Pendugaan Biomassa Atas Tegakan Menggunakan Citra Landsat 8 Di Sektor Cerenti, Area Kerja Pt Rapp

PENDUGAAN BIOMASSA ATAS TEGAKAN
MENGGUNAKAN CITRA LANDSAT 8 DI SEKTOR
CERENTI, AREA KERJA PT RAPP

RIKRIK HIDAYATI AGUSTIN

MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
INSTITUT PERTANIAN BOGOR
BOGOR
2016

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pendugaan Biomassa
Atas Tegakan Menggunakan Citra Landsat 8 di Sektor Cerenti, Area Kerja PT
RAPP adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Maret 2016
Rikrik Hidayati Agustin
NIM E14110044

ABSTRAK
RIKRIK HIDAYATI AGUSTIN. Pendugaan Biomassa Atas Tegakan
Menggunakan Citra Landsat 8 di Sektor Cerenti, Area Kerja PT RAPP. Dibimbing
oleh MUHAMMAD BUCE SALEH.
Landsat 8 merupakan satelit pemantau sumberdaya alam yang memiliki
sensor Onboard Operational Land Imager (OLI) dan Thermal Infrared Sensor
(TIRS) dengan saluran pankromatik, multispektral, dan termal berjumlah total 11
band. Penelitian ini bertujuan untuk merumuskan model penduga biomassa
berdasarkan nilai digital band dari citra Landsat 8 dan indeks vegetasi serta
membuat peta sebaran biomassa dari model terbaik. Perhitungan biomassa
dilakukan menggunakan model alometrik. Pemilihan model terbaik dilakukan
berdasarkan uji-F, nilai koefisien determinasi terkoreksi (R2-adj), dan nilai RMSE.
Hasil pengujian menunjukkan model terbaik adalah model regresi eksponensial
dengan persamaan Y= 0.074273578 x e0.001105 Band 1 - 0.000518 Band 6 - 4.22 NDVI. Model

regresi terbaik digunakan sebagai dasar pembuatan peta sebaran biomassa. Hasil
analisis akurasi menunjukkan bahwa peta sebaran biomassa terbaik adalah peta
sebaran biomassa dengan enam kelas dengan nilai overall accuracy 86.27% dan
kappa accuracy 86.11%.
Kata kunci : biomassa atas, Landsat 8, model penduga biomassa, pemetaan

ABSTRACT
Rikrik Hidayati Agustin. Aboveground Biomass Estimation Using Landsat 8 Image
in Cerenti Sector, Working Area of PT RAPP. Supervised by MUHAMMAD
BUCE SALEH
Landsat 8 is a satellite which can be used to monitor natural resources,
including biomass content. Landsat 8 carries Operational Land Imager (OLI) sensor
which includes 9 bands and Thermal Infrared Sensor (TIRS) which provides two
thermal bands. This research aims to establish relationships between measurements
and remote sensing indices by the form of regression model and map aboveground
biomass based on chosen model. Biomass calculation were performed using
allometric equation. Best model was selected based on/by F-test parameter,
adjusted coefficient of determination (R2-adj) value, and RMSE value. Result
showed that selected model was exponential model (Y= 0.074273578 x
e0.001105 Band 1 - 0.000518 Band 6 - 4.22 NDVI) with R2 and R2-adj 82.97% and 80.93%,

respectively, which served as basis for mapping aboveground biomass. Highest
overall accuracy and kappa accuracy value (86.27% and 86.11% respectively) was
acquired by 6-classes biomass map.
Keywords : aboveground biomass, Landsat 8, biomass estimation model, mapping

PENDUGAAN BIOMASSA ATAS TEGAKAN
MENGGUNAKAN CITRA LANDSAT 8 DI SEKTOR
CERENTI, AREA KERJA PT RAPP

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Kehutanan
pada
Departemen Manajemen Hutan

MANAJEMEN HUTAN
FAKULTAS KEHUTAN
INSTITUT PERTANIAN BOGOR
BOGOR
2016

Judul Skripsi: Pendugaan Biomassa Atas Tegakan Menggunakan Citra Landsat 8
di Sektor Cerenti, rea Kerja PT RAPP
Nama

: Rikrik Hidayati Agustin

NIM

: El411 0044

Disetujui oleh

1

Dr Ir M Buce Saleh, MS
Pembimbing

Tanggal Lulus:

