Model Penduga Kesehatan Hutan Tanaman Di Areal Tambang Menggunakan Citra Resolusi Sangat Tinggi Pesawat Tak Berawak

MODEL PENDUGA KESEHATAN HUTAN TANAMAN DI
AREAL TAMBANG MENGGUNAKAN CITRA RESOLUSI
SANGAT TINGGI PESAWAT TAK BERAWAK

SRI WAHYUNI

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

PERNYATAAN MENGENAI DISERTASI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Model Penduga
Kesehatan Hutan Tanaman di Areal Tambang Menggunakan Citra Resolusi
Sangat Tinggi Pesawat Tak Berawak adalah benar karya saya dengan arahan dari
komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan
tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang
diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, September 2016

Sri Wahyuni
NIM E151130021

RINGKASAN
SRI WAHYUNI. Model Penduga Kesehatan Hutan Tanaman di Areal Tambang
Menggunakan Citra Resolusi Sangat Tinggi Pesawat Tak Berawak. Dibimbing
oleh I NENGAH SURATI JAYA dan NINING PUSPANINGSIH.

Tingginya laju kerusakan hutan di Indonesia akibat deforestasi dan
degradasi salah satunya disebabkan oleh kegiatan pertambangan, terutama yang
menggunakan metode penambangan terbuka (open pit mining). Hal ini
dikarenakan sebagian besar kegiatan pertambangan berada di dalam kawasan
hutan. Salah satu usaha dalam mengembalikan fungsi lahan dan hutan adalah
dengan kegiatan reklamasi hutan. Keberhasilan reklamasi hutan sangat ditentukan
oleh kegiatan monitoring dan evaluasi. Salah satu indikator yang dapat digunakan
dalam monitoring keberhasilan reklamasi hutan adalah biomassa. Salah satu
metode cepat dalam menduga biomassa adalah dengan menggunakan pemodelan.

Penelitian ini menggunakan foto udara resolusi sangat tinggi yang diperoleh dari
pesawat tanpa awak (unmanned aerial vehicle /UAV) untuk menduga biomassa
atas permukaan reklamasi hutan pasca tambang.
Tujuan utama penelitian ini adalah membangun model penduga kesehatan
hutan tanaman di areal tambang yang diukur dari citra UAV berdasarkan pada
nilai biomassa tegakan. Biomassa sangat erat kaitannya dengan pertumbuhan dan
produktivitas tanaman, sehingga biomassa dapat dijadikan indikator dalam
menduga keberhasilan reklamasi. Keberhasilan reklamasi di area tambang
dilakukan dengan monitoring dan evaluasi melalui penilaian kesehatan hutan.
Dalam menduga nilai biomassa, data utama yang digunakan untuk pembangunan
model biomassa adalah variabel tegakan yang di ukur dari citra UAV. Citra UAV
yang digunakan diambil pada ketinggian 400 m di atas datum (tinggi rata-rata
permukaan lahan) dengan resolusi spasial 10 cm.
Penelitian menemukan bahwa citra UAV dapat digunakan secara akurat
untuk mengevaluasi kesehatan hutan tanaman dengan pendekatan biomasa
tanaman. Model terbaik dari penduga biomassa menggunakan peubah kerapatan
tajuk dari citra UAV adalah: AGB(ton/ha)=0.2377Cc1.3688 dengan koefisien
determinasi (R2) sebesar 0,844, simpangan rata-rata (SR) 2.29, simpangan agregat
(SA) -0,023, bias (e) 0,98, dan Root Mean Square Error (RMSE) sebesar 1,784
dan simpangan rata-rata (SR) 0.05. Uji korelasi dilakukan dengan

pendekatan Pearson untuk melihat hubungan peubah tegakan pada citra (Cc, DTc
dan Nc) dengan peubah tegakan pada lapangan (Cl, DTl dan Nl). Hubungan yang
kuat akan ditunjukkan oleh nilai korelasi yang besar dari 0.75. Pendekatan
korelasi product moment (r) digunakan untuk mengetahui adanya hubungan antara
peubah citra dalam pendugaan biomassa dengan menggunakan rumus:
r=

