Permasalahan Tujuan Wak Metode IDW

lebih rapat dengan distribusi yang lebih menyebar. Setiap metode ini akan memberikan hasil interpolasi yang berbeda. Akan menjadi mudah dan bermanfaat bagi pengguna berikutnya apabila ada kajian tentang perbandingan hasil interpolasi dengan metode yang berbeda sehingga metode yang tepat dapat dipilih.

1.2 Permasalahan

Secara umum, teknik interpolasi yang digunakan adalah metode IDW Invers Distance Weight atau Invers Jarak Tertimbang dengan nilai pangkat 2. Ada beberapa pertanyaan mendasar yang perlu dikaji dalam rangka aplikasi metode ini, antara lain: 1. Benarkah metode IDW ini paling sesuai untuk interpolasi IHMB dibandingkan dengan metode lain Kriging? 2. Berapakah nilai bobot yang paling terbaik? 3. Seberapa besar keakuratan masing – masing metode tersebut? Berdasarkan pertanyaan di atas, maka perlu dilakukan pengujian beberapa metode interpolasi dan bobotnya dalam mengestimasi sediaan tegakan yang mendekati kondisi aktualnya di lapangan.

1.3 Tujuan

Tujuan penelitian ini adalah untuk menemukan metode interpolasi yang paling teliti dalam interpolasi spasial sediaan tegakan dan biomassa hutan alam lahan kering di Pangkalan Bun, Kalimantan Tengah. 1.4 Manfaat Penelitian ini diharapkan bermanfaat bagi pembaca, pemerintah daerah setempat dan pihak-pihak yang terkait, hasil penelitian ini dapat digunakan sebagai informasi dan pertimbangan dalam menggunakan metode interpolasi yang paling akurat untuk menduga estimasi sediaan tegakan dan biomassa.

2.1 Wak

Pene Trisetia I dilakukan dan GIS, Bogor.

2.2 Data

2.2.1 Data

Data Inventari Lamandau Trisetia In efektif yan 665 plot s Dari hasil ktu dan Te elitian ini d Intiga, Kab pada Mei s Departemen

a, Software a IHMB

a yang dig sasi Hutan u, Kalimant ntiga PT T ng disurvey sampel, seti IHMB ters Gam M empat dilaksanakan bupaten Lam sampai Feb n Manajem e dan Hard gunakan d n Menyelur tan Tengah TSI dilaksa y adalah 58 iap plot sam ebut terdap mbar 2.1 S BAB METODO n dua tahap mandau, K bruari 2013 men Hutan, dware dalam pene ruh Berkala h. Kegiatan anakan pad 436.9 Ha. P mpel beruku at 583 plot ebaran plot II OLOGI p, yakni pa Kalimantan di Laborato Fakultas K elitian ini a di PT T n IHMB pa da areal selu Pelaksanaan uran 20 m x t yang berve t IHMB PT ada bulan A Tengah. P orium Fisik ehutanan, I adalah da Trisetia Int ada areal IU uas 69070 n IHMB ini 125 m atau egetasi huta Trisetia Int April 2012 d Pengolahan Remote Se Institut Pert ata hasil IH tiga, Kabu UPHHK-HA Ha dengan i dilakukan u seluas 0.2 an Gambar tiga di PT data ensing tanian HMB upaten A PT n luas pada 5 Ha. 2.1.

2.2.2 Software

Software yang digunakan dalam melakukan penelitian ini adalah Arcview 3.3 yang dilengkapi dengan Extension berbasis IHMB dan Kriging Interpolator 3.2, Arcgis 9.3 dan MS Office.

2.2.3 Hardware

Hardware yang digunakan adalah seperangkat PC Portable Computer dan printer.