1 8 MAR 2016

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas rahmat dan inayahNya sehingga karya ilmiah ini dapat diselesaikan. Tema yang dipilih dalam
penelitian yang dilaksanakan pada bulan Januari 2015–Januari 2016 ini adalah
pendugaan biomassa, dengan judul Pendugaan Biomassa Atas Tegakan
Menggunakan Citra Landsat 8 di Sektor Cerenti Area Kerja PT RAPP.
Terima kasih penulis ucapkan pada Bapak Dr Ir Muhammad Buce Saleh, MS
selaku dosen pembimbing, keluarga besar Laboratorium GIS dan Remote Sensing
yang telah membantu dalam pengolahan data. Penghargaan juga penulis sampaikan
kepada direksi beserta seluruh staf dan karyawan PT Riau Andalan Pulp and Paper,
khususnya Bapak Rudiyanto selaku manajer Sektor Cerenti, Bapak Renda Sinaga
selaku Asisten Kepala Perencanaan Hutan, Bapak Fajar Dwi Sulistyanto selaku
pembimbing lapangan dan teman-teman satu bimbingan dan tim PKL di PT RAPP
yang telah banyak membantu selama pengumpulan dan pengolahan data. Penulis
juga menyampaikan ungkapan terima kasih kepada orangtua penulis dan seluruh
keluarga atas dukungannya, serta keluarga besar Manajemen Hutan 48, temanteman hidrologi yang telah menyokong dan memberikan motivasi dalam
penyelesaian karya ilmiah ini.
Semoga karya ilmiah ini bermanfaat.

Bogor, Maret 2016
Rikrik Hidayati Agustin

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

1

METODE

2

Lokasi dan Waktu Penelitian

2

Alat dan Bahan

2

Prosedur Penelitian

2

HASIL DAN PEMBAHASAN

8

Kondisi Umum Lokasi Penelitian

8

Identifikasi Titik Plot Pengamatan di Lapangan

9

Penyusunan Model Penduga Biomassa

10

Pemilihan Model Terbaik

11

Pembuatan Peta Sebaran Biomassa dan Analisis Akurasi

12

SIMPULAN DAN SARAN

14

Simpulan

14

Saran

14

DAFTAR PUSTAKA

15

LAMPIRAN

17

RIWAYAT HIDUP

19

DAFTAR TABEL
1 Persamaan alometrik untuk menduga biomassa atas permukaan
2 Matriks kesalahan
3 Klasifikasi penggunaan lahan di area kerja PT Riau Andalan Pulp and
Paper berdasarkan peta kawasan hutan dan perairan (SK 180/MenhutII/2013 pada tanggal 2 Maret 2013)
4 Kondisi lapangan dan biomassa rata-rata pada masing-masing tipe
tutupan lahan
5 Hubungan nilai digital peubah citra terhadap biomassa

6 Model penduga biomassa
7 Model penduga biomassa dengan VIF kurang dari 5
8 Kelas sebaran biomassa berdasarkan Sturges dan tutupan lahan serta
distribusi biomassa
9 Hasil perhitungan overall accuracy dan kappa accuracy

4
7

9
9
10
11
11
12
14

DAFTAR GAMBAR
1 Lokasi titik plot contoh di Sektor Cerenti
2 Sebaran biomasa dengan 5 kelas
3 Sebaran biomassa dengan 6 kelas

4
13
13

DAFTAR LAMPIRAN
1
2
3
4
5

Matrik korelasi antara nilai digital dan indeks vegetasi citra terhadap
biomassa
Sebaran biomassa dengan 5 kelas
Sebaran biomassa dengan 6 kelas
Matriks kontingensi akurasi peta sebaran biomassa dengan 5 kelas
Matriks kontingensi akurasi peta sebaran biomassa dengan 6 kelas

