Model Penduga Biomassa Hutan Mangrove Menggunakan Citra Satelit Resolusi Sedang Di Areal Kerja Pt Bsn Group Di Kalimantan Barat

MODEL PENDUGA BIOMASSA HUTAN MANGROVE

MENGGUNAKAN CITRA RESOLUSI SEDANG DI AREAL

KERJA BSN GROUP KALIMANTAN BARAT

SENDI YUSANDI

DEPARTEMEN MANAJEMEN HUTAN

FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR

2015

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*

Dengan ini saya menyatakan bahwa skripsi berjudul Model Penduga Biomassa Hutan Mangrove Menggunakan Citra Resolusi Sedang di Areal Kerja BSN Group Kalimantan Barat adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

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

Bogor, September 2015

Sendi Yusandi NIM E14110059

ABSTRAK

SENDI YUSANDI. Model Penduga Biomassa Hutan Mangrove Menggunakan Citra Satelit Resolusi Sedang di Areal Kerja PT BSN Group di Kalimantan Barat. Dibimbing oleh I NENGAH SURATI JAYA.

Hutan mangrove merupakan salah satu tipe hutan yang memiliki simpanan karbon tertinggi di kawasan tropis. Hutan mangrove memiliki kemampuan asimilasi yang baik dengan komponen lingkunganya serta memiliki kemampuan menyerap karbon yang tinggi. Akan tetapi, sampai dengan saat ini, data dan informasi tentang simpanan karbon terutama biomasa pohon masih terbatas. Data pendugaan biomassa yang akurat dapat dihasilkan melalui pengukuran terestris, namun metode ini umumnya sangat mahal dan memakan waktu. Salah satu alternatif solusi untuk mengatasi keterbatasan tersebut adalah penggunaan teknologi penginderaan jauh, yaitu penggunaan citra resolusi sedang Landsat 8. Penelitian ini bertujuan untuk merumuskan model penduga potensi biomassa menggunakan citra resolusi sedang dan membuat peta sebaran kelas biomassanya berdasarkan model terpilih. Hasil analisis menunjukkan bahwa nilai NDVI memiliki koefisien korelasi yang cukup tinggi (>0.7071) dengan biomassa tegakan. Pemilihan model terbaik didasarkan dari nilai skor tertinggi yang mempertimbangkan nilai SA, SR, Bias, RMSE, χ², R², dan s. Model yang terpilih yaitu B=0.00023404 dengan nilai R² sebesar 77.1 % digunakan untuk pembuatan peta sebaran kelas biomassa. Secara keseluruhan areal kerja BSN Group (PT Kandelia Alam dan PT Bina Ovivipari Semesta) mempunyai kelas potensi biomassa yang berkisar antara 45 dan 100 ton/ha.

Kata kunci : hutan mangrove, biomassa, model, skor, NDVI.

ABSTRACT

SENDI YUSANDI. The Estimation Model of Mangrove Forest Biomass using a Medium Resolution Satellite Imagery in the concession area of BSN Group Company in West Kalimantan. Supervised by I NENGAH SURATI JAYA.

Mangrove forest is one of forest ecosystem types having the highest carbon stock in the tropics. Mangrove forests have a good assimilation capability with their enviromental elements as well as have a high capability on carbon sequestration. Up to now, however, the availability of data and information on carbon storage, especially on tree biomass content of mangrove is still limited. Conventionally, an accurate estimation of biomass could be obtained from terrestrial measurements, but those methods mainlly costly and time consuming. This study offered an alternative solution to overcome these limitations by using remote sensing technology, i.e. by using the moderate resolution imageries Landsat 8. The objective of this study is to formulate the biomass estimation model using medium resolution satellite imagery, as well as to develop a biomass distribution map based on the selected model. The study found that the NDVI has a considerably high correlation coefficient of larger than > 0.7071 with the stand

biomass. On the basis of the values of aggregation deviation, mean deviation, bias, RMSE, χ², R², and s, the best model for estimating the mangrove stand biomass is B=0.00023404 with the R² value of 77.1%. In general, the concession area of BSN Group (PT Kandelia Alam Semesta and PT Bina Ovivipari) have the potential of biomass ranging from 45 to 100 ton per ha. Keyword : Mangroveforests, biomass, model, score, NDVI.

MODEL PENDUGA BIOMASSA HUTAN MANGROVE

MENGGUNAKAN CITRA RESOLUSI SEDANG DI AREAL

KERJA BSN GROUP KALIMANTAN BARAT

SENDI YUSANDI

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan

pada

Departemen Manajemen Hutan

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR 2015

Judul Skripsi :Model Penduga Biomassa Hutan Mangrove Menggunakan Citra Resolusi Sedang Di Areal Kerja BSN Group Kalimantan Barat Nama :Sendi Yusandi

NIM :E14110059

Disetujui oleh

Prof Dr Ir I Nengah Surati Jaya, M Agr Pembimbing

Diketahui oleh

Dr Ir Ahmad Budiaman, MSc F Trop Ketua Departemen

PRAKATA

Segala puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Kuasa yang telah memberikan kemudahan dan kelancaran kepada penulis sehingga karya ilmiah ini berhasil diselesaikan. Penelitian yang dilaksanakan sejak bulan februari 2015 ini bertema pemodelan spasial, dengan judul Model Penduga Biomassa Hutan Mangrove Menggunakan Citra Resolusi Sedang di Areal Kerja BSN Group Kalimantan Barat. Penelitian dan penyusunan skripsi ini dilakukan dalam rangka melengkapi salah satu syarat kelulusan sebagai sarjana kehutanan IPB.

Terima kasih penulis ucapkan kepada Bapak Prof Dr Ir I Nengah Surati Jaya, M Agr selaku pembimbing atas nasihat, bimbingan dan arahan serta kesabarannya dalam penyelesaian skripsi ini. Disamping itu, terima kasih juga disampaikan kepada Bapak Ir Fairus Mulia dan Bapak Ateng Surya S sebagai Direktur PT Kandelia Alam dan PT Bina Ovivipari Semesta yang berkenan memberikan izin kepada penulis untuk melakukan penelitian di perusahaan tersebut. Penulis turut mengucapkan terimakasih kepada Bapak Taufik, Kak Rinto serta segenap tim yang membantu pengambilan data di lapang. Penghargaan terbesar penulis sampaikan kepada Ayah (Endjang Djohardi), Ibu (Yuasna), Adik (Ruli Refpalda), dan seluruh keluarga besar atas dukungan, doa, dan semangat yang diberikan. Ungkapan terimakasih juga penulis sampaikan kepada Bapak Uus Saepul dan Mas Edwine Setia P atas saran dan masukannya, serta keluarga besar Laboratorium SIG dan Remote Sensing atas semua ilmu, bantuan, dan motivasi yang telah diberikan. kepada rekan-rekan Manajemen Hutan 48, GD dan FMSC, atas semangat dan bantuannya, serta semua pihak yang tidak mungkin penulis sebutkan satu persatu.

Semoga karya ilmiah ini bermanfaat.

Bogor, September 2015

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Tujuan 2

Manfaat 2

METODOLOGI 2

Waktu dan Lokasi Penelitian 2

Data, Alat dan Software 3

Prosedur Analisis Data 4

HASIL DAN PEMBAHASAN 12

Hasil Identifikasi Lapangan 12

Model Penduga Potensi Biomassa 14

Peta Sebaran Potensi Biomassa 18

SIMPULAN DAN SARAN 21

Simpulan 21

Saran 21

DAFTAR PUSTAKA 21

LAMPIRAN 23

DAFTAR TABEL

1 Data penelitian 4

2 Rumus alometrik untuk menduga potensi biomassa pada tingkat pohon 6

3 Analisis ragam untuk regresi sederhana 10

4 Hasil observasi pada nilai NDVI < 0.3 13 5 Hasil observasi pada nilai NDVI > 0.3 14

6 Model penduga potensi biomassa 16

7 Hasil analisis uji koefisien regresi 16

8 Hasil uji validasi model 18

9 Peringkat hasil model terbaik 18

10 Potensi biomassa di PT Kandelia Alam dan PT Bina Ovivipari Semesta 20

DAFTAR GAMBAR

1 Peta lokasi penelitian 3

2 Hubungan antara nilai ndvi dan biomassa 15

3 (a) Peta sebaran biomassa, PT Kandelia Alam; (b) Peta sebaran biomassa, PT Bina Ovivipari Semesta, Blok Selat Sekh; (c) Peta sebaran biomassa, PT Bina

Ovivipari Semesta, Blok Selat Bumbun. 20

DAFTAR LAMPIRAN

1 Data potensi biomassa dan nilai NDVI dari setiap plot. 23 2 Hasil uji normalitas menggunakan metode Kolmogorov-Smirnov 24

3 Hasil uji linearitas 25

1

PENDAHULUAN

Latar Belakang

Salah satu penyebab pemanasan global adalah meningkatnya gas rumah kaca (GRK) terutama karbon dioksida (CO2) di atmosfer. Hutan dianggap menjadi

salah satu komponen dalam mekanisme pengurangan emisi (mitigasi) karbon jika dilakukan secara lestari karena hutan sebagai sistem yang dinamis sangat besar peranannya terhadap lingkungan. Biomassa hutan juga sering dijadikan sebagai salah satu dasar pertimbangan dalam kegiatan pengelolaan hutan lestari khususnya yang terkait dengan perdangan karbon. Hal ini disebabkan karena cadangan biomassa yang bergantung pada kondisi tegakan seperti permudaan alam, kondisi gangguan dan peruntukan hutannya (IPCC 2001). Hutan mangrove merupakan salah satu hutan yang simpanan karbonnya tertinggi di kawasan tropis dan sangat tinggi dibandingkan rerata simpangan karbon di berbagai tipe hutan lainnya di dunia (Donato et al. 2012). Walaupun mangrove diketahui memiliki kemampuan asimilasi yang baik dengan komponen lingkunganya serta mempunyai laju penyerapan C yang tinggi, namun data dan informasi tentang simpanan karbon untuk beberapa komponen terutama untuk biomassa pohon sangat terbatas (Komiyama et al. 2008), sehingga menjadi penting untuk mengetahui informasi biomassa di kawasan hutan mangrove untuk pengelolaan hutan lestari.