 X

 X i Yj  ( X i )( Yj ) / n
2

i





 (  X i ) 2 / n  Y 2 j  (  Yj ) 2 / n

Keterangan:
r
= nilai korelasi
Xi = nilai rata-rata diameter tajuk, jumlah pohon dan kerapatan tajuk dari unit
plot contoh
Yi = nilai biomassa dari unit plot contoh
n
= jumlah unit plot contoh
Besarnya nilai r berkisar antara -1 sampai +1. Jika nilai r = -1 maka
hubungan antara dua peubah adalah korelasi negatif sempurna. Artinya, apabila
salah satu peubah nilainya menurun, maka peubah lainnya akan meningkat.
Sebaliknya jika nilai r = +1 maka hubungan antara dua peubah merupakan
korelasi positif sempurna. Artinya, apabila salah satu peubah meningkat, maka
peubah lainnya akan meningkat pula. Bila r mendekati -1 atau +1 maka hubungan
antara peubah itu kuat dan terdapat korelasi yang tinggi antara kedua peubah itu.

9
Penyusunan Model
Model penduga biomassa dikembangkan dengan menggunakan peubah yang
diukur pada UAV gambar yaitu Cc, DTc dan Nc. Untuk membangun model

digunakan 40 sampel plot. Pemilihan model dilakukan dengan menggunakan
analisis statistik yang meliputi evaluasi koefisien determinasi (R2), root mean
square error (RMSE), s (sisaan), dan P-value. Model yang dipilih memiliki R2
lebih dari 0.51, RMSE dan s mendekati nol dan P-value besar dari 0.05, sehingga
peubah bebas (X) mampu menjelaskan variabilitas peubah terikatnya (Y). Model
matematika yang digunakan diterangkan sebagai berikut:
1.
2.
3.
4.
5.

Model linear:
Model perpangkatan:
Model eksponensial:
Model Polinomial:
Model Logaritmik:

Y = b0 + b1X
Y = b0Xb1

Y = eb0 + b1X
Y = boX2 + b1X1 + b2
Y = b0 + ln(X), Y = b0 + log(X)

Keterangan:
Y
= biomassa atas permukaan tanah (ton/ha)
X
= nilai peubah terukur pada citra (Cc, DTc dan Nc)

Pengujian Model
Model yang dibangun dan dipilih selanjutnya dilakukan pengujian statistik
untuk menilai apakah model yang terpilih diterima atau tidak. Pengujian model
dilakukan dengan menggunakan pendekatan asumsi kuadrat terkecil seperti yang
dilakukan dalam peneliti-peneliti sebelumnya (Adinugroho 2009, Antono 2013
Yuwono et al. 2014). Prinsip dasar metode kuadrat terkecil adalah
meminimumkan jumlah kuadrat simpangan antara nilai aktual dengan nilai
dugaan (Sorenson 1970). Untuk memenuhi kriteria model yang dapat diterima
dilakukan dengan analisis statistik meliputi: uji F, uji t, uji normalitas (uji
Kolmogorof Smirnov), non-autokorelasi (uji Durbin Watson)

dan uji
heteroskedastisitas (uji Glejser).

Validasi Model
Validasi model dilakukan dengan membandingkan antara hasil
penghitungan biomassa dengan menggunakan model terpilih (nilai harapan) dan
hasil pengukuran di lapangan dengan menggunakan persamaan alometrik (nilai
aktual). Merujuk pada beberapa penelitian yang telah dilakukan sebelumnya (Jaya
et al. 2010; Puspaningsih 2011; Yuwono et al. 2015; Kusnadi 2016), untuk
membandingkan antara model terbaik yang dihasilkan, validasi model dapat
dilakukan menggunakan ukuran Chi-Square (χ2), simpangan agregat (SA),
simpangan rata-rata (SR), bias (e) dan root mean square error (RMSE). Model
yang terbaik didasarkan dari hasil χ2hitung< χ2tabel pada taraf nyata 5% atau nilai

10
signifikansi > 0,05 (taraf nyata 5%). Model pendugaan yang baik memiliki nilai
SA diantara -1 sampai +1, SR kurang dari 10%, e dan RMSE yang paling
mendekati 0.