17
17
18
18
18

PENDAHULUAN
Latar Belakang
Biomassa didefinisikan sebagai jumlah total bahan organik di atas tanah pada
pohon, termasuk daun, ranting, cabang, batang utama, dan kulit yang dinyatakan
dalam berat kering oven ton per unit area (Brown 1997 dalam Agustina 2013).
Aboveground biomass (AGB) atau biomassa atas berkaitan dengan banyak
komponen penting, misalnya siklus karbon, alokasi nutrisi tanah, akumulasi bahan
bakar, dan lingkungan habitat pada ekosistem terestrial. AGB berpengaruh atas
emisi karbon potensial yang dapat dilepaskan ke atmosfer karena deforestasi dan
perubahan atas AGB regional berasosiasi dengan perubahan pada iklim dan
ekosistem (Lu 2005).
Menurut Mitchard et al. (2009) dalam Rahayu (2012), secara garis besar
terdapat dua golongan metode pendugaan AGB, yakni teknik pemanenan dan
teknik pendugaan tidak langsung. Teknik pemanenan dengan metode destruktif
mengharuskan penebangan individu pohon dalam area contoh dan menimbang
beratnya. Sementara itu, teknik pendugaan tidak langsung terdiri dari teknik
hubungan alometrik, crop meter, penginderaan jauh, dan pembuatan model
(Bombelli et al. 2009 dalam Rahayu 2012).
Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi
mengenai objek, area, atau fenomena melalui analisis yang diperoleh dengan alat
tanpa kontak langsung dengan objek, area, atau fenomena yang dikaji (Lillesand et
al. 1990). Teknik remote sensing untuk pendugaan biomassa dapat dilakukan
dengan memanfaatkan citra satelit, misalnya citra Landsat 8.
Landsat 8 merupakan kelanjutan dari misi Landsat yang untuk pertama kali
menjadi satelit pengamat bumi sejak 1972 (Landsat 1). Satelit landsat 8 memiliki
sensor Onboard Operational Land Imager (OLI) dan Thermal Infrared Sensor
(TIRS) dengan jumlah kanal sebanyak 11 buah. Di antara kanal-kanal tersebut, 9
kanal (band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 11) pada TIRS.
Dibandingkan versi-versi sebelumnya, Landsat 8 memiliki beberapa keunggulan
khususnya terkait spesifikasi band-band yang dimiliki maupun panjang rentang
spektrum gelombang elektromagnetik yang ditangkap.
Sebagaimana telah diketahui, warna objek pada citra tersusun atas 3 warna
dasar, yaitu Red, Green dan Blue (RGB). Dengan makin banyaknya band sebagai
penyusun RGB komposit, maka warna-warna objek menjadi lebih bervariasi
(USGS 2014). Bertambahnya jumlah kanal dan perbedaan karakteristik panjang
gelombang yang terdapat pada band di citra Landsat 8 diharapkan dapat
meningkatkan kemampuan citra dalam menduga potensi biomassa di Sektor Cerenti,
Desa Munsalo Kopah, Kecamatan Kuantan Tengah, Kabupaten Kuantan Singingi,
Provinsi Riau.
Tujuan Penelitian
Tujuan penelitian ini adalah merumuskan model penduga biomassa dan
menghasilkan peta sebaran biomassa berdasarkan model terpilih di sektor Cerenti,
area kerja PT RAPP, Desa Munsalo Kopah, Kecamatan Kuantan Tengah,
Kabupaten Kuantan Singingi, Provinsi Riau.

2

METODE
Lokasi dan Waktu Penelitian
Penelitian ini dilaksanakan pada bulan Januari 2015 sampai dengan Januari
2016 melalui tiga tahap. Tahap pertama yaitu prapengolahan citra yang dilakukan
pada bulan Januari 2015 di Laboratorium Remote Sensing dan GIS, Departemen
Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor. Tahap kedua
yaitu pengambilan data lapangan yang dilaksanakan pada bulan April sampai
dengan Mei 2015 bertempat di Sektor Cerenti, area kerja PT Riau Andalan Pulp
and Paper, Desa Munsalo Kopah, Kecamatan Kuantan Tengah, Kabupaten Kuantan
Singingi, Provinsi Riau. Tahap ketiga yaitu pengolahan data yang dilakukan pada
bulan Juni 2015 sampai dengan Januari 2016 yang dilakukan di Laboratorium
Remote Sensing dan GIS, Departemen Manajemen Hutan, Fakultas Kehutanan,
Institut Pertanian Bogor.
Alat dan Bahan
Alat yang digunakan pada penelitian ini antara lain GPS (Global Positioning
System), pita diameter (phi band), pita ukur, alat tulis, tally sheet, kamera digital,
satu unit laptop dengan perangkat lunak Erdas Imagine 9.1, ArcGIS 9.3, Minitab
17, Microsoft Excel 2013, dan Microsoft Word 2013.
Data yang digunakan pada penelitian ini terdiri atas data primer dan data
sekunder. Data primer adalah data yang dihasilkan dari pengamatan langsung di
lapangan untuk menduga biomassa, yaitu jenis tanaman, diameter pohon setinggi
dada (dbh), umur tanaman, dan koordinat titik pusat plot (X,Y). Sedangkan data
sekunder adalah data yang digunakan untuk memperoleh keadaan umum lokasi
penelitian berupa citra Landsat 8 Path/Row 126/60 liputan bulan Juni tahun 2014
dan peta batas administrasi area kerja Sektor Cerenti PT RAPP, Kabupaten Kuantan
Singingi.
Prosedur Penelitian
Prapengolahan Citra
1. Import citra
Citra Landsat 8 yang diperoleh memiliki format GeoTIFF yang kemudian diubah
menjadi format *.img menggunakan perangkat lunak Erdas Imagine.
2. Layer stack
Proses ini merupakan proses penggabungan band-band pada citra yang
dimaksudkan untuk memperoleh suatu data multispektral yang terdiri dari band
cahaya tampak (visible), near infrared (NIR), shortwave infrared (SWIR), dan
Cirrus pada citra Landsat 8. Citra gabungan pada citra Landsat 8 dihasilkan dari
gabungan band 1 sampai 7 dan band 9.
3. Koreksi geometrik
Koreksi geometrik dilakukan untuk melakukan rektifikasi (pembetulan) agar
koordinat pada citra sesuai dengan koordinat geografi (Jaya 2010). Koreksi
geometri perlu dilakukan agar bisa didapatkan nilai piksel yang sebenarnya pada