Informasi potensi biomassa dapat diketahui melalui pendekatan kegiatan survey lapang secara langsung atau terestris, metode ini menghasilkan hasil Penduga yang cukup akurat, akan tetapi metode ini memerlukan waktu lama dan biaya yang tinggi. Menurut Lu (2006), pengukuran lapangan atau terestris adalah cara yang paling akurat untuk mengumpulkan data biomassa, tetapi membutuhkan waktu padat karya, sulit diterapkan pada daerah terpencil dan wilayah yang luas. Oleh karena itu terdapat alternatif solusi yang lain dalam mengetahui informasi potensi biomassa yaitu dengan menggunakan pendekatan aerial melalui teknologi penginderaan jauh, kelebihan dari teknologi penginderaan jauh ini adalah dapat memberikan informasi yang dibutuhkan secara cepat dan lengkap dengan biaya yang relative lebih murah. Selain itu penggunaan teknologi penginderaan jauh dalam mencari informasi mengenai estimasi potensi biomassa mangrove sebagai penyerap CO2 dapat dipantau secara efektif dan efisien setiap tahunnya.

Penelitian mengenai Penduga potensi biomassa menggunakan citra satelit baik pada tingkat nasional maupun internasional sudah banyak dilakukan, diantaranya oleh Qirom et al. (2012) dengan model Y=292+2.00HH2+27.1HV memiliki nilai R2=40.9%, Tangki dan Chappell (2008) dengan model Y=1098.8-123.64NIR memilki nilai R2=77%, serta Yuwono (2014) dengan model Y=-480.1-111.8HV-5.337HV2 memilki nilai R2 = 86%. Namun penelitian terkait Penduga potensi biomassa di hutan mangrove Indonesia menggunakan citra satelit masih sangat terbatas. Cahyaningrum & Hartoko (2014) melakukan pendugaan biomassa mangrove di Taman Nasional Karimunjawa dengan melakukan pendugaan biomassa pada citra melalui nilai digital yang terkandung dalam tiap band. Namun menurut Jaya (2010) pendugaan menggunakan nilai tiap band ini tidak efektif jika dilakukan pada kasus multi waktu sehingga dibutuhkan teknik perbaikan spectral atau transformasi. Salah satu teknik tranformasi yaitu indeks vegetasi. Teknik ini dapat digunakan sebagai teknik cepat untuk mendeteksi kondisi vegetasi tertentu serta efektif untuk menentukan kepadatan vegetasi. Oleh karena itu penelitian ini

menduga potensi biomassa berdasarkan nilai indeks vegetasi, yang diharapkan dapat meminimalisir kesalahan serta dapat meningkatkan kemampuan citra dalam mengidentifikasi nilai kandungan biomassa yang terdapat di areal kerja BSN Group yang merupakan pemegang hak pengelola hutan alam mangrove di Kabupaten Kubu Raya, Kalimantan Barat.

Tujuan

Penelitian ini bertujuan untuk mendapatkan model penduga biomassa menggunakan citra resolusi sedang di areal kerja BSN Group dan untuk membuat peta sebaran potensi biomassa dari persamaan model terbaik menggunakan citra resolusi sedang.

Manfaat

Penelitian ini dapat memberikan informasi terbaru mengenai potensi biomassa dan sebarannya. Selanjutnya, informasi tersebut dapat menjadi bahan pertimbangan kepada perusahaan dalam perencanaan kehutanan dan pengelolaan hutan mangrove secara lestari.

METODOLOGI

Waktu dan Lokasi Penelitian

Penelitian ini dilaksanakan pada bulan Januari-Agustus 2015. Kegiatan ini dilaksanakan dalam beberapa tahap, yaitu pra-pengolahan citra, pengambilan data lapang, dan pengolahan data. Tahap pra-pengolahan citra dilaksanakan pada bulan Januari 2015 yang bertempat di Laboratorium Remote Sensing dan GIS, Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor. Pengambilan data lapang dilaksanakan pada bulan Februari – April 2015 yang meliputi areal kerja BSN Group, diantaranya PT. Kandelia Alam dan PT Bina Ovivipari Semesta, Kabupaten Kubu Raya, Kalimantan Barat. Secara geografis

PT Kandelia Alam terletak antara 109°22’30.7” BT – 109°41’17” BT dan 01°40’7” LS – 01°32’9” LS, sedangkan PT Bina Ovivipari Semesta terletak di antara 109°8.3’00” BT – 109°29.2’00” BT dan 0°27.9’00” LS – 0°53.2’00” LS untuk Blok Bumbun, serta antara 109°36’00” BT – 109°41.6’00” BT dan

0°54.7’00” LS - 0°58.6’00” LS untuk Blok Selat Sekh. Kedua perusahaan ini berada dalam satu induk pengelolaan, serta kedua perusaaan ini juga memiliki karakteristik tegakan dan tapak yang sama berdasarkan laporan hasil IHMB PT Kandelia Alam dan PT Bina Ovivipari Semesta, kesamaan tapak tersebut dapat dilihat dari tipe iklim, curah hujan, suhu udara, kelembaban udara serta tipe tanah, dari kesamaan tapak tersebut bahwa kedua perusahaan memiliki pengaruh tempat tumbuh yang sama, sehingga pada penelitian ini dilakukan pengambilan data di dua tempat dengan tujuan yaitu menduga potensi biomassa berdasarkan citra resolusi sedang.

Selanjutnya Pengolahan data, analisis data dan laporan dilaksanakan pada bulan Mei – Agustus 2015 yang bertempat di Laboratorium Remote Sensing dan

3

GIS, Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor.

Gambar 1 Peta lokasi penelitian Data, Alat dan Software

Alat yang digunakan pada penelitian ini yaitu kompas, phi band, clinometer (sunto), tali tambang, kamera, timbangan, oven, GPS, dan tallysheet. Pengolahan data dilakukan dengan bantuan komputer yang dilengkapi piranti lunak Microsoft Excel 2010, SPSS V.20, ArcGIS 10.1, dan ERDAS Imagine Software version 9.1.

Data yang digunakan dalam penelitian ini terdiri dari dua jenis data yaitu data primer dan data sekunder. Data primer merupakan data yang diambil langsung di lapangan pada saat penelitian, sedangkan data sekunder merupakan berbagai kumpulan data yang telah tersedia atau telah dikaji sebelumnya. Data yang digunakan dalam penelitian ini ditabulasikan pada Tabel 1.

Tabel 1 Data penelitian

No Data primer Data sekunder

1 2 3 4 5 6 7

Data berat basah (BB) tumbuhan bawah, semai dan serasah

Data berat kering (BK) tumbuhan bawah, semai dan serasah

Data Pohon mati berdiri dan pohon mati rebah. Data dbh pada kelas pancang dan pohon pada ekosistem tutupan lahan hutan mangrove.

Citra landsat 8 OLI path/raw 121/61 Data nama jenis tumbuhan teridentifikasi Koordinat plot di lapangan

Data berat jenis, BEF, IHMB (PT Areal Kandelia Alam dan PT Bina Ovivipari

Semesta)

Data administrasi Kabupaten Kubu Raya

Prosedur Analisis Data Pra-pengolahan Citra

Pra pengolahan citra merupakan langkah awal dalam pengolahan citra satelit. Beberapa langkah dalam pra-pengolahan citra meliputi import data citra, penggabungan band, koreksi geometrik dan pemotongan citra.

1. Import data

Proses import data merupakan langkah awal dalam pra pengolahan citra. Citra yang digunakan yaitu landsat 8 (OLI) tahun perekaman 2014 dengan format TIF. Proses import data ini merupakan proses mengubah format TIF menjadi format IMG. Proses ini dilakukan dengan menggunakan perangkat lunak ERDAS IMAGINE 9.1.

2. Penggabungan citra (Layer Stack)

Penggabungan band dimaksudkan untuk memperoleh suatu data citra multispektral yang terdiri dari band cahaya tampak, NIR, dan SWIR pada citra landsat 8. Jaya (2010) menjelaskan bahwa dengan hanya menggunakan satu band (saluran) yang umumnya ditampilkan dengan grayscale/hitam putih, identifikasi objek pada citra umumnya lebih sulit dibandingkan dengan interpretasi pada citra berwarna.

3. Koreksi geometrik

Jaya (2010) menjelaskan bahwa koreksi geometri dibutuhkan untuk melakukan rektifikasi (pembetulan) agar koordinat pada citra sesuai dengan koordinat geografi. Hal ini perlu dilakukan untuk mendapatkan nilai piksel yang sebenarnya pada posisi yang tepat. Citra Landsat 8 sudah terorthorektifikasi Level 1T- precision yang artinya sudah dilakukan rektifikasi dengan data Digital Elevation Model (DEM) dari Global Land Surveys 2000 sehingga hanya dilakukan reproject citra untuk mengubah proyeksi citra menjadi Universal Tranverse Mectator (UTM) zona 49 S dan datum yang digunakan adalah World Geodetic System (WGS) 84.

4. Pemotongan data citra (Subset image)

Pemotongan citra bertujuan untuk mengetahui secara jelas daerah penelitian yang akan digunakan sesuai dengan lokasi penelitian. Pemotongan citra

5

dilakukan dengan memotong citra yang sudah terkoreksi pada lokasi penelitian menggunakan software ERDAS IMAGINE 9.1.

Pengambilan Data Lapangan

Pengambilan data di lapangan dilakukan dengan menggunakan metode purposive sampling yang direncanakan berdasarkan kondisi tegakan. Tegakan tersebut diantaranya hutan bekas tebangan yang diambil pada tegakan tahun 1989, 1998, 2002 yang ada di PT kandelia Alam dan tegakan 2006, 2008, 2009 yang terdapat di PT Bina Ovivipari Semesta. Sebanyak 52 plot contoh yang tersebar merata, 10 plot contoh di ambil dari tegakan tahun 1989 dan 1998 sedangkan pada tahun 2002, 2006, 2008, dan 2009 diambil masing-masing 8 plot contoh.

Plot contoh yang digunakan berbentuk persegi dengan luasan 25 m x 25 m yang digunakan untuk mengukur tingkat pohon, necromassa (pohon mati rebah dan pohon mati berdiri), dan di dalamnya dibuat sub plot berukuran 2m x 2m untuk mengukur dimensi tingkat tumbuhan bawah, necromassa dan serasah, dan 5 meter x 5 meter mengukur dimensi tingkat pancang.

