( actual ), tidak menunjukkan adanya perbedaan yang nyata (H0 diterima).
18
Gambar 2 Diagram alir penelitian.
BAB III KEADAAN UMUM LOKASI PENELITIAN 3.1. Letak dan Luas IUPHHK
Berdasarkan Surat Keputusan Perpanjangan IUPHHK No. 113/MenhutII/2006 tanggal 19 April 2006, PT. Trisetia Intiga memperoleh Ijin Usaha Pemanfaatan Hasil Hutan Kayu (IUPHHK) pada arel hutan seluas 69.070 Ha di propinsi Kalimantan Tengah. Letak
areal
IUPHHK
PT.
Trisetia
Intiga
menurut
administrasi
pemerintahan, termasuk wilayah Kecamatan Bulik, Kabupaten Lamandau dan Kecamatan Arut Utara, Kabupaten Kotawaringin Barat Kalimantan Tengah. Wilayah pengelolaannya termasuk dalam Dinas Kehutanan Kabupaten Lamandau dan Kabupaten Kotawaringin Barat, Dinas Kehutanan Propinsi Kalimantan Tengah. Menurut pembagian kelompok hutan, areal kerjanya termasuk dalam kelompok hutan Sungai Martobi dan Sungai Palikodan. Secara geografis terletak pada 01° 33’ – 02° 00’ Lintang Selatan dan 111° 28’ 21” – 111° 48’ 12” Bujur Timur. Berdasarkan fungsi kawasan areal termasuk dalam fungsi Hutan HPT seluas 24.946 Ha, HP seluas 13.877 Ha dan HPK seluas 30.247 Ha Adapun batas-batas areal IUPHHK PT. Trisetia Intiga adalah : 1. Sebelah Utara
: HPH PT. Karda Traders
2. Sebelah Selatan
: Hutan Negara
3. Sebelah Timur
: HPH PT. Intrado Jaya Intiga, PT. Erythrina Nugraha Megah, PT. Korintiga Hutani, Hutan Lindung
4. Sebelah barat
: Hutan Negara
3.2. Geologi dan Tanah 1. Geologi
Berdasarkan Peta Geologi Kalimantan Tengah Lembat Tumbang Manjul Skala 1:250.000 terbitan Pusat Penelitian dan Pengembangan Geologi Bandung Tahun 1978, formasi geologi areal IUPHHK PT. Trisetia Intiga, berada pada kompleks batuan Oligosen dan Eosen Bawah. Seperti disajikan Tabel 2 terlihat
20
bahwa formasi geologi terbesar adalah Lava Andesit, Riolit, dan Desit sebesar 56,62%, sedangkan formasi geologi paling kecil sebesar 6,57% yaitu Andesit. Tabel 2 Formasi Geologi Areal IUPHHK PT. Trisetia Intiga Kode Kgm Rvk Tma
Formasi geologi Granit, Granadiorit, Monzonit Lava Andesit, Riolit, dan Desit Andesit Jumlah
Luas (Ha) 26.116 39.110 4.884 69.070
(%) 37,81 56,62 6,57 100,00
Sumber : Peta Geologi Lembar Tumbang Manjul Kalimantan Tengah, Skala 1: 250.000, tahun 1979
2. Tanah
Berdasarkan Peta Land System and Suitability lembar Ambalu (1615) Kalimantan Tengah Skala 1: 250.000 yang diterbitkan oleh Pusat Penelitian Tanah dan Agroklimat Badan Penelitian dan Pengembangan Pertanian Bogor, jenis tanah yang terdapat areal PT. Trisetia Intiga adalah Tropodults dan Distropepts. Jenis tanah secara lengkap disajikan pada Tabel 3. Tabel 3 Jenis tanah yang terdapat di Areal IUPHHK PT. Trisetia Intiga Kode HJA PLN BPD JLH
Formasi Tanah Tropodults Tropodults Distropepts Distropepts Jumlah
Luas (Ha) 29.237 9.419 24.920 5.494 69.070
(%) 42,33 13,64 36,08 7,95 100,00
Sumber : Peta Land System and Suitability lembar Ambalu (1615) Kalimantan Tengah, Skala 1: 250.000
3.3. Keadaan Hutan
Kondisi umum kawasan sangat beragam, di Sebelah Utara merupakan kawasan yang masih berhutan, potensi kayunya cukup tinggi, namun topografinya bergelombang hingga curam. Di Sebelah Barat Daya merupakan kawasan yang relatif landai, namun rendah potensi kayunya dan tinggi tingkat penyerobotan lahan. Di Sebelah Tenggara topografi relatif landai, namun banyak areal terbuka dan perkebunan sawit masuk ke dalam kawasan hutan. Berdasarkan kajian spasial pemanfaatan kawasan hutan di dalam areal kerja PT Trisetia Intiga
diperoleh gambaran bahwa sekitar 25,3% dari luas
wilayah kerjanya atau sekitar 17.453 Ha bertampalan (overlap) dengan ijin lokasi perkebunan. Di areal kerja PT Trisetia ini ada 6 perusahaan perkebunan yang
21
telah mendapatkan ijin lokasi pembangunan kelapa sawit. Overlap terluas adalah dengan PT. Mentobi Mitra Lestari, selanjutnya disusul oleh PT. SMU dan PT. Tanjung Sawit Abadi. Dilihat dari segi fungsi kawasannya (TGHK), luas areal overlap terluas ada di fungsi HP seluas 10.558 Ha selanjutnya di areal HPK seluas 6.379 Ha dan sisanya sekitar 517 Ha termasuk dalam fungsi HPT. Secara keseluruhan, wilayah kerja dari PT Trisetia Intiga ini, 45% dari luas wilayahnya adalah berupa HPK, selanjutnya 35% HPT dan 20% HP disajikan pada Tabel 4 dan secara visual disajikan pada Gambar 4. Tabel 4 Wilayah IUPHHK yang Overlap Penggunaannya dengan Perkebunan Perusahaan PT SMU PT TSA PT.MML PT FLTI PT.KSA Jumlah overlap Tidak Overlap Jumlah Persentase (%)
HP
HPT
168 4.647 5.743 10.558 3.153 13.710 19,8
HPK
517 517 23.750 24.267 35,1
2.809 31 314 247 2.978 6.379 24.714 31.092 45,0
Jumlah 3.494 4.677 6.057 247 2.978 17.453 51.617 69.070 100,0
Persentase (%) 5,1 6,8 8,8 0,4 4,3 25,3 74,7 100,0
3.4. Topografi Lahan
Keadaan topografi di areal kerja IUPHHK PT. Trisetia Intiga, bervariasi dari dataran sampai agak curam. Berdasarkan análisis peta topografi areal IUPHHK tersebut kondisi kelas lereng areal kerja IUPHHK PT. Trisetia Intiga dapat dilihat pada Tabel 5 dan secara visual disajikan pada Gambar 3. Tabel 5 Kondisi topografi lahan No 1 2 3 4 5
Bentuk Wilayah Datar Landai Agak Curam Curam Sangat Curam Total
Kelas Kelerengan A (0-8%) B (8-15 %) C (15-25%) D (25-40%) E (>40%)
Luas (Ha) Ha 37.871 13.179 12.522 5.366 133 69.070
% 54,8 9,1 8,1 7,8 0,2 100
Sumber : Kajian Penggunaan Citra Alos Palsar untuk Klasifikasi Tutupan Lahan di PT. Trisetia Intiga.
22
Dilihat dari kondisi topografi lahannya, keadaan topografi di areal kerja IUPHHK PT. Trisetia Intiga yang paling dominan secara keseluruhan adalah datar seluas 54.056 Ha atau sebesar 78,26% dari seluruh areal kerjanya. Sedangkan keadaan topografi curam hanya seluas 1.501 Ha atau sebesar 2,18 % dari seluruh wilayah areal kerjanya.
Gambar 3 Peta kelas lereng PT.Trisetia Intiga, Kalimantan Tengah.
Gambar 4 Peta penutupan lahan PT.Trisetia Intiga, Kalimantan Tengah
BAB IV HASIL DAN PEMBAHASAN 4.1 Penentuan Pohon Contoh
Pohon contoh yang digunakan dalam penyusunan tabel volume dibagi dalam 2 (dua) kelompok jenis yaitu kelompok jenis meranti dan non-meranti (rimba campuran, kayu indah). Pengambilan pohon contoh dilakukan secara purposive sampling dan tersebar dalam setiap kelas diameter. Adapun jumlah dan
penyebaran pohon contoh untuk masing-masing kelas diameter dapat dilihat pada tabel dibawah ini. Tabel 6 Sebaran data pohon Ccntoh Kelas Diameter 10-19,9 20,0-29,9 30,0-39,9 40,0-49,9 50,0-59,9 60,0-69,9 70,0-79,9 >80,0 Total
Pen M 14 13 7 5 16 10 13 11 89
Jumlah pohon contoh usunan model Evaluasi model NM M NM 11 5 9 6 8 2 4 4 2 4 3 5 7 5 3 7 5 6 6 5 6 6 6 3 51 41 36
4.2 Penyusunan Model Persamaan Regresi
Asumsi dasar yang digunakan untuk menyusun tabel volume lokal adalah bahwa pohon-pohon yang berdiameter sama akan memiliki volume yang sama jika pada kondisi tempat tumbuh yang sama. Hal ini akan diterima jika ada hubungan yang erat antara diameter pohon dengan tinggi pohon. Variasi yang terjadi pada volume pohon disebabkan oleh variasi tinggi pohon dapat dicakup oleh adanya variasi diameter pohonnya, sehingga pohon yang berdiameter yang sama akan memiliki volume yang sama. Berdasarkan hubungan logaritmik antara tinggi pohon dengan diameter diperoleh nilai koefisien determinasi dan koefisien korelasinya. Nilai-nilai tersebut menunjukan tingkat ketelitian dan tingkat keeratan hubungan yang terjadi antara diameter dan tinggi dari kedua jenis pohon tersebut. Dalam membuat tabel
24
volume lokal , untuk memperoleh ketelitian yang dapat dipertanggungjawabkan, maka koefisien korelasi ditetapkan >0,7071 atau R 2 minimal 50 % (Suharlan, Boestomi dan Sumarna, 1976). Untuk mengetahui apakah nilai ini memenuhi persyaratan atau tidak, maka perlu dilakukan pengujian korelasi (r) dengan transformasi Z-Fisher. Dari hasil analisis regresi untuk mengetahui hubungan antara diameter setinggi dada (dbh) dengan tinggi, diperoleh data seperti disajikan pada Tabel 7. Tabel 7 Nilai R 2, r persamaan regresi dan hasil uji transformasi Z-fisher No Jenis Persamaan regresi r Zhit Z 0,05) 1 2
Meranti Non-meranti
Log Tbc= 0,916989+0,493064 Log Dbh Log Tbc= 0,916989+0,52568 Log Dbh
0,77 0,78
3.17 2.37
1,64 1,64
Pada tabel diatas terlihat bahwa berdasarkan pohon contoh pada kelompok jenis non-meranti , diperoleh koefisien determinasi dan koefisien korelasinya lebih besar dibandingkan kelompok jenis meranti. Untuk mengetahui hubungan koefisien determinasi dan koefisien korelasi pada populasi kedua kelompok jenis tersebut dilakukan uji Z-fisher. Berdasarkan hasil uji transformasi Z-fisher untuk kelompok jenis meranti dan non-meranti diperoleh bahwa Z hitung > Z tabel (α = 0,05), yang berarti hipotesa Ho : ρ = 0,7071 ditolak. Ini menunjukkan bahwa koefisien korelasi dalam populasi telah memenuhi persyaratan yang diminta. Volume yang diduga berdasarkan peubah bebas diameternya akan menghasilkan pendugaan yang cukup memenuhi persyaratan yang telah ditetapkan, yaitu sekurang-kurangnya 50% dari peubah tak bebas dapat diterangkan oleh adanya variasi pada peubah bebasnya. Keeratan hubungan antara tinggi dengan diameter pohon menunjukan bahwa pendugaan volume dapat diterangkan hanya dengan satu peubah bebas yaitu diameter saja. Dengan asumsi adanya hubungan yang kuat antara diameter setinggi dada dengan tinggi bebas cabang terpenuhi, maka dilanjutkan dengan mencari hubungan antara diameter dan volume pohon dengan menggunakan model hubungan sebagai berikut: 1. V = aD b 2. V = a + b D 2 3. V = a + b D+ c D 2