2.3 Metode Penelitian

2.3.1 Pengumpulan Data

Pengumpulan data pada penelitian ini dilakukan dengan mengambil data sekunder dari Rencana Kerja Umum RKU dan file elektronik IHMB PT TSI. Data yang diambil berupa data kondisi umum lokasi penelitian seperti letak geografis dan luas areal kerja, geologi dan tanah, iklim, keadaan hutan, kondisi sosial ekonomi. Selain data kondisi umum dilakukan pemilihan atribut data sekunder yakni no plot, id plot, Easting E, Northing N, nama jenis pohon, kelompok jenis, diameter pohon, tinggi bebas cabang, tinggi total, tinggi tempat. Selanjutnya dilakukan studi pustaka untuk mengetahui : a. Nama jenis pohon, nama botani, family data terlampir b. Kelas kuat kayu adalah tingkat ketahanan alami suatu jenis kayu terhadap kekuatan mekanis beban dinyatakan dalam Kelas Kuat I, II, III, IV dan V. Makin besar angka kelasnya makin rendah kekuatannya. Kekuatan kayu berhubungan dengan berat jenis BJ. Makin berat BJ-nya, umumnya makin kuat pula kayunya. Semakin ringan suatu kayu, akan berkurang pula kekuatannya. Kayu memiliki BJ yang berkisar antara minimum 0.20 hingga 1.28. Berikut kekuatan kayu menurut berat jenisnya Dumanauw 2001 : Kelas kuat I : BJ 0.90 Kelas kuat II : BJ 0.90 – 0.60 Kelas kuat III : BJ 0.60 – 0.40 Kelas kuat IV : BJ 0.40 – 0.30 Kelas kuat V : BJ 0.30 c. Rumus volume dan biomassa d. Kelompok kayu dibagi berdasarkan jenis komersil dan non komersil. Jenis komersil terdiri dari kayu meranti dan rimba campuran, sedangkan jenis non komersil terdiri dari kayu lindung dan indah. Pada areal kerja IUPHHK PT TSI terdapat 17 jenis kayu non komersil 7 jenis kayu lindung, 9 jenis kayu indah dan 303 jenis kayu komersil 288 jenis kayu rimba campuran, 15 jenis kayu meranti, nama jenis kayu tersebut disajikan pada Tabel 2.1. Tabel 2.1 Daftar nama jenis kayu di PT Trisetia Intiga Kelompok Jenis Nama Jenis Rimba Campuran RC Agathis, Akasia,Anggrung, Ayau, Baat, Babara, Bajiing, Bakau, Balaban, Balau, Balau Merah, Bangku, Banitan, Bansul, Banuat, Barangketam, Barikobung, Baroba, Bawang, Bayur, Bawang Hutan, Bedaru, Bejung, Bekalu, Bekapas, Bekunyit, Belanti, Bengaris, Bentana, Benuang, Benyalin, Benyalung, Betapai, Bintangur, Bolas, Brebikang, Bunling, Bunut, Butun, Damar timau, Dara, Dema, Dirung, Djaring, Emang, Embak, Gading, Gambir, Gandis, Garung, Gelam, Gembor, Gerunggang, Getah Merah, Gita, Gomi, Habu, Hais, Honap, Idur, Ilan, Ilat, Ipang, Ipu, Jabon, Jabon putih, Jambu-jambu, Jamoi, Jangkang, Januat, Jengkol hutan, Jirak, Kaboi, Kabosi, Kajul, Kaliat, Kamambung, Kanipul, Kanopa, Kanuat, Kapengil, Kapuk, Kapur, Karakubung, Karakung, Karamu, Karanayup, Karobung, Karuat, Katikal, Kayu abu, Kayu batu, Kayu buhu, Kayu bunga, Kayu furu, Kayu rabun, Kecapi, Kedondong, Kekali, Keliat, Kelopak, Kelpau, Keluat, Kemaja, Kembayau, Kemenyan, Kempas, Kempili, Kemuning, Kemunting, Kenabu, Kenakun, Kenanga, Kenapai, Kenari, Kenduyung, Kenipan, Kenopa, Kepayang, Kepuh, Kerakas, Kerangas, Keranji, Kerasang, Keriba, Ketapang, Kinip, Klampis, Kondang, Kumpang, Kumpat, Kunyit, Kusi, Laban, Langko, Lempahung, Lengkunang, Limun, Linang, Linggi, Lintak, Lodja, Lonsu, Lunding, Mahabai, Mahang, Majing, Malapan, Mambulan, Mampudu, Mampul, Manggurun, Mangil, Mangis labi, Manjing, Mantorung, Markubung, Matang, Matoa, Medang, Memarik, Membulan, Mempisang, Mengkudu, Mentajai, Mentawa, Merabu, Merah, Merambung, Meras, Merawan, Merbau, Mersawa, Nansau, Nanua, Ngensarai laut, Nilam, Nyaru, Omet, Pahi, Pakek, Palung, Pamai, Pandali, Pandau, Panggil, Pangit, Pangkutan, Paning, Pauh kijang, Pelawan, Pempaan, Pendaran, Pendaring, Pendiruk, Pendung, Penduri, Penjuling, Penopa, Penyeluangan, Penyerang tupai, Persi, Perupuk, Petai, Petai hutan, Pinang, Pinus, Pisang- pisang, Pitam, Poga, Ponsi, Pontang, Potai, Pudu, Sanok, Sansarai, Saon, Sarang, Saras, Sarawa, Sarua, Sedawak, Segulang, Sengkubang, Sengon, Sewo, Sibau, Silar, Simpur, Singkang priuk, Sumpak, Sungkai, Sungkup, Surian, Takuyung, Tambosi, Tampajok, Tampasi, Tangkalak, Tangkutis, Terentang, Timau, Tongkoi, Tuba, Ubar, Umbing, Undingdam, Yanduk dan Yas. Kayu Meranti KM Bangkirai, Basampa, Giam, Kalapi, Keruing, Kontoi, Kubing, Lentang, Majau, Meranti, Meranti kuning, Meranti merah, Meranti putih, Nyatoh, Pakit dan Sintuk Kayu Lindung KL Duku, Durian, Hambawang, Jelutung, Kapul, Pulut, Tengkawang dan Teratungan Kayu Indah KI Bengkal, Cempedak, Dahu, Eboni, Kayu malam, Kelampai, Lansat, Mempelam, Sindur dan Ulin Sumber : Diadaptasi dari laporan hasil IHMB PT Trisetia Intiga 2010