Data yang di ambil adalah kondisi biofisik (tapak, fisiografi, kondisi tutupan) dan Pengukuran dan pengamatan tegakan berupa diameter setinggi dada (30 cm di atas akar tunjang), tinggi total (hanya beberapa contoh), nama jenis pohon, serasah, nekromassa, serta titik koordinat dari titik acuan.

Pengolahan Data

Pada tahap pengolahan data terbagi lagi menjadi beberapa tahap meliputi: pendugaan biomassa, analisis spasial, uji asumsi, uji korelasi, pengujian korelasi, penyusunan model, uji koefisien regresi, uji validasi, penentuan model terpilih, dan pembuatan peta sebaran potensi.

1. Pendugaan biomassa

Menurut Sutaryo (2009), biomassa adalah suatu bentuk dari kantong karbon, yang diperhitungkan setidaknya ada empat kantong karbon. Keempat kantong karbon tersebut adalah biomassa atas permukaan, biomassa bawah permukaan, bahan organik mati, dan karbon organik tanah. Pada penelitian ini yang diperhitungkan hanyalah biomassa atas permukaan dan biomassa bahan organik mati. Biomassa atas permukaan adalah semua material hidup di atas permukaan tanah baik dari strata pohon maupun dari strata tumbuhan bawah di lantai hutan, sedangkan kayu mati dan serasah masuk ke dalam kategori biomassa bahan organic mati.

Pendugaan biomassa dilakukan dengan menggunakan alometrik yang telah tersedia, menggunakan koefisien BEF tegakan dan menimbang bobot basah maupun bobot kering. Untuk pendugaan nilai biomassa tumbuhan bawah, serasah, dan nekromassa yang diukur pada plot 2 2 meter didapatkan dari hasil perhitungan total berat kering (BK) sampel yang diacu dalam Hairiah dan Subekti (2007) yaitu :

Keterangan :

BK = Berat kering (g) BB = Berat basah (g)

Untuk menghitung biomassa pohon mati rebah menggunakan rumus dari Balitbang Kehutanan (2012), sedangkan pohon mati berdiri menggunakan rumus dari Hilmi (2003) sebagai berikut :

Biomassa pohon mati rebah :

B = V WD BEF Keterangan :

B = biomassa (kg) V = volume pohon (m3)

WD = wood density/ berat jenis (g/cm3)

BEF = Biomass expansion factor, nilai yang digunakan pada penelitian ini 1.55 Biomassa pohon mati berdiri :

Biomassa akar : B = -0.7 – 11.9 Dbh + 0.969 H2 Biomassa batang : B = 80.7 + 0.0333 Dbh2 H Keterangan

B = biomassa (kg)

Dbh = diameter setinggi dada (cm); H = tinggi pohon mati (m)

Pendugaan biomassa pada tingkat pohon menggunakan pendekataan alometrik. Tabel 2 menyajikan alometrik yang digunakan dalam pendugaan biomassa tingkat pohon.

Tabel 2 Rumus alometrik untuk menduga potensi biomassa pada tingkat pohon Jenis Tanaman Rumus Alometrik Sumber

Bruguiera gymnorrhiza

Log B = -0.552+ 2.244 log Dbh Krisnawati et al. (2012)

Rhizopora apiculate B = 0.043 Amira (2008) Xylocarpus granatum B = 0.1832 Talan (2008) Keterangan:

B = biomassa (kg)

Dbh = diameter setinggi dada (cm)

Tegakan mangrove pada kelas pancang, dihitung menggunakan rumus berbeda. Pancang pada klaster tersebut dihitung menggunakan model alometrik Pambudi (2011) sebagai berikut :

Keterangan:

B = biomassa (kg)

7

2. Indeks vegetasi (NDVI)

Perhitungan indeks vegetasi tutupan lahan dengan menggunakan Normalized Difference Vegetation Index (NDVI) merupakan perhitungan dari sinar tampak dan infra merah dekat yang direfleksikan oleh vegetasi. Klasifikasi nilai piksel untuk NDVI berkisar antara -1 sampai dengan 1. Nilai NDVI yang rendah (negatif) mengidentifikasikan wilayah badan air, bebatuan, pasir, dan salju. Nilai NDVI yang tinggi (positif) mengidentifikasikan wilayah vegetasi baik berupa padang rumput, semak belukar, maupun hutan, sedangkan nilai NDVI mendekati 0 umumnya mengidentifikasikan lahan kosong (Saputra 2007). Nilai NDVI ini dapat dihitung dengan menggunakan persamaan:

Keterangan:

NIR (Near Infra Red ) = band infra merah dekat

RED = band merah

Citra band merah dan band infra merah dekat pada Landsat 8 mempunyai kelebihan yaitu objek bervegetasi akan memberikan tanggapan spektral yang tinggi. Nilai indeks vegetasi dapat memberikan informasi tentang persentase penutupan vegetasi, indeks tanaman hidup (Leaf Area Index), biomassa tanaman, kapasitas fotosintesis, dan estimasi penyerapan karbon dioksida (CO2) (Saputra 2007). Kegiatan ini bertujuan untuk mendapatkan nilai NDVI

dari masing masing titik koordinat dari acuan. 3. Uji asumsi

a. Uji normalitas

Pengujian normalitas data untuk mengetahui apakah data menyebar normal dengan bentuk data simetris atau berbentuk kurva lonceng. Pengujian normalitas data dapat dilakukan dengan menggunakan uji Kolmogorov Smirnov. Berikut rumus yang digunakan:

KS = ∣Fn(Yi-1) – Fo(yi)∣

Keterangan :

KS : Nilai Kolmogorov Smirnov

Fn(Yi-1) : Frekuensi persentase komulatif pada waktu sebelum i

Fo(yi) : Frekuensi data sebaran normal pada saat i

Hipotesis :

Ho : Data menyebar normal Hi : Data tidak menyebar normal

Kriteria uji : jika value (KS) > 0.05 maka terima Ho,sedangkan jika P-value (KS) < 0.05, maka tolak Ho.

b. Uji linearitas

Uji Linearitas, bertujuan untuk mengetahui apakah dua variable mempunyai hubungan yang linear atau tidak secara signifikan, artinya setiap perubahan yang terjadi pada satu variable akan diikuti perubahan dengan

besaran yang sejajar pada variabel lainnya. Uji linearitas menggunakan rumus (Hadi 2004):

Freg =

Keterangan:

Freg : Harga bilangan F untuk garis regresi

RKreg : Rerata kuadrat garis regresi

RKres : Rerata kuadrat residu

Perhitungan Uji linearitas menggunakan software SPSS, dan memilki kriteria, jika nilai signifikansi nilai F (sig) < 0.05 maka data memiliki hubungan yang linear sedangkan jika nilai signifikansi nilai F (sig) > 0.05 maka data tidak memiliki hubungan yang linear.

c. Uji heterokedastisitas

Uji heterokedastisitas dilakukan untuk mengetahui apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual suatu pengamatan lain. Jika varians dari residual suatu pengamatan ke pengamatan lain tetap disebut homokedastisitas, sedangkan untuk varians yang berbeda disebut heterokedastisitas. Untuk menguji adanya gejala heterokedastisitas, maka digunakan uji Glejser pada SPSS.

Hipotesis yang digunakan:

Ho : Terdapat gejala heteroskedastisitas H1 : Tidak terdapat gejala heteroskedastisitas

Kriteria yang digunakan, jika korelasi antara variable independent dengan residualnya memberikan signifikansi (sig) > 0.05, maka tolak Ho, sedangkan jika korelasi antara variable independent dengan residunya memberikan signifikansi (sig) < 0.05, maka terima Ho.

4. Uji korelasi

Koefisien korelasi (r) merupakan variabel yang dapat menunjukan keeratan hubungan antara dua peubah atau lebih terhadap peubah tak bebasnya (Walpole 1995). Dalam hal ini bertujuan untuk mengetahui hubungan antara peubah atau variabel yang digunakan dalam pendugaan potensi biomassa dengan menghitung nilai koefisien korelasi (r) dengan menggunakan rumus:

∑ ∑ ∑

√ ∑ ∑ ∑ ∑ Keterangan:

r = nilai korelasi

xi = nilai NDVI dari unit-unit contoh

yj = nilai potensi biomassa dari unit-unit contoh

n = jumlah unit contoh

Selang nilai korelasi (r) berkisar antara -1 sampai dengan 1. Koefisien korelasi bernilai negatif mempunyai makna hubungan antara dua peubah yang diuji bersifat berbanding terbalik, yaitu jika salah satu peubah nilainya menurun,

9

maka peubah yang lain akan meningkat. Koefisien korelasi bernilai positif menunjukkan hubungan antar dua peubah tersebut berbanding lurus, yaitu jika nilai salah satu peubah meningkat, maka peubah lain juga akan meningkat. Apabila nilai korelasi 0, maka hubungan antara dua peubah yang diuji tidak memiliki korelasi.

Hipotesis :

H0 : r = 0, artinya tidak ada korelasi antar dua peubah

H1 : r ≠ 0, artinya ada korelasi antar dua peubah

5. Pengujian korelasi

Untuk melakukan uji signifikasi korelasi bisa digunakan transformasi-z yang dikemukakan oleh Fisher. Perhitungan Z-hitung rumus yang digunakan adalah:

Keterangan:

Zr = nilai korelasi sebenarnya

Zρ = nilai korelasi harapan

δ = simpangan baku Hipotesis: ₀: ρ 0

1: ρ≠0 Kriteria uji:

Jika zhit≤ztab, maka terima Ho artinya pengaruh antar variabel tidak erat

Jika zhit>ztab, maka tolak Ho artinya pengaruh antar variabel erat

6. Penyusunan model penduga potensi biomassa

Analisis hubungan antara biomassa dengan nilai NDVI pada citra landsat 8, digunakan model yang dapat menyusun hubungan tersebut. Model-model yang dapat dikembangkan pada penelitian ini adalah:

1. Linear B = a + bNDVI

2. Kuadratik B = a + bNDVI2

3. Power B = aNDVIb

4. Eksponensial B = ae(bNDVI) Keterangan:

B = biomassa (ton /plot)

NDVI = nilai NDVI pada citra Landsat 8 a,b,c = nilai konstanta/koefisien

7. Uji koefisien regresi

Untuk mengetahui pengaruh signifikansi koefisien regresi yang dihasilkan dalam pembuatan model terhadap potensi biomassa, maka perlu dilakukan pengujian menurut kaidah statistik. Uji koefisien regresi ini dilakukan dengan menggunakan Uji-F (uji secara simultan / bersama).

a. Pengujian hipotesis / Uji F-hitung (ANOVA)

Pengujian hipotesis dilakukan terhadap model untuk mengetahui keberartian hubungan peubah pada citra dengan potensi biomassa di lapangan. Analisis ragam untuk regresi sederhana disajikan pada Tabel 3

Tabel 3 Analisis ragam untuk regresi sederhana Sumber

Keragaman Db JK KT F Hit

Regresi Dbr = p-1 JKR=bJHKxy KTR=JKR/dbr KTR/KTS Sisa Dbs = n-p JKS=JKT-JKR KTS=JKS/dbs

Total n-1 JKT=Jky

*Keterangan: p: banyaknya parameter; n: banyaknya plot contoh; db: derajat bebas; JK: jumlah kuadrat; JHKxy: jumlah hasil kali x dan y; Jky: jumlah hasil kali y; KT: kuadrat tengah.