(Model Berkhout) (Model Kopezky- Gehrhardt) (Model Horenadl-Krenn)
25
4. V = a D b 10 c D dimana: V : Volume total pohon (m3) D : Diameter setinggi dada (cm) a,b,c : Konstanta Model persamaan regresi linier tersebut merupakan alternatif model yang akan digunakan untuk menyusun tabel volume. Model persamaan regresi yang diperoleh dari hasil perhitungan dengan menggunakan minitab dapat dilihat pada Tabel 8 dan 9. Tabel 8 Persamaan regresi yang diperoleh untuk kelompok jenis meranti No Persamaan regresi R 2(%) 1 V = 0,000174 D
2,44
2 V = 0,241 + 0,00108 D 2 3 V = -1,57 + 0,0636 D + 0,000668 D 2 4 V = 0,0000562 D
2,87
10
-0,0041 D
r
96,90
0,98
88,90
0,94
90,60
0,95
97,30
0,99
Tabel 9 Persamaan regresi yang diperoleh untuk kelompok jenis non-meranti No Persamaan regresi R 2(%) r 1 V = 0,0001096 D
2,53
96,30
0,98
2 V = -0,263 + 0,00116 D2
86,00
0,93
3 V = -0,491 + 0,0112 D + 0,00106 D 2
86,10
0,93
96,30
0,98
4 V = 0,0000724 D
2,69
10
-0,00175 D
Menurut Suharlan, Boestomi, dan Soemarna (1976), nilai koefisien determinasi sebesar 50% merupakan batas minimal yang digunakan dalam penyusunan tabel volume yang dianggap cukup memadai. Dari hasil analisa regresi dengan metode kuadrat terkecil pada Tabel 8 diatas, diperoleh bahwa koefisien korelasi terbesar antara volume dengan diameter adalah 0,99 dan
koefisien determinasi 97,3% untuk persamaan (4). Hal ini
menunjukkan bahwa 97,3 % keragaman volume dapat dijelaskan oleh variabel bebas diameter. Sisanya sebesar 2,7% dijelaskan oleh peubah lain yang tidak disertakan dalam model. Makin besar nilai R 2, maka persamaan regresi tersebut makin baik. Koefisien determinasi ini menunjukkan tingkat ketelitian dan kemampuan peubah bebas dalam menjelaskan peubah tidak bebasnya. Persamaan (1)
dan (4) memiliki perbedaan yang kecil yaitu sebesar 0,4%. Sedangkan
persamaan (2) sebesar 88,9% adalah persamaan dengan koefisien determinasi
26
terkecil. Artinya persamaan (1) dan (4) memiliki tingkat ketelitian dan keakuratan hubungan antara peubah bebas dan peubah tak bebasnya yang lebih baik dari persamaan persamaan (2) dan (3). Pada Tabel 9 terlihat bahwa koefisien determinasi terbesar ada pada persamaan (1) dan (4) sebesar 96,3%. Besarnya koefisien determinasi tersebut menunjukkan bahwa sebesar 96,3% variasi yang terjadi pada volume dapat diterangkan oleh peubah bebasnya (diameter). Hal ini menunjukkan bahwa persamaan (1) dan (4) memiliki tingkat ketelitian dan keakuratan hubungan antara peubah bebas dan peubah tak bebasnya yang lebih baik dari persamaan persamaan (2) dan (3). Untuk menguji keberartian peranan peubah bebas terhadap peubah tidak bebasnya dari persamaan tersebut, dilakukan uji F (F-test ) yaitu dengan membandingkan antara F-hitung dengan F-tabel. Nilai F-hitung diperoleh dari hasil perhitungan persamaan regresi yang diperoleh dengan menggunakan Metode Kuadrat Terkecil ( Least Square Methods). Nilai F-hitung dan F-tabel untuk jenis – jenis tersebut dapat dilihat pada Tabel 10 dan 11. Tabel 10 Nilai F-hitung dan F-tabel kelompok jenis meranti No 1 2 3 4
Persamaan regresi V = 0,000174 D 2,44 V = 0,241 + 0,00108 D2 V = -1,57 + 0,0636 D + 0,000668 D 2 V = 0,0000562 D 2,87 10 -0,0041 D
F-hitung 2724,31 695,88 415,22 1534,78
F-tabel 0,01 7,02 4.89
Tabel 11 Nilai F-hitung dan F-tabel kelompok jenis non-meranti No 1 2 3 4
Persamaan regresi V = 0,0001096 D 2,53 V = -0,263 + 0,00116 D2 V = -0,491 + 0,0112 D + 0,00106 D 2 V = 0,0000724 D 2,69 10 -0,00175 D
F-hitung 1269,14 301,99 148,35 625,75
F-tabel 0,01 7.20 5.10
Berdasarkan persamaan regresi untuk menduga volume, terlebih dahulu dilihat peranan peubah bebas dalam menduga peubah tidak bebasnya dengan melakukan uji keberartian peubah bebas melalui uji F. Menurut Draper dan Smith (1992), apabila Fhitung > Ftabel pada taraf nyata 1% artinya sedikitnya ada satu
27
peubah bebas yang mempengaruhi peubah tak bebas sehingga persamaan regresi yang diuji dapat diterima. Berdasarkan Tabel 10 dan 11 diperoleh Fhitung lebih besar dari nilai F-tabel pada tingkat nyata 1%. Dengan demikian Ho ditolak, sehingga ini berarti bahwa peubah bebas yang dimasukkan kedalam model persamaan regresi sangat berpengaruh nyata dalam menduga peubah tidak bebasnya yaitu volume. Tabel 12 Nilai simpangan baku dan PRESS untuk kelompok jenis meranti No Persamaan regresi S PRESS 2,44 1 V = 0,000174 D 0,12 1,305 2 2 V = 0,241 + 0,00108 D 1,68 369,661 2 3 V = -1,57 + 0,0636 D + 0,000668 D 1,56 383,564 2,87 -0,0041 D 4 V = 0,0000562 D 10 0,11 1,17 Tabel 13 Nilai simpangan baku dan PRESS untuk kelompok jenis non-meranti No Persamaan regresi S PRESS 2,53 1 V = 0,0001096 D 0,14 1,002 2 2 V = -0,263 + 0,00116 D 1,27 89,396 2 3 V = -0,491 + 0,0112 D + 0,00106 D 1,28 93,971 2,69 -0,00175 D 4 V= 0,0000724 D 10 0,13 1,029 Ketelitian berkaitan dengan adanya pengulangan dan menggambarkan sejauh mana kedekatan nilai-nilai pengukuran terhadap nilai rata-ratanya (Van Laar dan Akca dalam Muhdin, 1997). Ketelitian ditunjukkan oleh besarnya nilai simpangan baku dari kesalahan dugaan volume (s). Nilai simpangan baku menunjukkan bahwa semakin kecil nilai tersebut, maka semakin baik persamaan yang akan digunakan untuk menduga volume pohon. Sedangkan Nilai PRESS menunjukkan kombinasi analisis sisaan dan pemilihan model terbaik yang merupakan kemampuan model untuk menduga data yang baru. Persamaan terbaik adalah persamaan yang memiliki nilai PRESS yang paling kecil. Berdasarkan hasil perhitungan pada Tabel 12 diperoleh nilai simpangan baku terkecil sebesar 0,11 dan nilai PRESS sebesar 1,17 untuk persamaan (4). Sedangkan nilai simpangan baku terbesar terdapat pada persamaan (2) sebesar 1,68 dan nilai PRESS terbesar terdapat pada persamaan (3) sebesar 383,564. Pada Tabel 13 diperoleh nilai simpangan baku terkecil sebesar 0,13 terdapat pada persamaan (4) dan nilai PRESS terkecil sebesar 1,002 terdapat pada
28
persamaan (1). Sedangkan nilai simpangan baku dan PRESS terbesar masingmasing 1,28 dan 93,971 yang terdapat pada persamaan (3). Persamaan (1) dan (4) memiliki nilai simpangan baku dan PRESS yang berbeda jauh. Sehingga persamaan (1) dan (4) memiliki tingkat ketelitian yang lebih baik dalam menduga volume pohon. Langkah yang sangat penting dalam analisis regresi adalah penentuan model hubungan antara peubah bebas dengan peubah tidak bebasnya. Model yang terbaik adalah model yang memberikan kesalahan pendugaan terkecil dan memiliki koefisien determinasi yang tinggi serta mudah dalam penggunaannya. Tinggi-rendahnya nilai koefisien determinasi ini dapat digunakan sebagai indikator untuk menilai model baik atau tidak. Rendahnya nilai koefisien determinasi dapat disebabkan karena kurang tepat dalam pembentukan model regresi, data contohnya yang kurang banyak serta karena adanya pasangan pengamatan yang tidak mengikuti pola dominan pengamatan lain. Untuk mengetahui adanya pasangan pengamatan yang berbeda dari polanya diperlukan diagnostik data hasil pengamatan untuk melihat ada atau tidaknya pengamatan yang termasuk pencilan, leverage ataupun pengamatan yang berpengaruh. Oleh karena itu sangatlah penting untuk melakukan analisis sisaan. Suatu model regresi dapat dipergunakan untuk menduga dengan baik apabila salah satu asumsi penting mengenai kenormalan dari nilai sisaan dan keaditifan terpenuhi (Kuncahyo, 1991). Oleh karena itu, perlu dilihat apakah sisaan tersebut menyebar normal atau tidak. Pada Gambar 5 menampilkan plot hubungan antara sisaan (residual ) dengan probability normal nilai sisaannya (normal score). Terlihat bahwa, nilai sisaan
menyebar normal yang dijelaskan dengan terbentuknya pola garis linier melalui titik pusat sumbu antara nilai sisaan dengan normal score-nya. Begitu pula untuk kelompok jenis non-meranti (Gambar 6), plot hubungan antara nilai sisaan dan normal score-nya membentuk pola garis linier, sehingga nilai sisaannya menyebar
normal dan asumsi penting mengenai kenormalan dari nilai sisaan telah terpenuhi. PERSAMAAN 1
PERSAMAAN 2
29
Normal Probabilit y Plot of t he Residuals
Normal Probability Plot of the Residuals
(response is LogVa)
(response is Va)
3
3
2
2
1 e r o c S
1 e r o c S
0
0
-1
-1
-2
-2
-3
-3 -3
-2
-1 0 1 Standardized Residual
2
3
-7.5
-5.0
PERSAMAAN 3
-2.5 0.0 Standardized Residual
5.0
PERSAMAAN 4
Normal Probability Plot of the Residuals
Normal Probability Plot of the Residuals
(response is Va)
(response is LogVa)
3
3
2
2
1 e r o c S
2.5
1 e r o c S
0
0
-1
-1
-2
-2
-3
-3 -5.0
-2.5
0.0 Standar dized Residual
2.5
5.0
-3
-2
-1 0 1 Standar dized Residual
2
3
Gambar 5 Diagram pencar hubungan antara sisaan dengan plot peluang normalnya untuk kelompok jenis meranti. PERSAMAAN 1
e r o c S
PERSAMAAN 2
Normal Probability Plot of the Residuals
Normal Probability Plot of the Residuals
(response is LogVa)
(response is Va)
2
2
1
1 e r o c S
0
-1
0
-1
-2
-2 -3
-2
-1
0 1 Standar dized Residual
2
3
-3
-2
PERSAMAAN 3
e r o c S
0 1 Standar dized Residual
2
Normal Probability Plot of the Residuals
Normal Probability Plot of the Residuals
(response is Va)
(response is LogVa) 2
1
1 e r o c S
0
-1
-2
-2 -1 0 1 Standar dized Residual
4
0
-1
-2
3
PERSAMAAN 4
2
-3
-1
2
3
-3
-2
-1
0 1 Standar dized Residual
2
Gambar 6 Diagram pencar hubungan antara sisaan dengan plot peluang normalnya untuk kelompok jenis non-meranti.