2.3.2 Perhitungan Volume dan Biomassa

Berdasarkan tabel volume PT Trisetia Intiga, perhitungan volume dibedakan berdasarkan kelompok jenis yakni kelompok jenis meranti dan non meranti Noor 2009. Untuk kelompok meranti dihitung dengan rumus : Volume = 0 .0000562×D 2 .87 ×10 -0 .0041 Sedangkan untuk kelompok non meranti : Volume = 0 .000074×D 2 .69 ×10 -0 .00175×Dbh Perhitungan biomassa menggunakan model Agustina 2013 : y=1 .003x+7.355 Keterangan : D = diameter setinggi dada cm y = seluruh biomassa atas permukaan tonha x = biomassa tegakan berdiri D10 cm tonha

2.3.3 Perhitungan Volume dan Biomassa per Hektar

Volume per hektar dihitung berdasarkan volume per plot dalam atribut data sekunder yang dibagi dengan luasan plot masing-masing. Untuk D 10-19 cm memiliki luas plot seluas 0.01 ha, kelas D 20-29 cm seluas 0.04 ha dan D di atas 30 cm 0.25 ha.

2.3.4 Pemilihan Data Contoh

Kajian interpolasi ini dilakukan menggunakan data yang diambil dari titik plot IHMB yang telah ditransformasikan menjadi informasi petak. Berdasarkan informasi tersebut titik plot dibagi menjadi 3 kelompok, yakni : a. Seluruh jenis kayu dengan D10 cm b. Jenis kayu komersil D40 cm c. Biomassa Pemilihan data sampel dilakukan dengan memilih plot yang tersebar merata. Untuk kajian ini data tersebut kemudian dibagi menjadi dua kelompok secara berselang-seling, yaitu setengah dari jumlah plot digunakan untuk membangun model dan setengahnya lagi untuk validasi model. Pemilihan plot yang digunakan disajikan pada Gambar 2.2 dan 2.3. Gambar Gambar r 2.2 Sebara 2.3 Sebara an plot mod an plot mode del dan plot el dan plot v validasi sel validasi jen luruh jenis k is kayu kom kayu D10 mersil D40 cm 0 cm Sebaran plot IHMB untuk jenis kayu komersil terlihat lebih renggang karena tidak semua plot IHMB terdapat jenis kayu komersil D40 cm. Dari 583 plot IHMB yang bervegetasi hutan, terdapat 453 plot IHMB yang memiliki jenis komersil D40 cm. Sehingga jumlah data yang diolah untuk jenis kayu komersil D40 cm lebih sedikit dibandingkan dengan data untuk seluruh jenis kayu D10 cm dan biomassa Tabel 2.2. Tabel 2.2 Penentuan jumlah plot model dan plot validasi No Kelompok Jenis Jumlah Plot Total Model Validasi 1 Seluruh Jenis Kayu D10cm 148 167 315 2 Jenis Kayu Komersil D40cm 128 150 278 3 Biomassa D10cm 148 167 315

2.3.5 Analisis Sistem Informasi Geografis SIG

Dalam pemetaan, interpolasi adalah proses estimasi nilai pada wilayah yang tidak disampel atau diukur, sehingga menghasilkan peta sebaran nilai pada seluruh wilayah Gamma Design Software 2005. Interpolasi spasial mengasumsikan bahwa atribut data bersifat kontinu di dalam ruang dan atribut ini saling berhubungan secara spasial. Penelitian ini mengkaji penggunaan metode IDW dan Kriging untuk interpolasi sediaan tegakan dan biomassa. Rekap data hasil pengolahan dan pengelompokkan data yang telah diolah menggunakan program pengolahan data, selanjutnya dilakukan analisis spasial menggunakan software ArcView 3.3 Extention berbasis IHMB dan Kriging Interpolator 3.2 dan ArcGIS 9.3 guna menghasilkan estimasi penyebaran potensi volume dan biomassa per petak.