Hipotesis yang diuji adalah:

Ho: βi = 0, peubah terikat Y tidak dipengaruhi oleh peubah bebas X

H1 : βi ≠ 0, peubah terikat Y dipengaruhi oleh peubah bebas X

Keterangan:

jika F-hit > F-tab maka terima H1

jika F-hit ≤ F-tab maka terima H0

b. Perhitungan koefisien determinasi dan koefisien determinasi terkoreksi Koefisien determinasi (R2) adalah ukuran dari besarnya keragaman peubah tidak bebas yang dapat diterangkan oleh keragaman peubah bebasnya. Sedangkan koefisien determinasi terkoreksi (R²-adj) merupakan nilai koefisien determinasi yang nilai peubah-peubahnya telah dikoreksi. Perhitungan nilai koefisien determinasi juga dapat diduga untuk melihat tingkat ketelitian dan keeratan hubungan model regresi yang telah dibuat. Rumus yang digunakan, yaitu:

{

}

Keterangan:

R2 = koefisien determinasi; JKS = jumlah kuadrat sisa JKR = jumlah kuadrat regresi; JKT = jumlah kuadrat total

Koefisien determinasi memiliki arti jika nilai koefisien determinasi sebesar 60%, maka mempunyai pengertian bahwa 60% variasi peubah X dapat menerangkan secara memuaskan variasi peubah Y, sedangkan sisanya sebesar 40 % dijelaskan oleh faktor lain. Pada penelitian ini yang menjadi peubah X adalah NDVI sedangkan peubah Y adalah potensi biomassa pada tiap plot contoh.

11

c. Simpangan baku (s)

Simpangan baku contoh adalah ukuran perbedaan dari amatan individu contoh terhadap nilai rata-ratanya. Model yang baik memiliki simpangan baku yang kecil.

8. Uji validasi model

Setelah model terbangun dan secara statistik dapat diterima, maka perlu dilakukan uji validasi terhadap model tersebut. Uji validasi model terbangun

dengan menggunakan perhitungan uji χ² (chi-square), e (Bias), SA (Simpangan Agregat), SR (Simpangan Rata-rata) dan RMSE (Root Mean Square Error). Pada

penelitian ini, perhitungan uji χ² (chi-square) menunjukan besarnya kecocokan antara hasil perhitungan menggunakan model (nilai harapan/E) dengan perhitungan data lapangan (nilai observasi atau nilai actual /O). Jika nilai χ² hitung

lebih kecil dari nilai χ²-tabel, maka dapat dinyatakan bahwa hasil dugaan menggunakan model terbangun tidak berbeda dengan perhitungan data lapangan (nilai actual).

χ²-hitung = ∑

Root Mean Square Error (RMSE) digunakan untuk mengetahui seberapa besar error yang terjadi pada hasil perhitungan model jika dibandingkan dengan nilai aktual. Semakin kecil nilai RMSE, maka semakin kecil pula kesalahan yang terjadi pada penggunaan model. Perhitungan RMSE menggunakan rumus sebagai berikut:

RMSE = √∑

Bias (e) adalah kesalahan sistematis yang dapat terjadi karena kesalahan dalam pengukuran, baik kesalahan teknis pengukuran maupun kesalahan karena alat ukur. Nilai e yang dapat diterima adalah nilainya yang mendekati nol. Perhitungan bias (e) dapat di rumuskan sebagai berikut :

e = ∑ {

}

Simpangan Agregat (SA) adalah selisih jumlah nilai actual dan nilai dugaan sebagai proporsional terhadap nilai dugaan atau perbedaan antara jumlah nilai aktual dan jumlah nilai dugaan. Persamaan yang baik memiliki SA Antara -1 sampai +1. Nilai SA dapat dihitung dengan rumus:

SA = ∑ ∑

∑

Simpangan Rata-rata (SR) adalah jumlah nilai mutlak dari selisih antara jumlah nilai dugaan dan nilai aktual, proporsional terhadap jumlah nilai dugaan.

Nilai SR menunjukan suatu model dapat dikatakan baik jika nilainya tidak lebih dari 10%. Perhitungan SR yaitu dengan rumus sebagai berikut :

SR = | ∑ _|

100

9. Pemilihan Model

Untuk mendapatkan model terbaik diperlukan adanya penyusunan peringkat terhadap model dengan acuan kriteria-kriteria uji yang dilakukan. Penyusunan peringkat dilakukan dengan memberikan skor pada model-model yang diperoleh, kemudian akan terbentuk model terbaik yang dapat digunakan sesuai kriteria yang ada yaitu model yang terpilih harus mempunyai nilai koefisien regresi dan koefisien determinasi (R2 dan R²adj) yang tinggi, memiliki nilai simpangan baku (s) yang kecil, lolos dari nilai F-hitung dan model harus sesuai dengan kondisi data dilapang (χ² hitung < χ² tabel) serta memiliki nilai-nilai uji validasi sesuai yang disarankan mulai dari SA, SR, RMSE, dan e. Pemberian skor dapat menggunakan rumus sebagai berikut :

Skor =

+1

Dimana :

NU = Nilai Uji dari setiap kriteria Max = Nilai terbesar dari setiap kriteria Min = Nilai terkecil dari setiap kriteria 10. Peta Sebaran Potensi Biomassa

Pembuatan peta sebaran dilakukan dengan bantuan software Erdas Imagine 9.1 untuk melakukan pemodelan spasial dengan menggunakan modeler dan ArcGis 10.1 untuk melakukan reklasifikasi nilai biomassa di lapangan pada setiap pikselnya. Peta sebaran biomassa dibuat berdasarkan model terpilih yang memiliki skor tertinggi. Peta sebaran biomassa juga dibuat sebanyak 3 kelas, ini ditentukan dengan melihat sebaran data normal dari nilai biomassa yang di ukur dari seluruh plot yang ada dilapangan.

HASIL DAN PEMBAHASAN

Hasil Identifikasi Lapangan

Sebanyak 52 plot contoh dilakukan analisis terhadap tutupan lahan serta nilai NDVI, setiap plot contoh yang teramati memiliki nilai NDVI yang berbeda-beda pada citra. Kisaran nilai NDVI untuk plot contoh yang teramati yaitu antara 0.3 sampai dengan 0.58, dan nilai NDVI yang kurang dari 0.3. Berdasarkan hasil interpretasi lapangan memiliki tutupan lahan berupa tanah terbuka, lahan terbangun (camp dan jalan) dan badan air. Hasil interpretasi dilapangan dan nilai ndvi pada citra dapat dilihat pada Tabel 4 dan Tabel 5.

13

Tabel 4 Hasil observasi pada nilai NDVI < 0.3 Koordinat /

land cover / NDVI

Kondisi pada citra Kondisi di lapangan BT 109°28’26.23”

LS = 0°37’11.8” Badan Air NDVI = -0.03

BT 109°28’42.31” LS = 0°37’12.05” Lahan Terbangun (Camp)

NDVI = 0.16

BT 109°23’55.31” LS = 0°51’52” Lahan Terbuka NDVI = 0.26

BT 109°38’2.93” LS = 0°56’21.70” Lahan Terbangun (Jalan)

Tabel 5 Hasil observasi pada nilai NDVI > 0.3 Koordinat /

land cover / NDVI

Kondisi pada citra Kondisi di lapangan BT 109°27’0.9”

LS = 0°49’21.32” Tegakan Tahun 2009

NDVI = 0.37

BT 109°27’19.74” LS = 0°50’22.33” Tegakan Tahun 2006

NDVI = 0.46

BT 109°27’10” LS = 0°34’2.88” Tegakan Tahun 1998

NDVI = 0.48

BT 109°28’41.12” LS = 0°36’41.12” Tegakan Tahun 1989

15

Model Penduga Potensi Biomassa Uji asumsi

Uji asumsi merupakan uji persyaratan dalam analisis sebelum melakukan uji statistika parametrik. Dalam hal ini uji asumsi meliputi uji normalitas, uji linearitas dan uji heteroskedastisitas. Pengujian normalitas berdasarkan hasil uji Kolmogorov Smirnov didapatkan hasil P-value (KS) sebesar 0.323, ini artinya nilai P-value (KS) > 0.05 sehingga terima Ho yang artinya data tersebut dinyatakan memiliki sebaran normal. Untuk pengujian linearitas berdasarkan uji F dihasilkan signifikansi nilai F (sig) sebesar 0.0004 ini artinya signifikansi nilai F (sig) < 0.05 sehingga nilai NDVI dan Biomassa memiliki hubungan yang linear.

Pengujian heterokedastisitas menggunakan uji Glejser, yang digunakan untuk melihat gejala heterokedastisitas yang ditunjukan oleh koefisien regresi dari variable independent terhadap nilai absolut residunya. Hasil pengujian menunjukan nilai signifikansi yaitu 0.066. Bahwa pada uji heteroskedastisitas ini nilai signifikansi (sig) > 0.05 sehingga tolak Ho yang artinya tidak terdapat gejala heteroskedastisitas atau memiliki kesamaan antara varians dari residual suatu pengamatan ke pengamatan lainnya.

Koefisien korelasi

Pendugaan potensi biomassa dengan menggunakan citra landsat 8 diketahui adanya korelasi antara biomassa dengan nilai NDVI yaitu sebesar 0.759, korelasi tersebut digambarkan pada Gambar 2.