3
posisi yang tepat. Proses rektifikasi pada citra Landsat 8 telah dilakukan dengan
data Digital Elevation Model (DEM) dari Global Land Surveys 2000, sehingga
hanya perlu dilakukan reproject citra untuk mengubah proyeksi citra menjadi
Universal Transverse Mercator (UTM) zona 48S dan datum yang digunakan
adalah WGS 84.
4. Pemotongan citra
Pemotongan citra merupakan pemotongan atau pembatasan citra yang akan
digunakan sehingga sesuai dengan lokasi penelitian. Tahap ini dilakukan untuk
mempermudah kegiatan analisis pada lokasi yang akan diamati. Pemotongan
citra Landsat 8 wilayah Kabupaten Kampar dan Kabupaten Kuantan Singingi,
Provinsi Riau (Path / Row 126 / 60) sesuai batas administrasi area kerja Sektor
Cerenti PT RAPP dilakukan dengan menggunakan software ERDAS Imagine.
5. Pembuatan citra NDVI, SRVI, SDVI, dan TVI
Indeks vegetasi adalah besaran tidak berdimensi yang berfungsi sebagai
indikator dari kelimpahan relatif dan aktivitas dari vegetasi hijau, seringkali
menyertakan kandungan klorofil dan biomassa tumbuhan (Jensen 1996 dalam
Ribeiro et al. 2012). Citra rasio umumnya citra yang diturunkan dari rasio antara
band penyerap dengan band pemantul spektral dari suatu material. Penyerapan
biasanya berbasis pada bahan-bahan kimia dari permukaan objek. Oleh karena
itu, rasio ini akan menghasilkan informasi yang terkait dengan komposisi
vegetasi dari suatu objek. Dalam penelitian ini digunakan indeks vegetasi NDVI
(Normalized Difference Vegetation Index), SRVI (Single Ratio Vegetation
Index), SDVI (Simple Difference Vegetation Index), dan TVI (Transformed
Vegetation Index). Berikut adalah rumus keempat indeks vegetasi tersebut (Jaya
2010):

�� =

��

�� = �� −

� �� =

�� −
�� +

�� −
�� = [
�� +

+ �]

/

Keterangan :
NIR = Near Infrared (band inframerah dekat / band 5)
TVI = band merah (band 4)
C
= konstanta, besarnya umumnya 0.5
Pengambilan Data Lapangan
Penentuan titik plot contoh dilakukan secara purposive sampling berdasarkan
kondisi lokasi penelitian. Pembuatan plot contoh di lapangan dilakukan sebanyak
29 plot yang tersebar berdasarkan tipe tutupan lahan yang terdapat di area kerja

4
Sektor Cerenti dan menurut sebaran umur tanaman Eucalyptus sp., Acacia
crassicarpa dan Acacia mangium. Titik plot contoh tersebut disebar di empat jenis
tutupan lahan yang terdiri atas 13 plot tipe hutan tanaman jenis Eucalyptus sp., 1
plot tipe hutan tanaman jenis A. crassicarpa, 7 plot tipe hutan tanaman jenis A.
mangium, dan 8 plot tipe hutan alam.
Plot contoh untuk hutan alam sekunder berbentuk persegi dengan ukuran 20
m x 20 m, sementara plot untuk hutan tanaman berbentuk lingkaran dengan jari-jari
11.28 m seluas 0.04 ha. Data yang diambil antara lain diameter pohon setinggi dada
(dbh), jenis pohon, umur pohon, dan koordinat titik pusat plot contoh. Titik-titik
plot contoh disajikan dalam Gambar 1.