Indeks Kesehatan Hutan Tanaman

Indeks kesehatan hutan tanaman (IKHT) dibangun berdasarkan model
penduga biomassa terpilih (MAGB) sebagai peubah Y dengan umur tanam (U)
sebagai peubah X menggunakan analisis regresi. Persamaan regresi dipilih dengan
mempertimbangkan nilai koefisien determinasi yang besar (mendekati 1).
Persamaan regresi terpilih merupakan model kesehatan hutan tanaman (MKH).
Asumsi yang digunakan pada penyusunan IKHT ini adalah sebagai berikut:
1. Variasi kualitas tempat tumbuh relatif seragam. Proses persiapan lahan (recontructing dan pemberian top-soil) menggunakan jenis tanah, tingkat
kesuburan dan volume yang sama.
2. Kualitas bibit saat penanaman sama.
3. Kondisi lingkungan (cuaca) pada saat penanaman sama.
Pada kondisi ini tanaman akan di anggap sehat jika mempunyai volume biomassa
yang besar, dan sebaliknya volume yang rendah menyatakan kondisi tanaman
kurang sehat. Pada penelitian ini kelas IKHT dibagi menjadi 3 kelas yaitu: sehat,
cukup sehat dan kurang sehat. Rentang nilai pada masing-masing kelas didasarkan
pada kelas umur tanaman. Secara matematis persamaan indeks kesehatan hutan
disajikan sebagai berikut:
IKHT = f (MAGB, U)
Keterangan:
IKHT
MAGB

U

= indeks kesehatan hutan tanaman
= model penduga biomassa atas permukaan
= umur tanam

11

Agar semua tahapan penelitian dapat tergambar secara jelas, selanjutnya
disajikan dalam diagram alur penelitian (Gambar 4).

Rektifikasi citra UAV

Digitasi on
screen

Pengukuran dimensi
Citra

Pengukuran dimensi

lapangan

Pengolahan biomassa lapangan
Overlay data penutupan tajuk,
diameter tajuk dan jumlah pohon

Uji Normalitas

Uji Korelasi
Diameter Tajuk
Jumlah Pohon

Tidak

Erat

Persen penutupan
tajuk

Penyusunan

Model

Pemilihan
Model

Validasi
Model
Diterima
Model terbaik

Ditolak

12
Gambar 4 Diagram alur penelitian

3 HASIL DAN PEMBAHASAN
Biomassa Lapangan
Biomassa lapangan diperoleh dari hasil perhitungan biomassa menggunakan
rumus alometrik. Tabel 4 menerangkan total biomassa atas permukaan pada
masing-masing kelas umur.
Tabel 4 Nilai biomassa berdasarkan kelas umur di area reklamasi PTBA Tahun
2015
Umur

Tahun
tanam

Biomassa
Pohon
(ton/ha)

5
6
8
9
10
11
12
13
14
15
16
17
18
19
20

2010
2009
2007
2006
2005
2004
2003
2002
2001
2000
1999
1998
1997
1996
1995

57.179
25.349
55.088
16.303
25.439
32.902
59.791
49.505
46.370
17.116
40.547
42.990
48.301
37.938
73.773

Jumlah
Pohon
(Jumlah/
ha)

Biomassa
Tiang
(ton/ha)

Jumlah
Tiang
(Jumlah/
ha)

Biomassa
Serasah
dan
tumbuhan
bawah

Rata-rata
biomasssa

550
200
650
220
270
390
480
300
250
230
280
420
360
450
350

23.953
23.882
33.345
52.147
29.422
35.292
13.827
14.917
11.904
29.858
42.671
21.751
47.359
57.331
40.716

250
150
425
200
80
110
70
30
40
140
220
110
170
110
140

5.432
3.457
5.508
8.607
6.246
8.063
5.606
3.554
4.929
6.347
5.503
5.094
3.618
8.406
5.902

86.565
52.688
93.941
77.057
61.107
76.257
79.224
67.976
63.203
53.321
88.721
69.835
99.278
103.674
120.391

Dari Tabel 4 ada kecenderungan nilai biomassa yang besar diperoleh pada
umur muda, ini disebabkan oleh perbedaan jumlah pohon dan perbedaan jenis
yang ditanam. Karakteristik lahan juga sangat mempengaruhi jumlah biomassa
dan karbon tegakan (Rusdiana et al. 2013). Karakteristik lahan sangat dipengaruhi
oleh kesuburan tanah. Kebaharuan peraturan yang mengatur tata pelaksanaan dan
proses reklamasi tambang maka PTBA merubah ketinggian top soil yang
ditimbun pada areal bekas tambang. Pada tahun tanam 2009 mencapai 1 meter
timbunan, sedangkan pada umur tanam sebelum tahun 2009 hanya mencapai 60
cm (PTBA 2010).