Gambar 2 Hubungan antara nilai ndvi dan biomassa

Berdasarkan nilai korelasi dan grafik hubungan antara nilai ndvi dan biomassa diketahui bahwa korelasi tersebut mempunyai hubungan yang positif, artinya apabila terjadi peningkatan pada nilai NDVI di citra, maka akan terjadi peningkatan pula pada potensi biomassa yang dihasilkan, dan begitupun sebalikya.

y = 0.000234e20x R² = 0.77

0 2 4 6 8 10 12 14 16

0.35 0.4 0.45 0.5 0.55

B iom assa (ton/pl ot) NDVI

Hasil uji signifikasi korelasi yang digunakan untuk melihat apakah koefisien korelasi hasil perhitungan siginifikan (dapat digeneralisasikan) atau tidak, dari hasil perhitungan uji signifikasi korelasi didapatkan hasil Z-hit sebesar 6.814 ini menunjukan bahwa nilai Z-hit yang dihasilkan lebih besar dari Z tabel sehingga tolak Ho dengan tingkat kepercayaan 95% (ɑ 0.05) (Z-hit ≥ Z-tabel), yang artinya pengaruh antar variable erat hal ini juga dapat diihat dari nilai korelasi ( r ) ≥ 0.7071.

Model penduga potensi biomassa

Hasil analisis terhadap korelasi antara biomassa dengan NDVI bahwa terdapat hubungan yang cukup erat antara biomassa dengan NDVI, sehingga dibuat model persamaan yang dapat menyusun hubungan tersebut. hasil analisis regresi yang dilakukan Antara peubah X (NDVI) dan peubah Y (biomassa ) menghasilkan beberapa model persamaan penduga potensi biomassa yang disajikan pada Tabel 6.

Tabel 6 Model penduga potensi biomassa

No Jenis model Model persamaan regresi Kode

1 Linear B = - 25.8 + 64.1 ndvi M1

2 Kuadratik B = - 11.8 + 72.1 ndvi² M2 3 Power B = 2416.317 M3 4 Eksponensial B = 0.000234044 M4

Uji koefisien regresi

Pengujian yang dilakukan selanjutnya yaitu pengujian koefisien regresi, pengujian ini digunakan untuk menentukan persamaan terbaik dalam penduga potensi biomassa dengan melihat besar koefisien determinasi, besar nilai simpangan baku model, serta nilai F-hitung model. Hasil uji koefisien regresi disajikan pada Tabel 7.

Tabel 7 Hasil analisis uji koefisien regresi

No Kode Model R² R²adj s F-hit F-tab

1 M1 Linear 57.7 56.5 2.4 47.6 5.4

2 M2 Kuadratik 60.3 59.1 2.3 53.0 5.4

3 M3 Power 75.7 75.2 0.5 108.8 5.4

4 M4 Eksponensial 77.1 76.4 0.4 117.4 5.4 *Keterangan : R² : koefisien determinasi, R²-adj : koefisien determinasi terkoreksi, s : simpangan baku, F-hit : nilai uji F-hitung, F-tab : nilai F-tabel pada tingkat kepercayaan 95% (ɑ 0.05)

Hasil uji regresi pada Tabel 7 menjelaskan bahwa keempat model yang digunakan dapat digunakan dalam menduga potensi biomassa, hal ini dibuktikan dari nilai F-hit pada semua jenis model persamaan lebih besar dari F-tab, sehingga peubah X (NDVI atau NDVI²) mempengaruhi peubah Y (Biomassa). Tabel 7 juga menjelaskan bahwa semua model mempunyai nilai simpangan baku (s) yang beragam, artinya semakin besar nilai simpangan baku (s) maka penyimpangan nilai pengamatan terhadap model semakin beragam begitupun sebaliknya. Selain itu juga Tabel 7 menjelaskan bahwa keseluruhan model persamaan yang

17

dihasilkan memiliki nilai koefisien determinasi (R²) yang beragam, yang berkisar Antara 57.7% sampai dengan 77%, koefisien determinasi (R²) ini menjelaskan bahwa semakin tinggi nilai koefisien determinasi maka semakin tinggi pula kemampuan model regresi menjelaskan variasi variable terikat. Artinya jika R² sebesar 77%, ini menunjukan bahwa NDVI dapat menerangkan biomassa sebesar 77% dan sisanya diterangkan oleh faktor lain atau peubah lain.

Validasi model

Menurut Supangat (2010) uji validasi adalah membandingkan antara fakta yang diperoleh berdasarkan hasil observasi dengan fakta yang didasarkan secara teoritis dan untuk melihat keabsahan model yang telah dibuat dalam menduga potensi biomassa ke dalam dunia nyata. Validasi model dinilai dengan hasil uji χ², SA,SR,RMSE dan Bias. Hasil uji validasi model disajikan pada Tabel 8.

Berdasarkan hasil validasi model pada Tabel 8, persamaan yang baik memiliki nilai simpangan agregat (SA) berkisar Antara -1 sampai +1, hasil dari penelitian menunjukan keseluruhan model persamaan memenuhi kaidah SA dengan nilai SA berkisar Antara -0.228 sampai 0.0386. Sedangkan untuk uji simpangan rata-rata (SR) dikatakan baik jika tidak lebih dari 10%. Hasil yang diperoleh dari simpangan rata-rata, terdapat dua model persamaan yang SR kurang dari 10% yaitu pada model linear dan kuadratik, sedangkan untuk model power dan eksponensial memilki nilai SR yang lebih dari 10 %.

Uji RMSE ( Root Mean Square Error) yang merupakan kombinasi antara bias dan ketelitian. RMSE menggambarkan jauh dekatnya nilai-nilai hasil pengamatan terhadap nilai yang sebenernya. Nilai RMSE yang semakin kecil menunjukan bahwa model penduga biomasssa yang terbangun lebih akurat dalam menduga biomassa. Pada penelitian ini dihasilkan nilai RMSE berkisar Antara 18.906 sampai 27.508, untuk nilai RMSE terendah yaitu dimiliki oleh model eksponensial artinya model ini memilki nilai kesalahan (error) terendah dibandingkan dengan model lain.

Uji bias (s) yang merupakan uji kesalahan sistematis yang dapat terjadi karena kesalahan dalam pengukuran, meliputi kesalahan teknis dan kesalahan karena alat ukur. Suatu model dikatakan akurat apabila nilai biasnya semakin kecil atau mendekati nol, Dalam hal ini nilai bias yang di hasilkan berkisar -20.31 sampai 7.81. Persamaan kuadratik memiliki nilai bias yang rendah dibandingkan persamaan yang lain yaitu sebesar 6.1421.

Uji validasi terakhir adalah uji χ², uji ini digunakan sebagai dasar pengambilan keputusan model terbaik. Jika nilai χ²-hitung < χ²- tabel, maka nilai volume dugaan tidak berbeda nyata dengan nilai volume aktual. Hasil dari uji validasi model bahwa semua persamaan regresi mempunyai nilai χ²-hitung < χ²- tabel dengan selang kepercayaan 95%, ini berarti terima Ho artinya bahwa terdapat kecocokan antara hasil potensi biomassa yang dihasilkan dari model regresi dengan hasil data lapangan (aktual).

Tabel 8 Hasil uji validasi model

Kode Model Indicator Uji Validasi

SA SR Bias RMSE χ²-hit χ²-tab M1 B = - 25.8 + 64.1 ndvi 0.03 7.80 7.80 27.50 5.03 23.68 M2 B = - 11.8 + 72.1 ndvi² 0.02 6.14 6.14 23.87 4.02 23.68 M3 B = 2416.317 -0.25 21.42 -21.42 19.77 4.31 23.68 M4 B = 0.0002340 -0.22 20.30 -20.30 18.90 3.67 23.68

Model persamaan regresi terpilih

Pemilihan model mempertimbangkan SA, SR, Bias, RMSE, χ², R², dan s . Dalam hal ini model eksponensial memiliki nilai R² paling besar diantara model yang lain, yaitu sebesar 77%, memiliki nilai simpangan baku (s) terkecil yaitu 0.48 serta lolos dari uji F- hitung yang artinya peubah X (NDVI) dapat mempengaruhi peubah Y (biomassa) selain itu juga model eksponensial ini memiliki kecocokan dengan data perhitungan dilapangan yang dilihat dari hasil

uji χ² serta memiliki nilai RMSE paling rendah yaitu 18.906, akan tetapi untuk uji SA, SR, dan Bias hasil terbaik yaitu pada model Kuadratik ini dikarenakan model kuadratik memilki nilai SA, SR, dan Bias paling rendah diantara persamaaan-persamaan yang lain. Sehingga diperlukan perhitungan skor dari tiap model berdasarkan semua uji yang dipertimbangkan untuk menentukan model terbaik. Perhitungan skor dari tiap model disajikan pada Tabel 9.

Berdasarkan peringkat skor yang dihasilkan dari tiap uji pada Tabel 9, maka dapat diketahui bahwa model terbaik untuk menduga potensi biomassa di areal kerja BSN Group yaitu model eksponensial B=0.000234044* hal ini dikarenakan model eksponensial memiliki skor tertinggi dibandingkan dengan model lain dengan hasil skor yaitu sebesar 19.89.

Tabel 9 Peringkat hasil model terbaik

Kode _χ 2 Skor

hit SA SR Bias RMSE s R2 total ranking M1 1.00 3.78 3.67 3.67 1.00 1.00 1.00 15.12 4 M2 3.21 4.00 4.00 4.00 2.15 1.11 1.25 19.72 2 M3 2.57 1.00 1.00 1.00 3.69 3.97 3.79 17.02 3 M4 4.00 1.25 1.39 1.25 4.00 4.00 4.00 19.89 1

Peta Sebaran Potensi Biomassa

Peta sebaran potensi biomassa di PT Kandelia Alam dan PT Bina Ovivipari Semesta dibuat berdasarkan model yang terpilih dan dibuat sebanyak 3 kelas. Kelas sebaran biomassa ditentukan menggunakan metode natural breaks, metode ini merupakan sebuah metode untuk pengklasifikasian data yang bertujuan untuk membagi data menjadi kelas-kelas berdasarkan pengelompokan alami dalam distribusi data (Jenks 1997). Dalam hal ini pengelompokan data pada penelitian diukur dari seluruh plot yang ada di lapangan dan dibagi kedalam kelas yang sudah ditentukan. Peta sebaran potensi biomassa dapat dilihat pada Gambar 3.