Gambar 1 Lokasi titik plot contoh di Sektor Cerenti

Pengolahan Data Lapangan
Pengolahan data lapangan dilakukan untuk mendapatkan nilai dugaan
biomassa pada tiap plot contoh yang diukur di lapangan. Pendugaan biomassa atas
dilakukan dengan menggunakan persamaan alometrik yang telah tersedia. Tabel 1
menyajikan persamaan alometrik untuk biomassa atas yang digunakan dalam
penelitian ini.

Tabel 1 Persamaan alometrik untuk menduga biomassa atas permukaan
Jenis pohon
Persamaan alometrik
Sumber
Eucalyptus sp
AGB = 0.0678D2.5794
Onrizal et al., 2010
Acacia mangium
AGB = 0.0528(D2)1.3612
Heriansyah I, 2005
Acacia crassicarpa
AGB = 0.165D2.399
Adiriono T, 2009
Campuran (hutan alam) AGB = 0.0639D2.3903
Krisnawati et al., 2012

5
Pengolahan Data Citra
Citra yang digunakan dalam penelitian ini merupakan penggabungan dari
band cahaya tampak (visible), Near Infrared (NIR), Shortwave Infrared (SWIR),
dan Cirrus pada Landsat 8 ditambah dengan indeks vegetasi Simple Ratio
Vegetation Index (SRVI), Simple Difference Vegetation Index (SDVI), Normalized
Difference Vegetation Index (NDVI), dan Transformed Vegetation Index (TVI).
Dengan menggunakan Erdas Imagine 9.1 dibuat buffer pada titik pengamatan di
lapangan dengan ukuran buffer 3 piksel x 3 piksel pada citra Landsat 8 serta citra
rasio. Buffer tersebut setara dengan 90 m x 90 m di lapangan yang ditentukan
berdasarkan pertimbangan error/galat GPS dan pergeseran citra sehingga nilai yang
diambil adalah nilai digital rata-rata pada buffer dan titik pengamatan.
Penyusunan Model Penduga Potensi Biomassa
Menurut Wahyuni (2012) dalam Solihin (2014), perhitungan biomassa
dengan menggunakan penginderaan jauh dilakukan dengan cara mencari korelasi
antara parameter lapangan dengan parameter digital pada citra satelit dengan
membuat model persamaan. Peubah citra yang diamati dalam penelitian ini adalah
nilai digital band citra Landsat 8 dan nilai indeks vegetasi Simple Ratio Vegetation
Index (SRVI), Simple Difference Vegetation Index (SDVI), Normalized Difference
Vegetation Index (NDVI), dan Transformed Vegetation Index (TVI). Persamaan
regresi yang diujikan dalam menduga biomassa adalah :
1.
Regresi linear berganda
Y = a + bX1 + cX2......+nXn
2.
Regresi multiplikatif
Y = 0X1b1X2b2X3b3 .... Xnn
3.
Regresi eksponensial
Y = e(a + bX1 + cX2......+nXn)
Keterangan :
Y = Biomassa; X1,2...n = nilai digital band citra landsat 8 dan indeks vegetasi
Proses penyusunan model penduga biomassa diawali dengan melakukan
analisis korelasi. Analisis korelasi mencoba mengukur kekuatan hubungan antara
peubah X dan Y melalui sebuah bilangan yang disebut koefisien korelasi (Walpole
1992). Korelasi yang terjadi antara dua variabel dapat berupa korelasi positif,
korelasi negatif, tidak ada korelasi, ataupun korelasi sempurna (Hasan 2002). Nilai
koefisien korelasi (r) berkisar antara -1 sampai dengan +1. Nilai r terbesar adalah
+1 yang menunjukkan hubungan positif sempurna dan r terkecil adalah -1 yang
menunjukkan hubungan negatif sempurna (Usman dan Akbar 2006). Hipotesis
yang dibangun untuk mengetahui korelasi antarpeubah adalah :
H0 : ρ = 0, artinya tidak ada korelasi antar dua peubah
H1 : ρ ≠ 0, artinya ada korelasi antar dua peubah
Kaidah keputusan hipotesis dapat dilihat melalui hasil p-value dari uji
korelasi menggunakan software Minitab 17. Jika p-value ≥ α, maka terima H0. Jika
p-value < α, maka tolak H0. α merupakan probabilitas untuk melakukan kesalahan
dengan nilai sebesar 5% atau tingkat kepercayaan sebesar 95 %.
Dalam penyusunan model regresi juga diperlukan pengujian multikolinearitas.
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya hubungan
linear antarvariabel independen dalam model regresi. Menurut Montgomery (1992)