2.3.5.1 Pembuatan Isoline Sediaan Tegakan dan Biomassa

Dalam penelitian ini, isoline dibangun dengan dua macam teknik interpolasi, yaitu metode Inverse Distance Weight IDW dan metode Kriging.

a. Metode IDW

Metode IDW adalah salah satu metode interpolasi permukaan surface interpolation dengan prinsip titik inputnya dapat berupa titik pusat plot yang tersebar secara acak maupun tersebar merata. Pada proses interpolasi dengan metode IDW, terdapat dua parameter yang dapat dikaji yakni power dan jumlah sampel. Menurut Pramono 2008 penggunaan jumlah sampel data tidak memiliki efek yang berarti dalam proses interpolasi, maka pada penelitian ini diujikan parameter power atau nilai pangkat dengan berbagai tingkat power 1 sampai 30. Power berpengaruh dalam menentukan pentingnya nilai sampel data pada perhitungan interpolasi. Dengan power yang semakin besar maka terbentuk permukaan yang semakin halus. Bentukan permukaan tersebut dapat menunjukkan bahwa nilai yang diperoleh dari hasil interpolasi mulai mendekati nilai-nilai dengan jarak yang terdekat seiring dengan besarnya power yang digunakan. Menurut Jaya 2011, nilai pangkat power yang optimal ditentukan dengan meminimalisir nilai akar pangkat 2 dari kesalahan prediksi RMSPE. Kesalahan prediksi ini diukur melalui uji validasi silang menggunakan plot yang telah dipilih. Nilai pangkat yang memberikan nilai RMSPE terkecil disebut dengan nilai pangkat yang optimal atau terbaik. Besarnya bobot adalah proporsional terhadap kebalikan jarak pangkat nilai bobot, karena itulah jika jarak meningkat maka bobot akan menurun. Hal itu mengakibatkan semakin tinggi nilai power maka semakin berkurang pengaruh dari sampel data sekitarnya dan hasil interpolasi menjadi lebih detail. Pada titik plot yang berdekatan cenderung menghasilkan rentang nilai yang sama, sedangkan pada titik plot yang berjauhan menghasilkan rentang nilai yang berbeda. Rentang nilai tersebut ditunjukkan dengan warna dan garis yang menjadi penegas perbedaan nilai Gambar 4.1. 4.2. 4.3. Metode bobot inverse distance atau jarak tertimbang terbalik IDW memperkirakan nilai-nilai atribut pada titik-titik yang tidak disampel menggunakan kombinasi linier dari nilai-nilai sampel tersebut dan ditimbang oleh fungsi terbalik dari jarak antar titik Li 2008. Secara konseptual, jarak efektif dapat dianggap untuk memperpendek jarak antara titik contoh dan node diinterpolasi oleh faktor yang sama dengan rasio anisotropi Tomczak 1998. Radius pencarian dapat disesuaikan untuk menentukan jumlah titik data tetangga yang digunakan ketika interpolasi berlangsung pada setiap node. Metode IDW yang dikaji pada penelitian ini menggunakan metode tetangga terdekat Nearest Neighbors NN, jumlah titik tetangga sebanyak 12 titik dan ukuran sel 30 m. Interpolasi tetangga terdekat ini harus memilih sejumlah input titik di sekitarnya number of neighboursinput points. Pada metode ini, nilai sediaan Z pada lokasi tertentu diperoleh dari sejumlah sediaan Z i ...Z n yang terletak pada jarak D 1 ...D n dari titik Z. Hasil interpolasi Z adalah rata-rata tertimbang dari sejumlah nilai Zi dikalikan dengan masing- masing bobotnya w i dan dibagi dengan total bobot. Secara matematis rumus mendapatkan nilai rata-rata tertimbang ini adalah sebagai berikut Jaya 2010: ∑ ∑ atau ∑ ∑ Dimana w i adalah 1Jarak pangkat p dari nilai Z i , p biasanya sama dengan 2 default dan D i adalah jarak. Terdapat 30 power atau p yang terdapat pada metode IDW. Pangkat power yang digunakan berfungsi untuk mengatur signifikansi pengaruh dari titik-titik yang ada di sekitar. Dengan pangkat yang lebih tinggi maka akan menghasilkan pengaruh jarak ke titik di sekitarnya lebih rendah. Hal tersebut dibuktikan dengan hasil estimasi menjadi kurang memuaskan ketika p adalah 1 dan 2 dibandingkan dengan p adalah 4 Ripley 1981 diacu dalam Li 2008. IDW disebut sebagai “moving average” bila p adalah 0 Brus et al 1996 diacu dalam Li 2008, interpolasi linear ketika p adalah 1 dan rata-rata bergerak tertimbang ketika p tidak sama dengan 1 Burrough dan McDonell 1998 dalam Li 2008.

b. Metode Kriging