19

(a)

(c)

Gambar 3 (a) Peta sebaran biomassa, PT Kandelia Alam; (b) Peta sebaran biomassa, PT Bina Ovivipari Semesta, Blok Selat Sekh; (c) Peta sebaran biomassa, PT Bina Ovivipari Semesta, Blok Selat Bumbun.

Berdasarkan hasil pembagian kelas menggunakan metode natural break sebanyak 3 kelas, dihasilkan selang kelas diantaranya 1-45 (ton/ha), 45-100 (ton/ha), dan >100 (ton/ha). Areal yang memiliki biomassa dibawah 1 (ton/ha) dikategorikan kedalam areal non biomassa, karena memiliki tutupan lahan berupa non vegetasi atau NDVI kurang dari 0.3.

Tabel 10 Potensi biomassa di PT Kandelia Alam dan PT Bina Ovivipari Semesta Potensi Biomassa

(ton/ha)

Kandelia Alam Bios (Blok Selat Sekh)

Bios (Blok Selat Bumbun) Luas

(ha)

Luas (%)

Luas (ha)

Luas (%)

Luas (ha)

Luas (%)

Non hutan 1890 9.9 435 7.4 65 1.8

1-45 5659 29.6 1412 24.2 1403 39.0

45-100 8667 45.4 2995 51.4 1701 47.3

>100 2838 14.8 974 16.7 428 11.9

Tabel 10 menjelaskan potensi biomassa di PT Kandelia Alam dan PT Bina Ovivipari Semesta, bahwa terdapat variasi luas potensi biomassa pada setiap kelas potensi biomassanya. PT Kandelia Alam dengan potensi 45 -100 (ton/ha) memiliki luasan terbesar dengan persentase luas 45.48%, ini sama halnya dengan PT Bina Ovivipari Semesta baik Blok Selat Sekh dan Blok Selat Bumbun, memiliki potensi terbesar pada kriteria 45- 100 (ton/ha) dengan luasan persentase

21

terbesar yaitu pada Blok Selat Sekh sebesar 51.48% dan pada Blok Selat Bumbun sebesar 47.27%. Hal ini dapat disimpulkan bahwa potensi dominan di areal kerja BSN Group khususnya di PT Kandelia Alam dan PT Bina Ovivipari Semesta memiliki potensi biomassa dominan pada kisaran 45-100 (ton/ha).

SIMPULAN DAN SARAN

Simpulan

Model terpilih penduga potensi biomassa yaitu model eksponensial B=0.00023404 dengan nilai R² sebesar 77.1 %, nilai s sebesar 0.48, nilai RMSE sebesar 18.906 dan memiliki kecocokan antara hasil model regresi dengan data lapangan dari hasil uji χ² sebesar 3.670 serta memiliki nilai total skor tertinggi. Model penduga yang terpilih menghasilkan peta sebaran biomassa yang terdiri dari 3 kelas yaitu kelas 1-45 (ton/ha), 45-100 (ton/ha), dan >100 (ton/ha). PT Kandelia Alam dan PT Bina Ovivipari Semesta mempunyai kelas potensi biomassa dominan pada kelas 45 -100 (ton/ha).

Saran

Diperlukan pengambilan data plot yang lebih banyak dan tersebar merata (representative) di areal tersebut untuk menghasilkan nilai regresi yang lebih tinggi dan perlu adanya penelitian lebih lanjut dalam menduga biomassa melalui citra selain menggunakan nilai NDVI pada indeks vegetasi.

DAFTAR PUSTAKA

Amira S. 2008. Pendugaan biomassa jenis Rhizophora apiculata BI, di hutan mangrove Batu Ampar Kabupaten Kubu Raya, Kalimantan Barat. [Skripsi]. Bogor (ID) : Departemen Konservasi Sumberdaya Hutan dan Ekowisata, Fakultas Kehutanan Institut Pertanian Bogor.

Cahyaningrum S T & Hartoko A. 2014. Mangrove Carbon Biomass at Kemujan Island, Karimunjawa Nasional Park Indonesia. Management of Aquatic Resources Journal Vol.3(3): 34-42.

Donato, D. Kauffman, J. B., Murdiyarso, D., Kurnianto, S., Stidham, M., & Kanninen, M. 2012. Mangrove adalah salah satu hutan terkaya karbon di kawasan tropis (No. CIFOR Infobrief no. 12, p. 12p). Center for International Forestry Research (CIFOR), Bogor, Indonesia.

Hadi S. 2004. Analisis Regresi. Yogyakarta (ID): Andi Offset.

Hairiah K, Subekti R. 2007. Pengukuran ‘Karbon Tersimpan’ di Berbagai Macam Penggunaan Lahan. Bogor (ID): World Agroforestry Centre – ICRAF. Hilmi E. 2003. Model Penduga kandungan karbon pada pohon kelompok jenis

Rhizophora spp. dan Bruguiera spp. dalam tegakan hutan mangrove studi kasus di Indragiri Hilir Riau [Tesis]. Bogor (ID): Program Pascasarjana, Institut Pertanian Bogor.

[IPCC] Intergovermental Panel on Climate Change.2001. Climate Change 2001: Working Group 1: The Scientific Basic. New York: Cambridge University Press.

Jaya, INS. 2010. Analisis Citra Digital: Perspektif Penginderaan Jauh untuk Pengelolaan Sumberdaya Alam. Bogor: Fakultas Kehutanan IPB.

Jenks, G. 1997. Optimal Data Classification for Chroropleth Maps. Occaasional paper No. 2, department of geography, University of Kansas

Komiyama, A., Ong, J. E. & Poungparn, S. 2008. Allometry, biomass, and productivity of mangrove forests. Aquatic Botany. Vol. 89: 128–137. Krisnawati H, Adinugroho WC, Imanuddin R. 2012. Monograf : Model-Model

Alometrik untuk Pendugaan Biomassa Pohon pada Berbagai Tipe Ekosistem Hutan di Indonesia. Bogor (ID): Pusat Penelitian dan Pengembangan Konservasi dan Rehabilitasi, Badan Penelitian dan Pengembangan Kehutanan.

Lu D. 2006. The potential and challenge of remote sensing‐based biomass estimation. International journal of remote sensing. Vol. 27(7), 1297-1328. Pambudi GP. 2011. Pendugaan biomassa beberapa kelas umur tanaman jenis

Rhizophora apiculata Bl. pada areal PT. Bina Ovivipari Semesta Kabupaten Kubu Raya, Kalimantan Barat.[Skripsi]. Bogor (ID) : Departemen Konservasi Sumberdaya Hutan dan Ekowisata, Fakultas Kehutanan Institut Pertanian Bogor.

Saputra GR. 2007. Model Penduga Potensi Hutan Rakyat Menggunakan Citra Aster dan Sistem Informasi Geografis di Beberapa Wilayah Kabupaten Bogor Bagian Barat. [Skripsi]. Bogor (ID) : Departemen Manajemen Hutan Fakultas Kehutanan IPB.

Supangat A. 2010. Statistika dalam kajian Deskriptif, Inferensi, dan Nonparametrik. Jakarta (ID): Kencana Prenada Media Group.

Sutaryo, D.2009. Perhitungan Biomassa, Sebuah Pengantar untuk Studi Karbon dan Perdagangan Karbon. Bogor (ID) : Wetlands International Indonesia Programme.

Qirom, M. A. Saleh, M. B. & Kuncahyo, B. 2012. Aplikasi Citra Alos Palsar untuk Pendugaan Simpanan Karbon di Hutan Tanaman Akasia. Vol.1 : 121-134

Talan MA. 2008 . Persamaan penduga biomassa pohon jenis Nyirih (Xylocarpus Granatum Koenig 1784) dalam tegakan mangrove hutan alam di Batu Ampar-Kalimantan Barat. [Skripsi]. Bogor (ID) : Departemen Konservasi Sumberdaya Hutan dan Ekowisata, Fakultas Kehutanan Institut Pertanian Bogor.

Tangki, H., & Chappell, N. A. 2008. Biomass variation across selectively logged forest within a 225-km 2 region of Borneo and its prediction by Landsat TM. Forest Ecology and Management. 256(11), 1960-1970.

Twilley, R. R., Chen, R. H. & Hargis, T. 1992 Carbon sinks in mangroves and their implications to carbon budget of tropical coastal ecosystems.Water Air and Soil Pollution 64: 265–288.

Walpole RE. 1995. Pengantar Statistik Edisi 3 [Terjemahan dari: Introduction to statistics 3rd edition Penerjemah: Sumantri B]. Jakarta (ID): Gramedia. Yuwono T. 2014. Model Penduga Massa Karbon Hutan Rawa Gambut

Menggunakan Citra Alos Palsar [Tesis]. Bogor (ID): Program Pascasarjana, Institut Pertanian Bogor

23

LAMPIRAN

Lampiran 1 Data potensi biomassa dan nilai NDVI dari setiap plot.