3
30
Selain itu, uji visual keaditifan model pun perlu dilakukan. Untuk melihat apakah model bersifat adtif atau tidak dapat dibuat sebaran plot antara nilai sisaan dengan dugaannya. Apabila hubungan tersebut tidak membentuk pola (acak) maka keaditifan terpenuhi (Kuncahyo, 1991). Pada Gambar 7 terlihat bahwa sebaran plot antara sisaan dengan nilai dugaan tidak membentuk pola dan hasil tebaran sisaan menunjukkan pola yang acak di sekitar nilai sisaan nol. Dengan demikian untuk model ini sifat keaditifan dan asumsi kehomogenan ragam sisaan terpenuhi. Begitu pula halnya untuk kelompok jenis non-meranti (Gambar 8), sebaran plot hubungan antara sisaan dengan nilai dugaannya terlihat acak atau tidak membentuk pola sehingga model ini pun sifat keaditifan dan asumsi kehomogenan ragam sisaannya juga terpenuhi. PERSAMAAN 1
PERSAMAAN 2
Residuals Versus t he Fitted Values
Residuals Versus the Fitt ed Values
(response is LogVa)
(response is Va)
2
5.0
1
2.5
l a u d i s e R 0 d e z i d r -1 a d n a t S
l a u d i s e R 0.0 d e z i d r -2.5 a d n a t S
-2
-5.0
-3
-7.5 -1.0
-0.5
0.0
0.5 Fitt ed Value
1.0
1.5
2.0
0
PERSAMAAN 3
5
10
15 20 Fitt ed Value
25
30
35
PERSAMAAN 4
Residuals Versus t he Fitted Values
Residuals Versus the Fitt ed Values
(response is Va)
(response is LogVa)
5.0
2
l a 2.5 u d i s e R d 0.0 e z i d r a d n a -2.5 t S
l a u d i s e 0 R d e z i d r -1 a d n a t S -2
1
-5.0
-3 0
5
10
15 Fitt ed Value
20
25
30
-1.0
-0.5
0.0 0.5 Fitt ed Value
1.0
1.5
Gambar 7 Diagram pencar hubungan antara sisaan dengan Y duga untuk kelompok jenis meranti.
31
PERSAMAAN 1
PERSAMAAN 2
Residuals Versus t he Fitted Values
Residuals Versus the Fitt ed Values
(response is LogVa)
(response is Va) 4
2
3 l 1 a u d i s e R 0 d e z i d r a -1 d n a t S
l a u 2 d i s e R 1 d e z i 0 d r a d n -1 a t S
-2
-2 -3
-3 -1.0
-0.5
0.0 Fitt ed Value
0.5
1.0
0
2
PERSAMAAN 3
4
6 Fitt ed Value
8
10
12
PERSAMAAN 4
Residuals Versus t he Fitted Values
Residuals Versus the Fitt ed Values (response is LogVa)
(response is Va) 2
3 l 2 a u d i s 1 e R d e 0 z i d r a d -1 n a t S
l 1 a u d i s e R 0 d e z i d r a -1 d n a t S
-2
-2
-3
-3 0
2
4
6 Fitt ed Value
8
10
12
-1.0
-0.5
0.0 Fitt ed Value
0.5
1.0
Gambar 8 Diagram pencar hubungan antara sisaan dengan Y duga untuk kelompok jenis non-meranti. Selanjutnya, untuk mengetahui adanya pasangan pengamatan yang tidak mengikuti pola dominan dan pengamatan lainnya dilakukan Uji diagnostik baris. Untuk melakukan uji diagnostik baris diperlukan perhitungan-perhitungan terhadap nilai-nilai sisaan, Yduga, Tresid, Hi, CookDistance dan nilai Dfits-nya. Pengamatan pencilan dapat ditentukan dengan menghitung nilai T resid (Ti) dan membandingkannya dengan Table Critical for Studentized Residual (dengan memasukkan nilai pengamatan ke-i yang dicurigai) ataupun tabel jacknife (tanpa memasukkan pengamatan ke-i yang dicurigai). Untuk melihat ada atau tidaknya pengamatan pencilan untuk kedua jenis tersebut dapat dilihat pada Tabel 14 dan Tabel 15.
32
Tabel 14 Uji pengamatan pencilan (Tresid) terhadap nilai T tabel jenis meranti Tres.tabel Ttabel acknife Model No. Pengamatan yang dicurigai T res.hit 1% 1% 1 4 2,439 11 2,694 62 2,663 85 2,597 89 2,780 87 2 4,180 4,06 4,06 89 7,896 87 3 4,851 89 6,235 11 4 2,610 62 3,074 Tabel 15 Uji pengamatan pencilan (Tresid) terhadap nilai T tabel jenis non-meranti Tres.tabel T acknife Model No. Pengamatan yang dicurigai T res.hit 1% 1% 1 7 2,775 38 2,071 7 2 3,102 38 3,166 4,03 4,03 7 3 3,398 38 3,455 7 4 2,705 Berdasarkan
hasil
perhitungan
pengamatan yang memiliki T
hit.resid
pada
> T
Tabel
tabel.resid
14,
dan T
diketahui jacknife
bahwa
adalah pada
persamaan (2) dan (3). Pada persamaan (2) nilai Tres.hit yang dicurigai masingmasing sebesar 4,180 dan 7,896. Nilai T
table resid
pada tingkat nyata 1% (n= 89;
jumlah penduga =1) adalah 4,06 dan T jacknife sebesar 4,06. Oleh karena T lebih besar dari T
table.resid
dan T
jacknife
hit.resid
maka pengamatan tersebut termasuk
kedalam pengamatan pencilan. Sedangkan persamaan (1) dan (4) memiliki nilai Thit
resid<
T
table.resid
dan T
table jacknife
maka pengamatan yang dicurigai dalam
persamaan tersebut tidak termasuk kedalam pengamatan pencilan. Pada Tabel 15 terlihat bahwa nilai T
hit.resid
table.resid
dan T jacknife (n=51;
jumlah penduga 1) maka pengamatan yang termasuk dalam persamaan-persamaan tersebut tidak termasuk kedalam pengamatan pencilan. Selain pengamatan pencilan, dilihat pula pengamatan yang termasuk leverage. Pengamatan leverage dapat ditentukan dengan menghitung nilai Hi dan
33
membandingkannya dengan Table Critical Value for Leverage. Berdasarkan hasil perhitungan untuk kedua jenis tersebut, pengamatan leverage yang dicurigai adalah sebagai berikut. Tabel 16 Uji pengamatan Leverage (Hi) terhadap nilai Hi tabel jenis meranti Hi tabel Model No. Pengamatan yang dicurigai Hi 1% 5% 1 89 0,064 89 2 0,390 0,152 0,126 89 3 0,630 89 4 0,413 Tabel 17 Uji pengamatan Leverage (Hi) terhadap nilai Hi tabel jenis non-meranti Hi tabel Hi tabel Model No. Pengamatan yang dicurigai Hi 1% 5% 1 10 0,086 28 2 0,169 0,275 0,226 28 3 0,321 28 4 0,211 Berdasarkan perhitungan pada Tabel 16, diketahui bahwa persamaan (2), (3) dan (4) memiliki nilai Hi yang lebih besar dari Hi tabel, maka pengamatan tersebut merupakan pengamatan leverage. Sedangkan pengamatan no.89 yang dicurigai pada persamaan (1) memiliki nilai Hi sebesar 0.064 memiliki nilai lebih kecil dari nilai Hi tabel. Nilai Hi pada Table Critical Value for Leverage dengan n= 51 dan peubah penduga= 1 pada taraf nyata 1% dan 5% adalah 0,152 dan 0,126. Oleh karena nilai Hi < Hi
tabel
maka pengamatan tersebut tidak termasuk
kedalam pengamatan leverage. Pada Tabel 17 diketahui bahwa pengamatan no.28 pada persamaan (3) memiliki nilai Hi sebesar 0,321. Nilai Hi pada Tabel Critical Value for Leverages dengan n = 51 dan peubah penduga =1 pada taraf 1% dan 5% adalah 0,275 dan 0,226. Oleh karena nilai Hi > nilai Hi
table
maka pengamatan tersebut termasuk
dalam pengamatan leverage. Sedangkan pengamatan pada persamaan (1), (2) dan (4) memiliki nilai lebih kecil dari nilai Hi table sehingga pengamatan tersebut tidak termasuk dalam pengamatan leverage. Untuk mengetahui ada-tidaknya pengamatan berpengaruh, dilakukan uji pengamatan berpengaruh yaitu dengan menghitung nilai CookDistance (Ci) atau
34
Dfits (Di) dan membandingkan dengan Table 50 Percentile Values of Distribution for Cook’s atau Dfits. Pengamatan berpengaruh adalah pengamatan yang apabila
tidak dimasukkan kedalam pembentukan model persamaan akan menghasilkan nilai koefisien regresi yang sangat berbeda. Berdasarkan hasil perhitungan, adatidaknya pengamatan yang berpengaruh dari kedua jenis tersebut dapat dilihat pada Tabel 18 dan Tabel 19. Tabel 18 Uji Pengamatan Berpengaruh (Ci) terhadap nilai tabel CookDistance jenis meranti Ci tabel Model No. Pengamatan yang dicurigai Ci 5% 1 89 0,246 2 89 11,689 0,70 3 89 15,295 4 89 0,212 Tabel 19 Uji Pengamatan Berpengaruh (Ci) terhadap nilai tabel CookDistance jenis non-meranti Ci tabel Model No. Pengamatan yang dicurigai Ci 5% 1 7 0,146 2 7 0,243 37 0,486 0,705 3 28 0,293 37 0,511 4 37 0,108 Berdasarkan Tabel 18, terlihat bahwa pengamatan yang dicurigai pada persamaan (2) dan (3) memiliki nilai Ci lebih besar dari nilai Ci
tabel
sebesar
11,689 dan 15,295. Nilai Ci pada Table 50 Percentile Values of Distribution for Cook’s atau Dfits dengan n= 89; jumlah penduga= 1 pada taraf nyata 5% sebesar
0,7. Oleh karena nilai Ci lebih besar dari nilai Ci
tabel
maka pengamatan tersebut
termasuk kedalam pengamatan berpengaruh. Sedangkan pengamatan pada persamaan (1) dan (4) memiliki nilai Ci lebih kecil dari nilai Ci tabel sehingga pengamatan yang terdapat dalam persamaan (1) dan (4) tidak termasuk dalam pengamatan berpengaruh. Pada Tabel 19 terlihat bahwa nilai Ci pada pengamatan yang dicurigai lebih kecil dari nilai Ci tabel pada taraf nyata 5%, sehingga pengamatan tersebut tidak termasuk kedalam pengamatan berpengaruh.terbesar adalah pengamatan ke- 47
35