Uji Normalitas dan Uji Korelasi
Hasil pengujian normalitas dari sebaran data biomassa, variabel lapangan
(Cl, Nl, DTl) dan variabel citra (Cc, Nc, DTc) memiliki nilai P-value > 0,05 yang

13
menunjukkan bahwa data menyebar secara normal. Hasil pengujian korelasi
antara variabel lapangan dengan variabel citra di jelaskan pada Tabel 5.
Tabel 5 Korelasi antara peubah lapangan dengan peubah citra
Model
R
Cc dan Cl
0.871
DTc dan DTl
0.379
Nc dan Nl
0.672
Ket: Cc: Persentase penutupan tajuk citra, Cl: Persentase penutupan tajuk lapangan, DTc: Ratarata diameter tajuk citra, DTl: Rata-rata diameter tajuk lapangan, Nc: Jumlah pohon citra, Nl:
Jumlah pohon lapangan

Hubungan yang sangat erat terdapat pada nilai persen penutupan tajuk
ditunjukkan oleh Tabel 5 dengan nilai korelasi sebesar 0.871. Nilai korelasi yang
rendah pada diameter tajuk dan jumlah pohon disebabkan oleh relief displacement
area dan efek blur akibat image motion (IM) yang tinggi. IM maksimum yang
masih layak jika < 0.01mm yang terdapat pada plot pengamatan citra UAV.
Grafik hubungan antara peubah kerapatan tajuk lapangan (Cl) dan citra (Cc) di
tampilkan pada Gambar 5, grafik hubungan antara peubah jumlah pohon lapangan
(Nl) dan citra (Nc) ditampilkan pada Gambar 6 dan grafik hubungan antara
peubah diameter tajuk lapangan (DTl) dan citra (DTc)Gambar 7.

Gambar 5 Hubungan antara peubah kerapatan tajuk lapangan (Cl) dan citra (Cc)

14

Gambar 6 Hubungan antara peubah jumlah pohon lapangan (Nl) dan citra (Nc)
Gambar 7 Hubungan antara peubah diameter tajuk lapangan (DTl) dan citra (DTc)
Salah satu masalah utama dalam pengolahan data citra UAV adalah efek
degradasi blur yang disebabkan oleh gerakan kamera, dimana rasio pergeseran
gambar dengan tinggi terbang sangat besar saat akuisisi citra. Hal ini dapat
disebabkan oleh pergerakan penerbangan normal UAV serta angin kencang,
turbulensi atau input operator yang tiba-tiba (Sieberth et al. 2013).
Risiko relief dispacement area dan efek degradasi blur pada citra UAV
menyebabkan nilai diameter tajuk dan jumlah pohon tidak akurat dalam
pendugaan biomassa, sehingga peubah yang digunakan hanya persen penutupan
tajuk. Persen penutupan tajuk sebagai peubah terukur pada citra memiliki
pengaruh kuat terhadap terhadap biomassa, ditunjukkan dengan tingginya nilai
korelasi.

Pembangunan Model
Model dibangun dengan menggunakan peubah persen penutupan tajuk yang
diukur pada citra UAV. Persamaan regresi yang dihasilkan disajikan pada Tabel 6.
Untuk memperkirakan simpanan biomassa, penelitian ini menemukan bahwa
persen penutupan tajuk yang diukur pada citra UAV berhubungan erat dengan
persen penutupan tajuk yang diukur di lapangan (Gambar 5). Hal ini sesuai
dengan beberapa penelitian sebelumnya, yang menyatakan bahwa tutupan tajuk
bisa diukur secara konsisten dalam citra UAV, UAS dan foto udara non-metrik
(Jaya dan Cahyono 2001; Kutia et al. 2015; Zhang et al. 2016; Chianucci et al.
2016).
Tabel 6 Model persamaan penduga biomassa menggunakan persen penutupan
tajuk citra
Persamaan
Model
Persamaan
R2
Power
M1
AGB = 0.237Cc1.368
0.712
Linear
M2
AGB = 1.580Cc – 28.86
0.607
Eksponensial
M3
AGB = 16.52e0.022Cc
0.695
2
Polinomial
M4
AGB=286.225–7.72X+0.067Cc
0.642
Eksponensial
M5
AGB = 17.37e0,022Cc
0.566