No Nama X Y Biomassa (ton/ha) Biomassa (ton/plot) ndvi 1 plot 1989 330900 9931536 163.692 10.231 0.5155 2 plot 1989 330898 9931565 155.886 9.743 0.5132 3 plot 1989 330352 9932015 124.487 7.780 0.5081 4 plot 1998 347940 9929439 113.457 7.091 0.5074 5 plot 1998 348087 9929384 77.297 4.831 0.5023 6 plot 2002 327842 9937179 96.808 6.051 0.4949 7 plot 1998 347840 9929390 75.791 4.737 0.4835 8 plot 1998 347760 9929410 70.906 4.432 0.4815 9 plot 1998 347789 9929439 66.328 4.146 0.4800 10 plot 2002 328409 9935023 59.514 3.720 0.4778 11 plot 2006 328094 9907344 54.037 3.377 0.4750 12 plot 2008 328420 9906895 51.991 3.249 0.4731 13 plot 2008 328398 9906920 46.491 2.906 0.4695 14 plot 2006 328098 9907318 52.099 3.256 0.4675 15 plot 2002 328410 9934993 45.345 2.834 0.4600 16 plot 1989 330930 9931899 217.687 13.605 0.5262 17 plot 1998 347911 9929469 105.947 6.622 0.5227 18 plot 1989 330931 9931513 198.983 12.436 0.5220 19 plot 1989 330928 9931929 179.477 11.217 0.5176 20 plot 1989 330899 9931509 152.403 9.525 0.5119 21 plot 1989 330389 9931960 138.483 8.655 0.5094 22 plot 1989 330415 9931985 167.249 10.453 0.5093 23 plot 1989 330900 9931900 133.276 8.330 0.5091 24 plot 2002 327863 9937159 99.107 6.194 0.5090 25 plot 1989 330392 9931992 131.005 8.188 0.5089 26 plot 2002 327866 9937182 127.039 7.940 0.5078 27 plot 1998 348121 9929408 81.560 5.097 0.5037 28 plot 2006 328104 9907302 29.708 1.857 0.5021 29 plot 1998 347938 9929470 108.566 6.785 0.5020 30 plot 2002 328350 9934781 91.601 5.725 0.5019 31 plot 2008 328288 9906556 22.084 1.380 0.5013 32 plot 1998 347790 9929378 73.145 4.572 0.5012 33 plot 2008 328261 9906522 18.879 1.180 0.4952 34 plot 2002 328323 9934782 73.157 4.572 0.4950 35 plot 2002 327841 9937200 78.740 4.921 0.4862 36 plot 2006 328100 9907251 61.721 3.858 0.4825 37 plot 2006 328127 9907225 69.772 4.361 0.4825 38 plot 2006 328100 9907230 32.896 2.056 0.4825 39 plot 2008 328457 9906894 66.572 4.161 0.4800

Lampiran 1 Lanjutan

No Nama X Y Biomassa (ton/ha) Biomassa (ton/plot) ndvi 40 plot 2006 328123 9907246 44.205 2.763 0.4676 41 plot 2006 328106 9907328 44.093 2.756 0.4675 42 plot 2009 327851 9908760 11.784 0.736 0.4487 43 plot 2009 327453 9908871 11.385 0.712 0.4314 44 plot 2008 328216 9906647 25.252 1.578 0.4279 45 plot 2009 327821 9908762 24.996 1.562 0.4263 46 plot 2008 328258 9906636 24.795 1.550 0.4261 47 plot 2009 327502 9908889 18.264 1.141 0.4238 48 plot 2009 327627 9908942 13.008 0.813 0.4169 49 plot 2009 327639 9908955 15.302 0.956 0.4169 50 plot 2008 328245 9906688 10.559 0.660 0.3951 51 plot 2009 327529 9908911 8.055 0.503 0.3775 52 plot 2009 327780 9908768 7.591 0.474 0.3614

Lampiran 2 Hasil uji normalitas menggunakan metode Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test

Y

N 37

Normal Parametersa,b Mean 4.59180

Std. Deviation 3.735969

Most Extreme Differences Absolute .157

Positive .157

Negative -.135

Kolmogorov-Smirnov Z .954

25

Lampiran 3 Hasil uji linearitas

ANOVA Table

Sum of

Squares df

Mean

Square F Sig. Between

Groups

(Combined) 499.522 33 15.137 15.408 .0219 Linearity 289.724 1 289.724 294.911 .0004 Deviation from

Linearity

209.798 32 6.556 6.674 .0710 Within

Groups

2.947 3 .982

Total 502.469 36

Lampiran 4 Hasil uji heteroskedastisitas menggunakan uji Glejser Coefficientsa

model

Unstandardized Coefficients

Standardized Coefficients

t Sig.

B Std. Error Beta

(Constant) -4.442 2.695 -1.648 .108

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 29 Maret 1994 di Cianjur, Jawa Barat. Penulis adalah anak pertama dari dua bersaudara dari pasangan Bapak Endjang Djohardi dan Ibu Yuasna. Penulis memulai jenjang pendidikan formal di TK Amaliah (1997-1999), SD Negeri 1 Kawungluwuk (1999-2005), SMP Negeri 1 Sukaresmi (2005-2008), dan SMA Negeri 1 Sukaresmi (2008-2011). Pada tahun 2011, penulis melanjutkan studi S-1 di Departemen Manajemen Hutan, Fakultas Kehutanan Institut Pertanian Bogor melalui jalur Seleksi Nasional Masuk Perguruan Tinggi Negeri Undangan (SNMPTN Undangan).

Selama menjadi mahasiswa, penulis pernah menjadi asisten mata kuliah Geomatika dan Inderaja Kehutanan pada tahun (2014-2015), dan Teknik Inventarisasi Sumberdaya Hutan pada tahun ajaran 2015 sampai sekarang. Selain menjadi asisten mata kuliah, penulis pernah menjadi asisten instruktur Pelatihan Teknik Penyusunan Buku Rencana Kerja Usaha dan Rencana Kerja Tahunan Usaha Pemanfaatan Hasil Hutan Kayu, asisten instruktur Pelatihan Teknik Inventarisasi Sumberdaya Hutan, dan asisten Pelatihan Teknologi Penginderaan Jauh (Remote Sensing) 2015. Penulis juga aktif di berbagai organisasi di IPB antara lain sebagai anggota Divisi Public Relations International Forest Student`s Assosiation (IFSA) tahun 2012-2013, sebagai anggota Kelompok Studi Perencanaan 2012-2014 dan menjadi ketua umum Forest Manajement Student`s Club (FMSC). Penulis juga aktif berpartisipasi dalam berbagai kepanitiaan kegiatan kemahasiswaan di Institut Pertanian Bogor.

Penulis melakukan kegiatan Magang Mandiri di Perum Perhutani Unit 1 Jawa Tengah pada tahun 2013, Praktik Pengenalan Ekosistem Hutan (PPEH) di Sancang Barat (Garut) dan Kamojang (Bandung) pada tahun 2013, Praktik Pengelolaan Hutan (PPH) di Hutan Pendidikan Gunung Walat (HPGW), Sukabumi dan KPH Cianjur Jawa Barat pada tahun 2014 dan Praktik Kerja Lapang (PKL) di IUPHHK-HA PT Bina Ovivipari Semesta, Kalimantan Barat pada tahun 2015.

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada Program Studi Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor, penulis, menyusun skripsi berjudul “Model Penduga Biomassa Hutan Mangrove Menggunakan Citra Resolusi Sedang di Areal Kerja BSN Group Kalimantan

terbesar yaitu pada Blok Selat Sekh sebesar 51.48% dan pada Blok Selat Bumbun sebesar 47.27%. Hal ini dapat disimpulkan bahwa potensi dominan di areal kerja BSN Group khususnya di PT Kandelia Alam dan PT Bina Ovivipari Semesta memiliki potensi biomassa dominan pada kisaran 45-100 (ton/ha).

SIMPULAN DAN SARAN

Simpulan

Model terpilih penduga potensi biomassa yaitu model eksponensial B=0.00023404 dengan nilai R² sebesar 77.1 %, nilai s sebesar 0.48, nilai RMSE sebesar 18.906 dan memiliki kecocokan antara hasil model regresi dengan data lapangan dari hasil uji χ² sebesar 3.670 serta memiliki nilai total skor tertinggi. Model penduga yang terpilih menghasilkan peta sebaran biomassa yang terdiri dari 3 kelas yaitu kelas 1-45 (ton/ha), 45-100 (ton/ha), dan >100 (ton/ha). PT Kandelia Alam dan PT Bina Ovivipari Semesta mempunyai kelas potensi biomassa dominan pada kelas 45 -100 (ton/ha).

Saran

Diperlukan pengambilan data plot yang lebih banyak dan tersebar merata (representative) di areal tersebut untuk menghasilkan nilai regresi yang lebih tinggi dan perlu adanya penelitian lebih lanjut dalam menduga biomassa melalui citra selain menggunakan nilai NDVI pada indeks vegetasi.

DAFTAR PUSTAKA

Amira S. 2008. Pendugaan biomassa jenis Rhizophora apiculata BI, di hutan mangrove Batu Ampar Kabupaten Kubu Raya, Kalimantan Barat. [Skripsi]. Bogor (ID) : Departemen Konservasi Sumberdaya Hutan dan Ekowisata, Fakultas Kehutanan Institut Pertanian Bogor.

Cahyaningrum S T & Hartoko A. 2014. Mangrove Carbon Biomass at Kemujan Island, Karimunjawa Nasional Park Indonesia. Management of Aquatic Resources Journal Vol.3(3): 34-42.

Donato, D. Kauffman, J. B., Murdiyarso, D., Kurnianto, S., Stidham, M., & Kanninen, M. 2012. Mangrove adalah salah satu hutan terkaya karbon di kawasan tropis (No. CIFOR Infobrief no. 12, p. 12p). Center for International Forestry Research (CIFOR), Bogor, Indonesia.

Hadi S. 2004. Analisis Regresi. Yogyakarta (ID): Andi Offset.

Hairiah K, Subekti R. 2007. Pengukuran ‘Karbon Tersimpan’ di Berbagai Macam

Penggunaan Lahan. Bogor (ID): World Agroforestry Centre – ICRAF. Hilmi E. 2003. Model Penduga kandungan karbon pada pohon kelompok jenis

Rhizophora spp. dan Bruguiera spp. dalam tegakan hutan mangrove studi kasus di Indragiri Hilir Riau [Tesis]. Bogor (ID): Program Pascasarjana, Institut Pertanian Bogor.

[IPCC] Intergovermental Panel on Climate Change.2001. Climate Change 2001: Working Group 1: The Scientific Basic. New York: Cambridge University Press.

Jaya, INS. 2010. Analisis Citra Digital: Perspektif Penginderaan Jauh untuk Pengelolaan Sumberdaya Alam. Bogor: Fakultas Kehutanan IPB.

Jenks, G. 1997. Optimal Data Classification for Chroropleth Maps. Occaasional paper No. 2, department of geography, University of Kansas

Komiyama, A., Ong, J. E. & Poungparn, S. 2008. Allometry, biomass, and productivity of mangrove forests. Aquatic Botany. Vol. 89: 128–137. Krisnawati H, Adinugroho WC, Imanuddin R. 2012. Monograf : Model-Model

Alometrik untuk Pendugaan Biomassa Pohon pada Berbagai Tipe Ekosistem Hutan di Indonesia. Bogor (ID): Pusat Penelitian dan Pengembangan Konservasi dan Rehabilitasi, Badan Penelitian dan Pengembangan Kehutanan.