dengan nilai 0,359917 dan kelompok jenis non-meranti pada pengamatan ke- 7 sebesar 0,17437. sedangkan pada tabel CookDistance dengan nilai n = 89 untuk kelompok jenis meranti besarnya adalah 0,700, sedangkan untuk kelompok jenis non-meranti besarnya adalah 0,710. Dengan demikian berdasarkan perbandingan ini nilai pengamatan ke 747 untuk kelompok jenis meranti dan nilai pengamatan ke – 7 untuk kelompok jenis non-meranti tidak termasuk kedalam kategori pengamatan yang berpengaruh. Dengan menghilangkan pengamatan pencilan, maka persamaan regresi yang dihasilkan setelah uji diagnostik baris dapat dilihat pada Tabel 20. Tabel 20 Persamaan regresi kelompok jenis meranti setelah pengamatan pencilan dihilangkan R2(%) No Persamaan regresi Sebelum Sesudah 2,44 1 V = 0,000174 D 96,9* 2 88,9 91,6 2 Va = - 0,216 + 0,00123 D 2 90,6 91,6 3 Va = - 0,496 + 0,0114 D + 0,00114 D 2,87 -0,0041 D 97,3* 4 V = 0,0000562 D 10 Ket: * tidak berubah, karena tidak ada pengamatan pencilan
Langkah selanjutnya menjumlahkan peringkat nilai R 2, simpangan baku (s), dan PRESS minimum atau paling kecil. Pada langkah ini diperoleh persamaan terbaik. Tabel 21 Penentuan peringkat model penduga volume pohon terbaik berdasarkan kriteria nilai R 2, simpangan baku (s), dan Fhitung kelompok jenis meranti Penyusunan No Persamaan regresi Peringkat Σ R 2 S PRESS 1 V = 0,000174 D 2,44 2 2 2 6 2 2 4 4 3 11 3,5 2 Va = - 0,216 + 0,00123 D 2 3 Va = - 0,496 + 0,0114 D+0,00114 D 3 3 4 11 3,5 2,87 -0,0041 D 1 1 1 3 1 4 V = 0,0000562 D 10 Tabel 22 Penentuan peringkat model penduga volume pohon terbaik berdasarkan kriteria nilai R 2, simpangan baku (s), dan Fhitung kelompok jenis nonmeranti Penyusunan model No Persamaan regresi Peringkat Σ R 2 S PRESS 1 V = 0,0001096 D 2,53 1,5 2 1 4,5 1,5 2 3 3 3 9 3 V = -0,263 + 0,00116 D 2 2 2 4 4 10 4 V =-0,491+0,0112 D+0,00106 D 3 2,69 -0,00175 D 1,5 1 2 4,5 1,5 V= 0,0000724 D 10 4
36
Setelah dilakukan peringkat seperti pada tabel diatas, maka diperoleh persamaan terbaik dari kelompok jenis meranti dan non-meranti. non-merant i. Untuk kelompok ke lompok jenis non-meranti diperoleh persamaan terbaik yaitu persamaan (1) dan (4), V = 0,0001096 D
2,53
dan V= 0,0000724 D
2,69
10
-0,00175 D
. Meskipun diperoleh dua
persamaan terbaik berdasarkan kriteria peringkat, diperlukan pertimbangan lain dalam menentukan persamaan terbaik yaitu kesederhanaan rumus. Persamaan (1) lebih baik dari persamaan (4) karena memiliki persamaan yang lebih sederhana dari persamaan (4), sedangkan untuk kelompok jenis meranti diperoleh persamaan terbaik, yaitu persamaan (4), V = 0,0000562 D
2,87
10 -0,0041 D.
4.3 Validasi Model
Dalam mengevaluasi model, Spurr (1952) dan Prodan (1965) mengatakan bahwa persamaan regresi sebagai penduga isi pohon cukup seksama apabila persamaan-persamaan tersebut memberikan Simpangan baku sisaan se-minimal mungkin. Kriteria lain adalah jika simpangan rata-rata dan agregatif dari dugaan isi pohon terhadap isi sebenarnya masing-masing kurang dari 10% dan 1%. Tabel 23 Simpangan Agregat Relatif (SAR) (SAR) dan Simpangan Simpangan Rata-rata Relatif(SRR) jenis meranti No Persamaan regresi SAR(%) SRR(%) 2,44 1 V = 0,000174 D 0,03 18,42 2 2 V = - 0,216 + 0,00123 D 0,15 37,40 2 3 V = - 0,496 + 0,0114 0,0114 D + 0,00114 0,00114 D 0,05 38,67 2,87 -0,0041 D 4 V = 0,0000562 D 10 0,02 19,09 Tabel 24 Simpangan Agregat Relatif (SAR) (SAR) dan Simpangan Simpangan Rata-rata Relatif(SRR) jenis non-meranti No Persamaan regresi SAR(%) 2,53 1 V = 0,0001096 D -0,03 2 0,01 2 V = -0,263 + 0,00116 D 2 0,02 3 V = -0,491 + 0,0112 D + 0,00106 D 2,69 -0,00175 D -0,06 4 V= 0,0000724 D 10
SRR(%) 22,43 543,1 58,79 23,48
Dari hasil perhitungan pada Tabel 23, dapat dilihat nilai simpangan agregat relative masih dibawah 1%, hal ini berarti ke-empat persamaan tersebut memenuhi syarat ketelitian yaitu kurang dari 1%. Tetapi, nilai simpangan rata-rata relative diatas 10%, hal ini berarti keempat model tersebut akan menimbulkan bias pada tingkat pengamatan tertentu atau validitasnya rendah. Begitu juga dengan hasil perhitungan SAR dan SRR pada Tabel 24, diperoleh nilai simpangan
37
agregat relative dibawah 1% dan nilai simpangan rata relative diatas 10%. Hal ini menunjukkan keempat persamaan regresi sebagai penduga isi pohon kurang cukup seksama dalam menduga volume pohon. Tabel 25 Nilai Simpangan baku (s), RMSE, bias, dan Khi-kuadrat jenis meranti No Persamaan regresi S RMSE e X2hitung X2tabel 1 V = 0,000174 D 2,44 0,39 4,16 16,24 5,69 2 2 V = - 0,216 + 0,00123 D 1,51 18,27 105,84 31,82 56,94 2 3 V =-0,496+0,0114D+0,00114D 0,45 4,60 12,58 8,84 4 V = 0,0000562 D 2,87 10 -0,0041 D 0,38 4,13 18,06 6,63 Tabel 26 Nilai Simpangan baku, RMSE, RMSE, bias, dan Khi-kuadrat jenis non-meranti No Persamaan regresi S RMSE e X2hit X2hit 1 V = 0,0001096 D 2,53 0,26 2,71 -5,09 7,05 2 2 V = -0,263 + 0,00116D 0,72 7,68 -29,3 7,48 51,00 2 3 V = -0,491+0,0112D+0,00106D 1,18 12,80 -52,5 10,73 10,73 4 V = 0,0000724 D 2,69 10 -0,00175 D 0,25 2,62 -7,20 6,23 Hasil perhitungan pada Tabel 25 diperoleh nilai simpangan baku terkecil pada persamaan per samaan (4) sebesar sebes ar 0,38 dan persamaan (2) memberikan nilai n ilai simpangan baku terbesar sebesar 1,5. Hal ini berarti persamaan regresi (4) cukup seksama dalam menduga volume pohon apabila dibandingkan dengan persamaan (2). Sedangkan pada Tabel 26 terlihat bahwa persamaan (4) memberikan nilai simpangan baku terkecil yaitu sebesar 0,25 dan persamaan 3 memberikan nilai simpangan baku terbesar sebesar 1,18. Hal ini berarti persamaan (4) memiliki ketelitian yang lebih baik apabila dibandingkan dengan persamaan (3). Nilai
bias
menggambarkan
volume
yang
akan
diduga
mengalami
overestimate atau underestimate dari total volume aktualnya. Nilai bias terkecil
terdapat pada persamaan (3) sebesar 12,58% dan nilai bias terbesar terdapat pada persamaan (2). Hal ini berarti persamaan (3) memberikan total volume dugaan lebih besar dari total volume aktualnya sebesar 12,58% dan persamaan (4) memberikan total volume dugaan lebih besar dari total volume aktualnya sebesar 105%. Dari kedua persamaan tersebut dapat dilihat bahwa persamaan (3) lebih baik dalam menduga mendu ga volume dugaan apabila dibandingkan dengan persamaan (2). Sedangkan pada Tabel 26 nilai bias terbesar terdapat pada persamaan (3) yang mengalami underestimate sebesar -52,51% dan nilai bias terkecil terdapat pada persamaan (1) yang mengalami underestimate
sebesar -5,09%. Hal ini berarti
38
persamaan regresi (1) memberikan dugaan volume yang lebih baik bila dibandingkan dengan persamaan (3). Tabel 27 Penentuan peringkat model penduga volume pohon terbaik berdasarkan kriteria nilai RMSE, simpangan baku (s), dan bias (e) kelompok jenis meranti Validasi model No Persamaan regresi Σ Peringkat RMSE S e 1 V = 0,000174 D 2,44 2 2 2 6 2 2 2 Va = - 0,216 + 0,00123 D 4 4 4 12 4 2 3 Va =-0,496+0,0114 D + 0,00114 D 3 3 1 7 3 2,87 -0,0041 D 4 V = 0,0000562 D 10 1 1 3 5 1 Tabel 28 Penentuan peringkat model penduga volume pohon terbaik berdasarkan kriteria nilai RMSE, simpangan baku (s), dan bias (e) kelompok jenis non-meranti Validasi model No Persamaan regresi Σ Peringkat RMSE S e 1 V = 0,0001096 D 2,53 2 2 1 5 2 2 2 V = -0,263 + 0,00116 D 3 3 3 9 3 2 3 V =-0,491+0,0112 D + 0,00106 D 4 4 4 12 4 2,69 -0,00175 D 4 V= 0,0000724 D 10 1 1 2 4 1 Berdasarkan penentuan peringkat pada tahap validasi model seperti yang ditunjukkan pada Tabel 27 dan Tabel 28, diperoleh persamaan terbaik untuk kelompok jenis meranti, yaitu V = 0,0000562 D
2,87
10
-0,0041 D
dan V= 0,0000724
D 2,69 10 -0,00175 D untuk kelompok jenis non-meranti. Tabel 29 Penentuan peringkat gabungan untuk kelompok jenis meranti meranti No 1 2 3 4
Persamaan regresi V = 0,000174 D 2,44 V = - 0,216 + 0,00123 D 2 V =-0,496+ 0,0114 D + 0,00114 D 2 V = 0,0000562 D 2,87 10 -0,0041 D
Peringkat Penyusunan Validasi 2 2 3,5 4 3,5 3 1 1
Σ
Peringkat
4 7,5 6,5 2
2 4 3 1
Tabel 30 Penentuan peringkat gabungan untuk kelompok jenis non-meranti No 1 2 3 4
Persamaan regresi V = 0,0001096 D 2,53 V = -0,263 + 0,00116 D 2 V =-0,491+0,0112D + 0,00106 D 2 V = 0,0000724 D 2,69 10 -0,00175 D
Peringkat Penyusunan Validasi 1,5 2 3 3 4 4 1,5 1
Σ
Peringkat
3,5 6 8 2,5
2 3 4 1
39