15
Logaritmik

M6

AGB = 30.307log10(Cc)-341.553

0.453

Pengujian Model
Pada pengujian model hanya menggunakan satu variabel bebas sehingga
pengujian kolinearitas tidak dilakukan. Hasil dari uji F dan uji t menunjukkan
bahwa enam model memiliki Sig.F < α dan P-value < α pada tingkat signifikansi
α=0.05. Hal ini berarti bahwa peubah biomassa dapat dijelaskan oleh peubah
penutupan tajuk untuk semua model yang dipilih. Dari hasil pengujian keabsahan
model, dihasilkan lima model penduga yang memenuhi asumsi kuadrat terkecil
(normalitas data dan homoskedastis) yaitu M1, M2, M3, M4 dan M5. Hasil
pengujian ditampilkan pada Tabel 7.
Tabel 7 Kriteria statistik pada model penduga
Model
Sig.F
P.value
Normalitas
M1
0.00
0.00
Normal
M2
0.00
0.00
Normal
M3
0.00
0.00
Normal
M4
0.00
0.00
Normal
M5
0.00
0.00
Normal
M6*
0.00
0.00
Tidak normal

Heteroskedastisitas
Homoskedastis
Homoskedastis
Homoskedastis
Homoskedastis
Homoskedastis
Heteroskedastis

*: Tidak memenuhi syarat keabsahan model

Validasi Model
Validasi model dilakukan pada semua model yang dipilih untuk menilai
keabsahan model. Pada dasarnya, validasi terhadap model terbangun dilakukan
dengan membandingkan nilai biomassa model dan biomassa aktual di lapangan
menggunakan beberapa kriteria statistik. Kriteria statistik pada validasi model
penduga biomassa ditampilkan pada Tabel 8. Model terbaik dipilih dengan
menggunakan metode rangking dan memberikan nilai skoring dimana pada setiap
kriteria kriteria statistik yang dihitung diberikan angka 1 untuk nilai tertinggi dan
angka 5 pada nilai terendah (Tabel 9).
Tabel 8 Kriteria statistik pada validasi model penduga biomassa
Model
R2
S
Chi-Square
SR
SA
M1
0.712 19.425
72.767
2.290
-0.023
M2
0.607 20.479
71.928
0.482
0.000
M3
0.695 20.596
68.839
2.293
-0.022
M4
0.642 18.970
102.738
3.296
0.038
M5
0.566 20.801
66.236
0.274
0.003
Tabel 9 Peringkat validasi model penduga biomassa
Model R2
S
Chi-Square SR SA e RMSE
M1
1
2
4
4
4
1
1
M2
4
3
3
2
1
3
2

e
0.984
2.780
1.175
14.133
3.784

Total skor
17
18

RMSE
1.784
1.824
1.897
6.025
1.985

Ranking
1
2

16
M3
M4
M5

2
4
2
3
3
2
3
19
3
3
1
5
5
5
5
5
29
5
5
5
1
1
2
4
4
22
4
Tabel 9 menunjukkan bahwa M1 adalah model terbaik dengan skor
terendah. Model terpilih adalah AGB = 0.237Cc1.368 dimana telah memenuhi
kriteria statistik pada validasi model dan memenuhi asumsi kuadrat terkecil.
Model terpilih juga memiliki nilai koefisien determinasi terbesar yaitu 0.712,
memiliki nilai bias (e) dan RMSE terkecil yaitu 0.984 dan 1.784, nilai SA berada
di interval -1 ke 1 dan SR 85% dari nilai IKHT, cukup sehat
adalah >65% sampai