Lu D. 2006. The potential and challenge of remote sensing‐based biomass estimation. International journal of remote sensing. Vol. 27(7), 1297-1328. Pambudi GP. 2011. Pendugaan biomassa beberapa kelas umur tanaman jenis

Rhizophora apiculata Bl. pada areal PT. Bina Ovivipari Semesta Kabupaten Kubu Raya, Kalimantan Barat.[Skripsi]. Bogor (ID) : Departemen Konservasi Sumberdaya Hutan dan Ekowisata, Fakultas Kehutanan Institut Pertanian Bogor.

Saputra GR. 2007. Model Penduga Potensi Hutan Rakyat Menggunakan Citra Aster dan Sistem Informasi Geografis di Beberapa Wilayah Kabupaten Bogor Bagian Barat. [Skripsi]. Bogor (ID) : Departemen Manajemen Hutan Fakultas Kehutanan IPB.

Supangat A. 2010. Statistika dalam kajian Deskriptif, Inferensi, dan Nonparametrik. Jakarta (ID): Kencana Prenada Media Group.

Sutaryo, D.2009. Perhitungan Biomassa, Sebuah Pengantar untuk Studi Karbon dan Perdagangan Karbon. Bogor (ID) : Wetlands International Indonesia Programme.

Qirom, M. A. Saleh, M. B. & Kuncahyo, B. 2012. Aplikasi Citra Alos Palsar untuk Pendugaan Simpanan Karbon di Hutan Tanaman Akasia. Vol.1 : 121-134

Talan MA. 2008 . Persamaan penduga biomassa pohon jenis Nyirih (Xylocarpus Granatum Koenig 1784) dalam tegakan mangrove hutan alam di Batu Ampar-Kalimantan Barat. [Skripsi]. Bogor (ID) : Departemen Konservasi Sumberdaya Hutan dan Ekowisata, Fakultas Kehutanan Institut Pertanian Bogor.

Tangki, H., & Chappell, N. A. 2008. Biomass variation across selectively logged forest within a 225-km 2 region of Borneo and its prediction by Landsat TM. Forest Ecology and Management. 256(11), 1960-1970.

Twilley, R. R., Chen, R. H. & Hargis, T. 1992 Carbon sinks in mangroves and their implications to carbon budget of tropical coastal ecosystems.Water Air and Soil Pollution 64: 265–288.

Walpole RE. 1995. Pengantar Statistik Edisi 3 [Terjemahan dari: Introduction to statistics 3rd edition Penerjemah: Sumantri B]. Jakarta (ID): Gramedia. Yuwono T. 2014. Model Penduga Massa Karbon Hutan Rawa Gambut

Menggunakan Citra Alos Palsar [Tesis]. Bogor (ID): Program Pascasarjana, Institut Pertanian Bogor

LAMPIRAN

Lampiran 1 Data potensi biomassa dan nilai NDVI dari setiap plot.

No Nama X Y Biomassa (ton/ha) Biomassa (ton/plot) ndvi 1 plot 1989 330900 9931536 163.692 10.231 0.5155 2 plot 1989 330898 9931565 155.886 9.743 0.5132 3 plot 1989 330352 9932015 124.487 7.780 0.5081 4 plot 1998 347940 9929439 113.457 7.091 0.5074 5 plot 1998 348087 9929384 77.297 4.831 0.5023 6 plot 2002 327842 9937179 96.808 6.051 0.4949 7 plot 1998 347840 9929390 75.791 4.737 0.4835 8 plot 1998 347760 9929410 70.906 4.432 0.4815 9 plot 1998 347789 9929439 66.328 4.146 0.4800 10 plot 2002 328409 9935023 59.514 3.720 0.4778 11 plot 2006 328094 9907344 54.037 3.377 0.4750 12 plot 2008 328420 9906895 51.991 3.249 0.4731 13 plot 2008 328398 9906920 46.491 2.906 0.4695 14 plot 2006 328098 9907318 52.099 3.256 0.4675 15 plot 2002 328410 9934993 45.345 2.834 0.4600 16 plot 1989 330930 9931899 217.687 13.605 0.5262 17 plot 1998 347911 9929469 105.947 6.622 0.5227 18 plot 1989 330931 9931513 198.983 12.436 0.5220 19 plot 1989 330928 9931929 179.477 11.217 0.5176 20 plot 1989 330899 9931509 152.403 9.525 0.5119 21 plot 1989 330389 9931960 138.483 8.655 0.5094 22 plot 1989 330415 9931985 167.249 10.453 0.5093 23 plot 1989 330900 9931900 133.276 8.330 0.5091 24 plot 2002 327863 9937159 99.107 6.194 0.5090 25 plot 1989 330392 9931992 131.005 8.188 0.5089 26 plot 2002 327866 9937182 127.039 7.940 0.5078 27 plot 1998 348121 9929408 81.560 5.097 0.5037 28 plot 2006 328104 9907302 29.708 1.857 0.5021 29 plot 1998 347938 9929470 108.566 6.785 0.5020 30 plot 2002 328350 9934781 91.601 5.725 0.5019 31 plot 2008 328288 9906556 22.084 1.380 0.5013 32 plot 1998 347790 9929378 73.145 4.572 0.5012 33 plot 2008 328261 9906522 18.879 1.180 0.4952 34 plot 2002 328323 9934782 73.157 4.572 0.4950 35 plot 2002 327841 9937200 78.740 4.921 0.4862 36 plot 2006 328100 9907251 61.721 3.858 0.4825 37 plot 2006 328127 9907225 69.772 4.361 0.4825 38 plot 2006 328100 9907230 32.896 2.056 0.4825 39 plot 2008 328457 9906894 66.572 4.161 0.4800

Lampiran 1 Lanjutan

No Nama X Y Biomassa (ton/ha) Biomassa (ton/plot) ndvi 40 plot 2006 328123 9907246 44.205 2.763 0.4676 41 plot 2006 328106 9907328 44.093 2.756 0.4675 42 plot 2009 327851 9908760 11.784 0.736 0.4487 43 plot 2009 327453 9908871 11.385 0.712 0.4314 44 plot 2008 328216 9906647 25.252 1.578 0.4279 45 plot 2009 327821 9908762 24.996 1.562 0.4263 46 plot 2008 328258 9906636 24.795 1.550 0.4261 47 plot 2009 327502 9908889 18.264 1.141 0.4238 48 plot 2009 327627 9908942 13.008 0.813 0.4169 49 plot 2009 327639 9908955 15.302 0.956 0.4169 50 plot 2008 328245 9906688 10.559 0.660 0.3951 51 plot 2009 327529 9908911 8.055 0.503 0.3775 52 plot 2009 327780 9908768 7.591 0.474 0.3614

Lampiran 2 Hasil uji normalitas menggunakan metode Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test

Y

N 37

Normal Parametersa,b Mean 4.59180

Std. Deviation 3.735969

Most Extreme Differences Absolute .157

Positive .157

Negative -.135

Kolmogorov-Smirnov Z .954

Lampiran 3 Hasil uji linearitas

ANOVA Table

Sum of

Squares df

Mean

Square F Sig. Between

Groups

(Combined) 499.522 33 15.137 15.408 .0219 Linearity 289.724 1 289.724 294.911 .0004 Deviation from

Linearity

209.798 32 6.556 6.674 .0710 Within

Groups

2.947 3 .982

Total 502.469 36

Lampiran 4 Hasil uji heteroskedastisitas menggunakan uji Glejser Coefficientsa

model

Unstandardized Coefficients

Standardized Coefficients

t Sig.

B Std. Error Beta

(Constant) -4.442 2.695 -1.648 .108

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 29 Maret 1994 di Cianjur, Jawa Barat. Penulis adalah anak pertama dari dua bersaudara dari pasangan Bapak Endjang Djohardi dan Ibu Yuasna. Penulis memulai jenjang pendidikan formal di TK Amaliah (1997-1999), SD Negeri 1 Kawungluwuk (1999-2005), SMP Negeri 1 Sukaresmi (2005-2008), dan SMA Negeri 1 Sukaresmi (2008-2011). Pada tahun 2011, penulis melanjutkan studi S-1 di Departemen Manajemen Hutan, Fakultas Kehutanan Institut Pertanian Bogor melalui jalur Seleksi Nasional Masuk Perguruan Tinggi Negeri Undangan (SNMPTN Undangan).

Selama menjadi mahasiswa, penulis pernah menjadi asisten mata kuliah Geomatika dan Inderaja Kehutanan pada tahun (2014-2015), dan Teknik Inventarisasi Sumberdaya Hutan pada tahun ajaran 2015 sampai sekarang. Selain menjadi asisten mata kuliah, penulis pernah menjadi asisten instruktur Pelatihan Teknik Penyusunan Buku Rencana Kerja Usaha dan Rencana Kerja Tahunan Usaha Pemanfaatan Hasil Hutan Kayu, asisten instruktur Pelatihan Teknik Inventarisasi Sumberdaya Hutan, dan asisten Pelatihan Teknologi Penginderaan Jauh (Remote Sensing) 2015. Penulis juga aktif di berbagai organisasi di IPB antara lain sebagai anggota Divisi Public Relations International Forest Student`s

Assosiation (IFSA) tahun 2012-2013, sebagai anggota Kelompok Studi Perencanaan 2012-2014 dan menjadi ketua umum Forest Manajement Student`s Club (FMSC). Penulis juga aktif berpartisipasi dalam berbagai kepanitiaan kegiatan kemahasiswaan di Institut Pertanian Bogor.

Penulis melakukan kegiatan Magang Mandiri di Perum Perhutani Unit 1 Jawa Tengah pada tahun 2013, Praktik Pengenalan Ekosistem Hutan (PPEH) di Sancang Barat (Garut) dan Kamojang (Bandung) pada tahun 2013, Praktik Pengelolaan Hutan (PPH) di Hutan Pendidikan Gunung Walat (HPGW), Sukabumi dan KPH Cianjur Jawa Barat pada tahun 2014 dan Praktik Kerja Lapang (PKL) di IUPHHK-HA PT Bina Ovivipari Semesta, Kalimantan Barat pada tahun 2015.

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada Program Studi Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor, penulis, menyusun skripsi berjudul “Model Penduga Biomassa Hutan Mangrove Menggunakan Citra Resolusi Sedang di Areal Kerja BSN Group Kalimantan Barat” di bawah Bimbingan Prof Dr Ir I Nengah Surati Jaya, M Agr.