Setelah dilakukan penentuan peringkat pada tahap penyusunan model dan validasi model, selanjutnya dilakukan penentuan peringkat gabungan, Peringkat gabungan dilakukan dengan menggabungkan hasil penentuan peringkat pada tahap penyusunan model dan pada tahap validasi model. Penentuan peringkat gabungan terbaik adalah peringkat dengan nilai terkecil. Pada tahap ini diperoleh persamaan terbaik, baik untuk kelompok jenis meranti maupun untuk kelompok jenis non-meranti. Persamaan terbaik pada Tabel 29 yaitu, V = 0,0000562 D
2,87
10
-0,0041 D
, sedangkan pada Tabel 30
diperoleh persamaan terbaik yaitu, V = 0,0000724 D 2,69 10 -0,00175 D
4.4 Validasi Model Propinsi Kalimantan Tengah
Setelah model terbaik untuk areal perusahaan PT. Trisetia Intiga diperoleh, maka dilakukan validasi terhadap model Propinsi Kalimantan Tengah untuk mengetahui model terbaik mana yang akan memberikan hasil dugaan volume pohon mendekati volume pohon sebenarnya. Kriteria yang diuji adalah nilai simpangan agregat relative, nilai simpangan rata-rata, RMSE, Bias, dan nilai X2 hitung. Persamaan regresi Propinsi Kalimantan tengah yang akan digunakan adalah V= 0,00026965D2,37 untuk jenis meranti dan
V=
0,00032782D 0,00032782D2,30
untuk
jenis non-meranti. Tabel 31 Nilai SAR dan SRR untuk kelompok jenis m meranti eranti Persamaan regresi SAR(%) SRR(%) 2,37 Propinsi V=0,00026965 D 0,89 24,54 2,87 -0,0041 D Terpilih V = 0,0000562 D 10 0,02 19,09 Dalam mengevaluasi model, Spurr (1952) dan Prodan (1965) mengatakan bahwa persamaan regresi sebagai penduga isi pohon cukup seksama apabila persamaan-persamaan tersebut memberikan Simpangan baku sisaan se-minimal mungkin. Kriteria lain adalah jika simpangan rata-rata dan agregatif dari dugaan isi pohon terhadap isi sebenarnya masing-masing kurang dari 10% dan 1%. Berdasarkan hasil perhitungan pada Tabel 13, diperoleh nilai simpangan agregrat relative sebesar 0,02% dan simpangan rata-rata relatif sebesar 19,09% untuk model persamaan regresi terpilih, sedangkan model persamaan regresi
40
Propinsi Kalimantan Tengah diperoleh nilai simpangan agregatif sebesar 0,89% dan simpangan rata-rata sebesar 24,54%. Dari nilai-nilai tersebut terlihat bahwa nilai simpangan agregat relatif masih dibawah 1% baik untuk persamaan regresi propinsi maupun persamaan regresi terpilih. Ini berarti persamaan regresi tersebut memenuhi syarat ketelitian yaitu tidak lebih dari 1%.Sedangkan untuk nilai – nilai simpangan rata-rata relatif diperoleh nilai yang lebih besar dari 10%, sehingga kedua model tersebut akan menimbulkan bias pada tingkat pengamatan tertentu atau validitasnya rendah. Tabel 32 Nilai SAR dan SRR untuk kelompok jenis non-meranti SAR Persamaan regresi 2,69 -0,00175 D Terpilih V= 0,0000724 D 10 -0,06 2,30 Propinsi: V= 0,00032782 D 0,93
SRR 23,48 21,55
Dilihat dari nilai simpangan agregat dan simpangan rata-rata pada Tabel 32, terlihat bahwa untuk model persamaan regresi terpilih untuk lokasi areal PT. TRISETIA INTIGA memiliki nilai simpangan agregat relatif sebesar -0,06%, dan nilai simpangan rata-rata relatif sebesar 23,48%, sedangkan untuk model Propinsi Kalimantan Tengah diperoleh nilai simpangan agregat relatif sebesar 0,93% dan nilai simpangan rata-rata relatif sebesar 21,55%. Dari nilai-nilai tersebut dapat dilihat bahwa nilai simpangan agregatif lebih kecil dari 1% yang berarti kedua persamaan regresi memenuhi syarat ketelitian. Sedangkan untuk nilai-nilai simpangan rata-rata relative dari kedua persamaan tersebut lebih besar dari 10%, sehingga tidak memenuhi kaidah yang seharusnya yaitu kurang dari 10%. Tabel 33 Nilai simpangan baku (s), bias (e) dan Khi-kuadrat untuk kelompok jenis meranti Persamaan re resi S e(%) X2 hitun X2 tabel 1% Terpilih V = 0,0000562 D 2,87 10 -0,0041 D 0,38 18,06 5,69 64,95 2,37 Propinsi V=0,00026965 D 0,50 39,96 13,33 Tabel 34 Nilai simpangan baku (s), bias (e) dan Khi-kuadrat untuk kelompok jenis non-meranti Persamaan re resi S e(%) X2 hitun X2 tabel 1% Terpilih V= 0,0000724 D 2,69 10 -0,00175 D 0,25 -7,20 6,23 2,30 52,19 Propinsi V= 0,00032782 D 0,42 24,54 8,65 Ketelitian suatu model dapat dinilai dari besarnya simpangan baku yang dihasilkan. Semakin kecil simpangan baku yang dihasilkan maka model tersebut tersebut akan memiliki ketelitian yang tinggi dalam menduga volume pohon. Pada
41
Tabel 33 terlihat bahwa nilai simpangan baku terkecil sebesar 0,38 dan nilai bias terkecil sebesar 18,06% terdapat pada persamaan regresi terpilih. Hal ini menunjukkan bahwa persamaan regresi terpilih memiliki tingkat ketelitian yang lebih baik dari persamaan regresi propinsi. Begitu juga pada Tabel 34 terlihat bahwa persamaan regresi terpilih memiliki nilai simpangan baku dan nilai bias terkecil sebesar 0,25 dan -7,20%. Oleh karena itu persamaan regresi terpilih pada Tabel 34 memiliki tingkat ketelitian yang lebih baik dari persamaan regresi propinsi Selanjutnya dilakukan uji X2 (Khi-kuadrat), yaitu alat untuk menguji apakah volume yang diduga dengan model persamaan regresi (V) berbeda dengan volume pohon aktualnya (Va). Dari nilai-nilai yang diperoleh pada Tabel 33 dan Tabel 34, terlihat bahwa nilai
hitung
(Khi-kuadrat) lebih kecil dari nilai X2tabel. Hal ini berarti
Ho diterima, yang artinya volume yang diduga dengan model persamaan regresi (V) tidak berbeda nyata dengan volume pohon aktualnya (Va) pada tingkat nyata 1%. Tabel 35 Nilai Root Mean Square (RMSE) untuk kelompok jenis meranti Persamaan regresi RMSE(%) 2,87 -0,0041 D Terpilih: V = 0,0000562 D 10 4,13 2,37218 Propinsi: V=0,00026965 D 6,38 Tabel 36 Nilai Root Mean Square (RMSE) untuk kelompok jenis non-meranti Persamaan regresi RMSE(%) 2,69 -0,00175 D Terpilih: V= 0,0000724 D 10 2,62 2,30 Propinsi: V= 0,00032782 D 4,87 Ketepatan model ditunjukkan oleh nilai Root Mean Square Error (RMSE), semakin kecil nilai RMSE menunjukkan bahwa model penduga volume tersebut lebih akurat dalam menduga volume. Berdasarkan Tabel 35 terlihat bahwa nilai RMSE untuk persamaan regresi terpilih sebesar 4,13% dan 6,38% untuk model propinsi. Dari nilai RMSE tersebut terlihat bahwa nilai RMSE terkecil terdapat pada persamaan regresi terpilih sebesar 4,13%. Hal ini berarti persamaan regresi terpilih memiliki tingkat ketepatan yang lebih baik dibandingkan dengan model Propinsi Kalimantan tengah. Begitu juga pada Tabel 36, diperoleh nilai Root Mean Square Error (RMSE) terkecil pada model terpilih sebesar 2,62%. Sehingga
dapat dikatakan bahwa model terpilih memiliki tingkat ketepatan yang lebih baik dari model propinsi sebesar 4,87%.
42
Setelah dilakukan validasi model berdasarkan criteria yang telah ditetapkan yaitu terdiri atas perhitungan nilai bias (e), simpangan baku (s), dan RMSE maka dibuat peringkat untuk persamaan penduga volume diatas. Untuk Peringkat nilai bias terbaik diberikan pada persamaan yang mempunyai nilai bias terkecil, peringkat nilai simpangan baku terbaik diberikan pada persamaan yang memiliki nilai simpangan terkecil, sedangkan untuk peringkat nilai RMSE terbaik diberikan pada persamaan yang memiliki nilai RMSE terkecil. Langkah selanjutnya menjumlahkan nilai bias, simpangan baku, dan RMSE untuk setiap persamaan kemudian menentukan peringkat terakhir. Peringkat akhir terbaik apabila jumlah nilai bias, nilai simpangan baku, dan nilai RMSE minimum atau paling kecil. Pada langkah ini diperoleh persamaan terbaik untuk lokasi areal PT. Trisetia Intiga Kabupaten lamandau, Kalimantan tengah. Tabel 37 Peringkat persamaan penduga volume untuk kelompok jenis meranti Validasi model Persamaan regresi Σ Peringkat Bias S RMSE Terpilih V = 0,0000562 D 2,87 10 -0,0041 D 1 1 1 3 1 2,37 Propinsi V=0,00026965 D 2 2 2 6 2 Tabel 38 Peringkat persamaan penduga volume untuk kelompok jenis nonmeranti Validasi model Persamaan regresi Σ Peringkat Bias S RMSE Terpilih V= 0,0000724 D 2,69 10 -0,00175 D 1 1 1 3 1 2,30 Propinsi V= 0,00032782 D 2 2 2 6 2 Seperti disajikan pada Tabel 37 dan 38, peringkat 1 persamaan penduga volume untuk kelompok jenis meranti setelah menjumlahkan peringkat bias, simpangan baku dan RMSE adalah V = 0,0000562 D
2,87
10
-0,0041 D
. Begitu juga
dangan kelompok jenis non-meranti, peringkat 1 persamaan penduga volume setelah menjumlahkan peringkat bias, simpangan baku dan RMSE adalah V= 0,0000724 D
2,69
10 -0,00175 D.
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan
Berdasarkan
hasil
penelitian
dan
pembahasan
sebelumnya,
dapat
disimpulkan beberapa hal sebagai berikut: 1. Persamaan penduga volume pohon dapat disusun dengan hanya menggunakan satu peubah bebas (diameter setinggi dada) saja. 2. Berdasarkan beberapa pengujian statistik seperti koefisien determinasi, simpangan baku, uji F, dan uji diagnostik baris serta kriteria yang diuji (nilai simpangan agregat relatif, nilai simpangan rata-rata, RMSE, Bias, dan nilai X
2
hitung) model yang terpilih untuk jenis meranti adalah sebagai berikut V = 0.0000562 D
2.87
10
-0.0041 D
adalah V = 0.0000724 D
2.69
; sedangkan untuk kelompok jenis non-meranti
10
-0.00175 D
.
5.2 Saran
1. Perlunya dilakukan verifikasi model penduga volume pohon dengan pengukuran langsung di lapangan. b
2. Perlunya dilakukan pengujian keterandalan model hubungan V = a D 10 dengan model penduga volume pohon yang lain pada lokasi yang berbeda.
cD
DAFTAR PUSTAKA
Bagian Botani Hutan. 1980. Pengenalan Jenis-Jenis Pohon Ekspor Serie ke XI. Laporan penelitian hutan No 350. Lembaga Penelitian Hutan. Bogor Bustomi, S., D. Wahjono, Harbagung, dan I. B. P. Parthama.1998. Petunjuk Teknis Tata Cara Penyusunan Tabel Volume Pohon. Badan Penelitian dan Pengembangan Kehutanan. Bogor Departemen Kehutanan Republik Indonesia. 2007. Peraturan Menteri Kehutanan No. P.34/Menhut-II/2007, tentang Pedoman Inventarisasi Hutan Menyeluruh Berkala (IHMB) Pada Usaha Pemanfaatan Hasil Hutan Kayu Pada Hutan Produksi. Departemen Kehutanan Republik Indonesia, Jakarta. Direktorat Bina Program Kehutanan. 1982. Tabel Volume Pohon Berdiri untuk Propinsi DATI I Kalimantan Tengah. Departemen Pertanian. Bogor Draper, N. R. dan H. Smith. 1992. Analisis Regresi Terapan Edisi 2 Terjemahan). Gramedia. Jakarta Husch, B. 1963. Forest Mensuration and Statistic. The Ronald Press Company. New York. Jaya, I N. S., S. Sutarahardja, F. Pambudhi, B. Santoso. 2008. Modul Pelatihan Inventarisasi Hutan Menyeluruh Berkala. Departemen Kehutanan-Asosiasi Pengusaha Hutan Indonesia. Samarinda Kuncahyo, B. 1991. Analisis Regresi dengan Minitab. Departemen Manajemen Hutan. Fahutan IPB. Muhdin. 1997. Analyzing some Formulae of Log Volume Estimation on Logs of Meranti (Shorea spp) (case Study in the Forest Concession Area of PT. Siak Raya Timber, Province of Riau, Indonesia). Thesis at the Faculty of Forestry and Ecological Sciences. Gottingen Germany. Nurharyanti, 2008. Kajian Penggunaan Citra Alos Palsar untuk Klasifikasi Tutupan Lahan di PT. TRISETIA INTIGA, Kalimantan Tengah. [Skripsi]. Departemen Manajemen Hutan. Fakultas Kehutanan. Institut Pertanian Bogor. Marlia, R. E. 2002. Studi Penyusunan Tabel Volume Lokal Jenis-Jenis Komersial Ekspor di Hutan mangrove HPH PT. Bina Lestari I, Riau. [Skripsi]. Jurusan Manajemen Hutan. Fakultas Kehutanan. Institut Pertanian Bogor. Priyanto. 1999. Penyusuna Tabel Volume Lokal Jenis-Jenis Komersial Hutan Alam di HPH PT. Harjohn Timber LTD., Propinsi Kalimantan Barat.
45
[Skripsi]. Jurusan Manajemen Hutan. Fakultas Kehutanan. Institut Pertanian Bogor. Prodan. 1965. Holmesslehre. J.D Saverlaeder’s. Verlag Frankfurt am Main. Purr, S. H. 1952. Forest Inventory. The Ronald Press Company. New York. Surat Keputusan Menteri Kehutanan: SK Menhut No. 163/ KPTS-II/2003 Suharlan, A., S. Boestami dan K. Soemarna. 1976. Tabel Volume Lokal Pinus merkusii Jungh et de Vriese. Lembaga Penelitian Hutan. Bogor. Suharlan, A. dan Y. Sudiono. 1978. Ilmu Ukur Kayu. Lembaga Penelitian Hutan. Bogor Sutarahardja, S. 1982. Studi Penyusunan Tabel Volume Lokal Semua Jenis dan Potensi Tegakan Hutan Hujan Tropis di Propinsi Sulawesi Tengah. Proyek Penelitian Pengembangan Efisiensi Penggunaan Sumber-sumber Kehutanan Fakultas Kehutanan Institut Pertanian Bogor. Bogor Sutarahardja, S., K. Sumarna dan M. H. Witjaksono. 1991. Studi Kesaksamaan Beberapa Persamaan Regresi Guna Pendugaan Volume Tegakan Meranti (Shorea spp.) di Kalimantan Tengah. Skripsi pada Jurusan Manajemen Hutan, Fakultas Kehutanan Institut Pertanian Bogor. Tidak diterbitkan. Vurnamawati, V. 2002. Penyusunan dan Validasi Tabel Volume Batang Gmelina arborea (studi kasus di Areal PT. Wanakasita Nusantara Jambi). [Skripsi]. Jurusan Manajemen Hutan. Fakultas Kehutanan. Institut Pertanian Bogor. Walpole, E. R. 1993. Pengantar Statistik Edisi 3 (Terjemahan). Gramedia. Jakarta
LAMPIRAN
47
Lampiran 1. Analisis regresi kelompok jenis meranti Regression Analysis: Va versus D^2 The regression equation is Va = 0,241 + 0,00108 D^2
Predictor Constant D^2
Coef 0,2410 0,00108420
S = 1,68426
SE Coef 0,2340 0,00004110
R-Sq = 88,9%
PRESS = 369,661
T 1,03 26,38
P 0,306 0,000
R-Sq(adj) = 88,8%
R-Sq(pred) = 83,35%
Analysis of Variance Source Regression Residual Error Total
DF 1 87 88
SS 1974,0 246,8 2220,8
MS 1974,0 2,8
F 695,88
P 0,000
SE Fit 0,204 0,226 0,329 0,494 0,678 1,052
Residual 3,833 4,119 -4,501 6,172 2,569 -7,954
Unusual Observations Obs 78 80 85 87 88 89
D^2 6084 7056 10404 14884 19600 28900
Va 10,670 12,010 7,020 22,550 24,060 23,620
Fit 6,837 7,891 11,521 16,378 21,491 31,574
St Resid 2,29R 2,47R -2,72R 3,83RX 1,67 X -6,05RX
R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influence.
Regression Analysis: Va versus Dbh (cm), D^2 The regression equation is Va = - 1,57 + 0,0636 Dbh (cm) + 0,000668 D^2
Predictor Constant Dbh (cm) D^2
Coef -1,5724 0,06364 0,0006676
S = 1,55671
SE Coef 0,5044 0,01599 0,0001113
R-Sq = 90,6%
PRESS = 383,564
T -3,12 3,98 6,00
P 0,002 0,000 0,000
R-Sq(adj) = 90,4%
R-Sq(pred) = 82,73%
Analysis of Variance Source Regression Residual Error Total
Source
DF
DF 2 86 88
SS 2012,4 208,4 2220,8
Seq SS
MS 1006,2 2,4
F 415,22
P 0,000
48
Lampiran 1. (Lanjutan) Dbh D^2
(cm)
1 1
1925,3 87,1
Unusual Observations
Obs 62 78 80 85 87 88 89
Dbh (cm) 65 78 84 102 122 140 170
Va 2,290 10,670 12,010 7,020 22,550 24,060 23,620
Fit 5,385 7,454 8,484 11,865 16,129 20,423 28,541
SE Fit 0,218 0,244 0,257 0,316 0,461 0,682 1,235
Residual -3,095 3,216 3,526 -4,845 6,421 3,637 -4,921
St Resid -2,01R 2,09R 2,30R -3,18R 4,32R 2,60RX -5,19RX
R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influence.
Regression Analysis: LogVa versus Log D, Dbh (cm) The regression equation is LogVa = - 4,25 + 2,87 Log D - 0,00410 Dbh
Predictor Constant Log D Dbh (cm)
Coef -4,2504 2,8702 -0,004095
S = 0,112563
SE Coef 0,1625 0,1341 0,001200
R-Sq = 97,3%
PRESS = 1,16712
T -26,15 21,41 -3,41
(cm)
P 0,000 0,000 0,001
R-Sq(adj) = 97,2%
R-Sq(pred) = 97,08%
Analysis of Variance Source Regression Residual Error Total
Source Log D Dbh (cm)
DF 1 1
DF 2 86 88
SS 38,893 1,090 39,982
MS 19,446 0,013
F 1534,78
P 0,000
Seq SS 38,745 0,148
Unusual Observations Obs 4 11 53 59 62 85 88 89
Log D 1,20 1,26 1,77 1,80 1,81 2,01 2,15 2,23
LogVa -1,0969 -1,0000 0,3541 0,4330 0,3598 0,8463 1,3813 1,3733
Fit -0,8599 -0,7213 0,5907 0,6560 0,6868 1,0970 1,3361 1,4552
SE Fit 0,0256 0,0222 0,0157 0,0156 0,0155 0,0239 0,0483 0,0724
Residual -0,2370 -0,2787 -0,2366 -0,2231 -0,3270 -0,2506 0,0452 -0,0819
St Resid -2,16R -2,53R -2,12R -2,00R -2,93R -2,28R 0,44 X -0,95 X
R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influence.
49
Lampiran 1. (Lanjutan) Regression Analysis: LogVa versus Log D The regression equation is LogVa = - 3,76 + 2,44 Log D
Predictor Constant Log D
Coef -3,75542 2,43796
S = 0,119256
SE Coef 0,07779 0,04671
R-Sq = 96,9%
PRESS = 1,30486
T -48,27 52,19
P 0,000 0,000
R-Sq(adj) = 96,9%
R-Sq(pred) = 96,74%
Analysis of Variance Source Regression Residual Error Total
DF 1 87 88
SS 38,745 1,237 39,982
MS 38,745 0,014
F 2724,31
P 0,000
Unusual Observations Obs 4 11 62 85 89
Log D 1,20 1,26 1,81 2,01 2,23
LogVa -1,0969 -1,0000 0,3598 0,8463 1,3733
Fit -0,8198 -0,6951 0,6644 1,1415 1,6823
SE Fit 0,0241 0,0221 0,0149 0,0212 0,0302
Residual -0,2771 -0,3049 -0,3046 -0,2951 -0,3090
St Resid -2,37R -2,60R -2,57R -2,51R -2,68R
R denotes an observation with a large standardized residual.
50
Lampiran 2. Analisis regresi kelompok jenis non-meranti Regression Analysis: LogVa versus Log D The regression equation is LogVa = - 3,96 + 2,53 Log D
Predictor Constant Log D
Coef -3,9615 2,53252
S = 0,137367
SE Coef 0,1162 0,07109
R-Sq = 96,3%
PRESS = 1,00240
T -34,09 35,63
P 0,000 0,000
R-Sq(adj) = 96,2%
R-Sq(pred) = 95,97%
Analysis of Variance Source Regression Residual Error Total
DF 1 49 50
SS 23,948 0,925 24,873
MS 23,948 0,019
F 1269,14
P 0,000
SE Fit 0,0280 0,0251
Residual -0,3501 0,2707
Unusual Observations Obs 7 38
Log D 1,90 1,84
LogVa 0,4942 0,9661
Fit 0,8443 0,6954
St Resid -2,60R 2,00R
R denotes an observation with a large standardized residual.
Regression Analysis: Va versus D^2 The regression equation is Va = - 0,263 + 0,00116 D^2
Predictor Constant D^2
Coef -0,2633 0,00116117
S = 1,27661
SE Coef 0,2697 0,00006682
R-Sq = 86,0%
PRESS = 89,3965
T -0,98 17,38
P 0,334 0,000
R-Sq(adj) = 85,8%
R-Sq(pred) = 84,37%
Analysis of Variance Source Regression Residual Error Total
DF 1 49 50
SS 492,17 79,86 572,02
MS 492,17 1,63
F 301,99
SE Fit 0,243 0,280 0,525 0,439
Residual 2,565 -3,864 1,273 -3,226
P 0,000
Unusual Observations Obs 4 7 28 37
D^2 5476 6241 10404 9025
Va 8,660 3,120 13,090 6,990
Fit 6,095 6,984 11,817 10,216
St Resid 2,05R -3,10R 1,09 X -2,69RX
51
Lampiran 2. (Lanjutan) 38
4761
9,250
5,265
0,213
3,985
3,17R
R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influence.
Regression Analysis: Va versus Dbh (cm), D^2 The regression equation is Va = - 0,491 + 0,0112 Dbh (cm) + 0,00106 D^2
Predictor Constant Dbh (cm) D^2
Coef -0,4914 0,01118 0,0010567
S = 1,28822
SE Coef 0,7104 0,03216 0,0003080
R-Sq = 86,1%
PRESS = 93,9718
T -0,69 0,35 3,43
P 0,492 0,730 0,001
R-Sq(adj) = 85,5%
R-Sq(pred) = 83,57%
Analysis of Variance Source Regression Residual Error Total
Source Dbh (cm) D^2
DF 1 1
DF 2 48 50
SS 492,37 79,66 572,02
MS 246,18 1,66
F 148,35
P 0,000
Seq SS 472,83 19,54
Unusual Observations
Obs 4 7 28 37 38
Dbh (cm) 74 79 102 95 69
Va 8,660 3,120 13,090 6,990 9,250
Fit 6,122 6,987 11,643 10,108 5,311
SE Fit 0,257 0,282 0,730 0,542 0,253
Residual 2,538 -3,867 1,447 -3,118 3,939
St Resid 2,01R -3,08R 1,36 X -2,67RX 3,12R
R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influence.
Regression Analysis: LogVa versus Log D, Dbh (cm) The regression equation is LogVa = - 4,14 + 2,69 Log D - 0,00175 Dbh
Predictor Constant Log D Dbh (cm)
Coef -4,1360 2,6936 -0,001752
S = 0,138348
SE Coef 0,3359 0,2994 0,003162
R-Sq = 96,3%
PRESS = 1,02981
T -12,31 9,00 -0,55
(cm)
P 0,000 0,000 0,582
R-Sq(adj) = 96,2%
R-Sq(pred) = 95,86%
52
Lampiran 2. (Lanjutan) Analysis of Variance Source Regression Residual Error Total
Source Log D Dbh (cm)
DF 1 1
DF 2 48 50
SS 23,954 0,919 24,873
MS 11,977 0,019
F 625,75
P 0,000
SE Fit 0,0310 0,0636
Residual -0,3429 0,0213
Seq SS 23,948 0,006
Unusual Observations Obs 7 28
Log D 1,90 2,01
LogVa 0,4942 1,1169
Fit 0,8370 1,0956
St Resid -2,54R 0,17 X
R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influence.
53
Lampiran 3. Data pohon contoh kelompok jenis meranti Panjang Dbh Tbc Vol_aktual No Nama jenis batang (cm) (cm) (m3) (m) 1 13 6,35 0,07 6,00 keruing 2 13 8,45 0,09 7,80 keruing 3 14,5 9,90 0,11 9,00 keruing 4 16 5,15 0,08 4,75 keruing 5 16 11,38 0,15 10,80 meranti 6 16 8,83 0,15 8,20 meranti 7 16 9,65 0,16 9,20 nyatoh 8 17 14,10 0,23 13,50 meranti 9 17,5 14,35 0,24 13,60 meranti 10 meranti 17,5 11,25 0,22 10,65 11 keruing 18 4,30 0,10 4,00 12 meranti 18 7,88 0,15 7,30 13 nyatoh 28,5 12,90 0,58 11,50 14 meranti 19 12,80 0,27 12,00 15 meranti 20 8,45 0,21 8,00 16 meranti 20 12,50 0,29 12,00 17 meranti 21 15,84 0,31 15,10 18 meranti 21 16,00 0,41 15,30 19 meranti 22 9,31 0,25 8,90 20 meranti 22 10,60 0,34 10,00 21 meranti 22,3 13,84 0,40 13,40 22 keruing 23 14,95 0,36 14,00 23 meranti 24,5 13,54 0,49 13,10 24 meranti 25 7,90 0,30 7,30 25 meranti 25 13,80 0,56 13,10 26 keruing 26 12,60 0,51 11,90 27 meranti 28 11,80 0,49 11,40 28 meranti 30 8,30 0,47 7,90 29 meranti 30,5 15,35 0,81 14,80 30 keruing 32 15,89 0,91 15,30 31 meranti 32 19,80 1,16 19,25 32 keruing 33 13,52 0,89 12,81 33 meranti 35 16,53 1,14 15,90 34 meranti putih 35 15,95 1,07 14,45 35 meranti 41 21,70 2,27 21,10 36 meranti 46 14,00 2,13 14,00 37 nyatoh 46 18,42 2,72 17,10
Vol_silinder (m3)
Angka bentuk
0,08 0,10 0,15 0,10 0,22 0,16 0,18 0,31 0,33 0,26 0,10 0,19 0,73 0,34 0,25 0,38 0,52 0,53 0,34 0,38 0,52 0,58 0,62 0,36 0,64 0,63 0,70 0,56 1,08 1,23 1,55 1,10 1,53 1,39 2,78 2,33 2,84
0,89 0,85 0,74 0,87 0,70 0,92 0,85 0,75 0,72 0,85 0,94 0,81 0,79 0,80 0,84 0,77 0,60 0,77 0,74 0,88 0,76 0,61 0,79 0,83 0,87 0,81 0,70 0,83 0,75 0,74 0,75 0,81 0,74 0,77 0,82 0,92 0,96
54
Lampiran 3. (Lanjutan)
No 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65
Nama jenis meranti kuning meranti meranti merah meranti merah meranti Keruing meranti meranti kuning meranti meranti merah meranti merah meranti meranti meranti meranti merah keruing meranti bakonsu meranti putih meranti merah meranti putih bangkirai keruing meranti merah meranti merah meranti meranti batu meranti merah meranti kuning
Dbh (cm)
Tbc (cm)
Vol_aktual (m3)
Panjang batang (m)
Vol_silinder (m3)
Angka bentuk
48
23,18
2,77
22,00
3,98
0,70
49
11,40
1,61
10,60
2,00
0,81
50
15,74
2,41
14,10
2,77
0,87
50
16,38
2,43
15,10
2,96
0,82
52 54 54
23,15 17,23 15,00
3,32 3,01 2,95
21,50 15,80 14,40
4,56 3,62 3,30
0,73 0,83 0,90
54
21,69
3,42
20,00
4,58
0,75
55
16,78
2,89
15,40
3,66
0,79
55
20,75
3,96
18,60
4,42
0,90
55
25,71
4,17
23,78
5,65
0,74
56 57 58
24,20 18,95 23,28
4,46 3,60 4,66
22,40 17,40 21,30
5,51 4,44 5,62
0,81 0,81 0,83
58
29,44
2,31
27,55
7,28
0,32
59
12,50
2,26
10,80
2,95
0,77
59
22,67
4,70
21,40
5,85
0,80
59
24,90
4,80
23,30
6,37
0,75
60
22,29
4,40
19,00
5,37
0,82
60 62 63
18,98 17,25 12,02
4,25 4,11 2,71
16,60 16,00 10,20
4,69 4,83 3,18
0,91 0,85 0,85
63
20,80
4,59
19,50
6,08
0,76
63
15,95
3,15
13,40
4,17
0,76
65 66
11,90 17,96
0,29 4,19
11,20 15,80
3,71 5,40
0,08 0,78
66
14,03
3,36
11,60
3,97
0,85
69
22,86
5,88
21,20
7,92
0,74
55
Lampiran 3. (Lanjutan)
No 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89
Nama jenis meranti merah Meranti batu meranti kuning meranti kuning keruing meranti merah meranti merah meranti putih keruing meranti putih Meranti kuning meranti merah meranti putih meranti Meranti merah keruing bangkirai meranti batu nyatoh meranti meranti putih meranti merah meranti putih Bangkirai
Dbh (cm)
Tbc (cm)
Vol_aktual (m3)
Panjang batang (m)
Vol_silinder (m3)
Angka bentuk
70
25,90
7,84
24,50
9,42
0,83
71
24,57
8,48
23,00
9,10
0,93
72
22,35
6,20
19,00
7,73
0,80
73
24,28
7,94
22,97
9,61
0,83
74
17,90
5,37
15,90
6,83
0,79
74
22,41
7,25
20,90
8,98
0,81
74
26,51
9,05
25,40
10,92
0,83
74 75 76
24,35 23,00 22,70
7,46 7,69 7,12
22,95 21,80 21,40
9,87 9,63 9,70
0,76 0,80 0,73
78
19,81
6,74
18,40
8,79
0,77
78
20,90
7,08
19,10
9,12
0,78
78 81
26,90 22,32
10,67 8,32
25,70 19,90
12,27 10,25
0,87 0,81
84
26,68
12,01
25,30
14,01
0,86
90 98 98 100 102 108
20,30 22,01 27,87 21,60 13,30 14,95
11,75 12,54 13,63 10,82 7,02 11,52
18,90 18,05 26,30 16,30 10,55 13,55
12,02 13,61 19,83 12,82 8,62 12,41
0,98 0,92 0,69 0,84 0,82 0,93
122
29,10
22,55
27,40
32,01
0,70
140 170
25,96 25,45
24,06 23,62
24,30 22,90
37,39 51,95
0,64 0,45
56
Lampiran 4. Data pohon contoh kelompok jenis non-meranti
No
Nama jenis
1 Kempas 2 Kempas 3 Kempas 4 Kempas 5 mendarahan 6 Jabon putih 7 Kempas 8 Jabon putih 9 jabon putih 10 jabon putih 11 kubar 12 rengas 13 merkubung 14 medang 15 kempas 16 joring hantu 17 kumpang hutan 18 kempas 19 tekuyung 20 kempas 21 bintangur 22 kayu batu 23 jabon putih 24 pari kobung 25 jabon putih 26 medang 27 benuang 28 benuang 29 benuang 30 basampa 31 sabara 32 bintangur 33 medang 34 pisang-pisang 35 banitan 36 terentang 37 kampili 38 medang
Dbh (cm) 63 69 65 74 52 14 79 17 14 13 78 57 31 76 72 58 15 65 14 92 17,5 17 36 45 19 63,5 70 102 80 30,3 17,5 27,5 57 18,5 38 25 95 69
Tbc (cm) 26,30 22,35 23,37 22,33 16,05 6,40 10,41 6,55 8,00 7,75 21,51 12,79 8,50 20,71 20,49 13,60 6,34 13,18 11,80 20,16 10,20 12,50 20,54 10,73 9,00 19,51 23,38 25,24 29,00 11,69 7,81 14,60 21,01 9,90 13,60 12,45 13,31 28,63
Vol_aktual (m3) 5,35 6,33 5,72 8,66 2,11 0,07 3,12 0,12 0,07 0,09 6,77 2,03 0,51 7,72 6,10 2,48 0,08 2,59 0,12 8,98 0,19 0,26 1,46 1,44 0,18 4,24 6,25 13,09 9,43 0,60 0,10 0,71 3,94 0,17 1,25 0,38 6,99 9,25
Panjang batang (m) 21,40 19,00 19,80 20,70 12,50 5,80 7,60 5,90 7,50 7,50 18,70 9,80 8,00 19,41 16,30 13,10 5,90 9,25 11,50 15,39 10,00 12,00 19,90 10,00 8,30 18,11 21,51 22,00 25,80 10,79 7,50 13,20 18,70 8,90 12,30 11,50 10,40 27,40
Vol_silinder (m3) 6,67 7,10 6,57 8,90 2,65 0,09 3,72 0,13 0,12 0,10 8,93 2,50 0,60 8,80 6,63 3,46 0,10 3,07 0,18 10,23 0,24 0,27 2,02 1,59 0,24 5,73 8,27 17,97 12,96 0,78 0,18 0,78 4,77 0,24 1,39 0,56 7,37 10,24
Angka bentuk 0,80 0,89 0,87 0,97 0,80 0,74 0,84 0,89 0,62 0,92 0,76 0,81 0,85 0,88 0,92 0,72 0,77 0,85 0,70 0,88 0,79 0,95 0,72 0,90 0,77 0,74 0,76 0,73 0,73 0,77 0,56 0,91 0,83 0,70 0,90 0,66 0,95 0,90
57
Lampiran 4. (Lanjutan)
No
Nama jenis
39 basampa 40 kelampa 41 jelutung 42 riga-riga 43 basampa 44 kempas 45 basampa 46 kedundung 47 kumpang 48 benuang 49 kampili 50 pari kobung 51 riga-riga
Dbh (cm) 24,5 23 27 41 26 64 59 56 54 84 90 44 42
Tbc (cm) 7,80 10,80 13,60 11,70 16,60 22,10 17,00 19,20 16,30 29,00 13,31 10,73 11,70
Vol_aktual (m3) 0,20 0,29 0,47 0,93 0,66 5,38 3,09 3,63 3,11 9,43 6,99 1,44 0,93
Panjang batang (m) 6,70 10,40 11,55 9,90 14,70 20,80 15,50 17,90 15,30 25,80 10,40 10,00 9,90
Vol_silinder (m3) 0,32 0,43 0,66 1,31 0,78 6,69 4,24 4,41 3,50 14,29 6,61 1,52 1,37
Angka bentuk 0,63 0,67 0,71 0,71 0,85 0,81 0,73 0,82 0,89 0,66 1,06 0,94 0,68
58
Lampiran 5. Data validasi kelompok jenis meranti
No Nama jenis 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
meranti bangkirai keruing bangkirai keruing meranti bangkirai keruing meranti meranti keruing keruing keruing keruing keruing keruing nyatoh keruing bangkirai bangkirai meranti merah keruing bangkirai meranti meranti meranti merah meranti putih meranti merah meranti kuning meranti merah meranti merah meranti merah meranti kuning meranti batu keruing meranti batu meranti meranti
Dbh (cm) 15,5 17,5 17,5 18 19 20 23 23 24 24 27 27 28 32 33 35 37 45 49 49 53 53 54 59 59 61 61 62 62 68 72 73 73 75 79 81
Tbc (cm) 10,00 3,60 7,90 7,72 11,35 11,30 5,55 7,85 18,05 7,00 8,00 10,25 12,40 15,89 13,52 9,60 17,05 13,90 13,25 14,70 18,70 18,60 13,08 20,87 19,50 19,55 17,78 17,50 12,56 20,64 16,86 20,81 23,50 18,45 19,59 16,70
Va (m3) 0,16 0,07 0,13 0,14 0,27 0,24 0,18 0,23 0,65 0,22 0,40 0,48 0,66 0,91 0,89 0,63 1,32 1,69 2,12 2,18 3,17 2,97 2,56 3,64 3,82 4,07 4,55 3,87 2,52 5,40 5,08 6,31 6,10 4,41 6,59 6,18
Panjang batang (m) 9,30 3,10 6,95 6,40 10,65 10,00 4,80 14,00 17,75 5,55 7,30 9,75 11,30 15,30 12,81 7,60 15,60 13,30 12,50 14,70 17,70 18,00 12,20 20,00 18,60 17,20 16,10 15,30 10,30 19,30 15,88 19,50 20,10 13,00 17,90 13,40
81
22,10
7,47
18,50
59
Lampiran 5. (Lanjutan)
No Nama jenis 38 39 40 41
keruing bangkirai bangkirai bangkirai
Dbh (cm) 88 89 102 115
Tbc (cm) 27,71 27,02 27,62 21,64
Va (m3) 12,24 12,67 14,38 16,04
Panjang batang (m) 25,50 24,90 24,60 19,00
60
Lampiran 6. Data validasi kelompok jenis non-meranti
No
Nama jenis
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 9 16 30 38 46
bajiing bajiing kerupis banitan sindur bajiing mahabay Kayu pahlawan keranji kumpang jirak bajiing kampili kempas kerantang sedawak basampa ubar ubar ubar ubar kempas lapik tangkalaka ubar lapik tangkalaka durian batu kayu bunga kempas kayu kempili ubar lapik tangkalaka basampa kayu gading kay ketikal poga ubar
Dbh (cm) 15 12 13 14 14 21 13 15 36 19 69 15 95 77 38 52 26 84 84 57 72 64 64 67 50 62 79 70 79 72 65 43 41,5 41 43 44
Tbc (cm) 4,95 6,95 8,00 8,80 9,50 10,25 11,00 11,55 11,70 11,85 12,10 12,25 13,31 13,93 16,12 16,20 16,60 18,40 18,40 18,55 18,65 18,80 19,80 19,90 20,00 21,00 21,50 22,20 23,65 23,70 23,88 15,5 20,7 9,8 13,8 12,0
Panjang batang (m) 4,00 6,55 7,30 7,80 8,40 9,30 10,50 10,75 11,00 11,15 10,60 11,30 10,40 12,80 15,20 15,20 14,70 17,20 17,20 17,60 17,50 17,80 18,70 19,00 19,15 19,90 19,80 20,90 21,65 22,80 23,00 15,00 20,00 9,00 12,50 11,50
Va (m3) 0,06 0,07 0,07 0,10 0,09 0,24 0,10 0,15 1,03 0,26 3,11 0,14 6,99 5,44 1,27 2,40 0,66 7,11 7,11 3,80 6,12 4,82 3,99 4,63 2,91 4,24 8,13 7,49 8,78 5,75 5,60 2,00 2,50 1,15 1,52 1,50
61
Lampiran 7. Tabel volume contoh kelompok jenis meranti Dbh Volume Dbh Volume (cm) (m3) (cm) (m3) 0,12 55 3,30 15 0,14 56 3,45 16 0,16 57 3,59 17 0,19 58 3,74 18 0,22 59 3,89 19 0,25 60 4,05 20 0,29 61 4,20 21 0,33 62 4,36 22 0,37 63 4,52 23 0,41 64 4,69 24 0,46 65 4,86 25 0,51 66 5,03 26 0,56 67 5,20 27 0,61 68 5,37 28 0,67 69 5,55 29 0,73 70 5,73 30 0,80 71 5,91 31 0,87 72 6,10 32 0,94 73 6,28 33 1,01 74 6,47 34 1,09 75 6,66 35 1,17 76 6,86 36 1,26 77 7,05 37 1,34 78 7,25 38 1,43 79 7,45 39 1,53 80 7,65 40 1,62 81 7,85 41 1,72 82 8,06 42 1,83 83 8,26 43 1,93 84 8,47 44 2,04 85 8,68 45 2,15 86 8,90 46 2,27 87 9,11 47 2,39 88 9,32 48 2,51 89 9,54 49 2,63 90 9,76 50 2,76 91 9,98 51 2,89 92 10,20 52 3,03 93 10,42 53
62
Lampiran 8. Tabel Volume Lokal kelompok jenis non-meranti Dbh Volume Dbh Volume (cm) (m3) (cm) (m3) 0,10 55 2,79 15 0,12 56 2,91 16 0,14 57 3,04 17 0,16 58 3,18 18 0,18 59 3,31 19 0,21 60 3,45 20 0,24 61 3,59 21 0,27 62 3,74 22 0,30 63 3,89 23 0,34 64 4,04 24 0,38 65 4,19 25 0,42 66 4,35 26 0,46 67 4,51 27 0,51 68 4,68 28 0,55 69 4,85 29 0,60 70 5,02 30 0,66 71 5,19 31 0,71 72 5,37 32 0,77 73 5,55 33 0,83 74 5,73 34 0,90 75 5,92 35 0,96 76 6,11 36 1,03 77 6,30 37 1,10 78 6,50 38 1,18 79 6,70 39 1,26 80 6,90 40 1,34 81 7,11 41 1,42 82 7,32 42 1,51 83 7,53 43 1,60 84 7,75 44 1,69 85 7,96 45 1,79 86 8,19 46 1,89 87 8,41 47 1,99 88 8,64 48 2,09 89 8,87 49 2,20 90 9,10 50 2,31 91 9,34 51 2,43 92 9,58 52 2,54 93 9,82 53
63
Lampiran 9. Daftar sidik ragam
Daftar sidik ragam persamaan 1 (satu) untuk kelompok jenis meranti SK Regresi Sisaan Total
db 1 87 88
JK
KT
Fhit
38,75 1,24 39,98
38,75 0,014 2,45
2724,31
p-value
F tabel 0,01
0,00 7,02
Daftar sidik ragam persamaan 2 (dua) untuk kelompok jenis meranti SK
db
JK
KT
Fhit
p-value
Re resi Sisaan Total
1 87 88
1974 246,8 2220,8
1974 2,8
695,88
0,00
F tabel 0,01 7,02
Daftar sidik ragam persamaan 3 (tiga) untuk kelompok jenis meranti SK
db
Regresi Sisaan Total
2 86 88
JK
KT
2012,4 1006,2 208,4 2,4 2220,8
Fhit
p-value
415,22
0,00
F tabel 0,01 4,89
Daftar sidik ragam persamaan 4 (empat) untuk kelompok jenis meranti F tabel SK db JK KT Fhit p-value 0,015 Re resi 2 38,893 19,442 1534,78 0,00 Sisaan 86 1,090 0,013 4,89 Total 88 39,982 Daftar sidik ragam persamaan 1 (satu) untuk kelompok jenis non-meranti F tabel SK db JK KT Fhit p-value 0,01 Regresi 1 23,948 23,948 1269,14 0,00 Sisaan 49 0,925 0,019 7,20 Total 50 24,873 Daftar sidik ragam persamaan 2 (dua) untuk kelompok jenis non-meranti F tabel SK db JK KT Fhit p-value 0,01 Regresi 1 492,17 492,17 301,99 0,00 Sisaan 49 79,86 1,63 7,20 Total 50 572,02