6
dalam Putri (2011), salah satu ukuran yang dapat digunakan untuk menguji adanya
multikolinearitas pada regresi linear berganda adalah Variance Inflation Factors
(VIF). Jika ada nilai VIF yang melebihi 10, maka ini menandakan bahwa koefisienkoefisien regresi adalah estimasi yang kurang baik karena pengaruh
multikolinearitas. Selain itu VIF juga dapat membantu mengidentifikasi variabelvariabel bebas mana yang terlibat dalam multikolinearitas.
Setelah terbentuk model regresi, selanjutnya dilakukan pengujian koefisien
regresi. Koefisien regresi merupakan koefisien yang mengukur besarnya pengaruh
peubah bebas X terhadap peubah terikat Y dalam model analisis regresi. Uji
koefisien regresi dilakukan melalui uji F-hitung (ANOVA) dan melihat koefisien
determinasi (R2) dan koefisien determinasi terkoreksi (R2-adj).
Uji F-hitung dilakukan untuk melihat secara keseluruhan koefisien regresi
yang memberikan pengaruh secara signifikan terhadap model yang dibuat. Uji-F
dapat dilakukan dengan membandingkan F-hitung yang dihasilkan pada tabel
ANOVA dengan F-tabel pada distribusi F. Hipotesis yang dibangun pada pengujian
ini adalah:
H0: β1 = 0; peubah terikat Y tidak dipengaruhi oleh peubah bebas X
H1: β1 ≠ 0; peubah terikat Y dipengaruhi oleh peubah bebas X
Kaidah pengambilan keputusan yang digunakan adalah terima H0 jika nilai
Fhit < Ftab dan tolak H0 apabila Fhit > Ftab dengan tingkat kepercayaan sebesar 95 %
(α = 0.05).
Selain itu, dilakukan pengujian melalui nilai koefisien determinasi, koefisien
determinasi terkoreksi, dan RMSE. Menurut Supranto (2009) koefisien determinasi
(R2) yaitu nilai untuk mengukur besarnya kontribusi X terhadap variasi (naik atau
turunnya) Y. Sedangkan koefisien determinasi terkoreksi (R2-adj) merupakan nilai
koefisien determinasi yang nilai dari peubah-peubahnya telah dikoreksi. R2 dan R2adj dinyatakan dalam persen. RMSE digunakan untuk mengetahui seberapa besar
error yang dihasilkan pada perhitungan model jika dibandingkan dengan nilai
aktual.
Pemilihan Model Terbaik
Model regresi yang terpilih merupakan model dengan nilai R2 dan R2-adj
tertinggi, memiliki nilai simpangan baku (RMSE) yang kecil, terdapat pengaruh
antara peubah bebas dengan peubah terikat berdasarkan hasil uji F, serta
kolinearitas serendah mungkin dengan memperhatikan nilai VIF.
Pembuatan Peta Sebaran Biomassa Atas
Pembuatan peta sebaran biomassa dilakukan dengan bantuan software Erdas
Imagine 9.1 untuk melakukan pemodelan spasial dengan menggunakan modeler
dan ArcGis 9.3 untuk melakukan reklasifikasi nilai biomassa pada setiap pikselnya.
Peta sebaran dibuat berdasarkan kelas yang telah ditentukan. Penentuan banyaknya
kelas mengacu pada Sturges dan juga menurut jenis tutupan lahan yang ditemukan
di lapangan. Rumusnya adalah sebagai berikut.
K = 1 + (3.3 log n) (Sturges 1926)
Keterangan :
K = banyaknya kelas
n = banyaknya data

7
Selang kelas ditentukan dengan :
I = (Bmax – Bmin)/K
Keterangan :
I = Interval kelas
Bmax = datum terbesar
Bmin = datum terkecil
Uji Akurasi Peta Sebaran Biomassa Atas
Uji akurasi digunakan untuk melihat tingkat keterwakilan dan tingkat akurasi
pembuatan peta sebaran biomassa. Uji akurasi ketelitian pemetaan dilakukan
dengan membuat matriks kontingensi atau matriks kesalahan (confusion matrix).
Matriks kesalahan disajikan pada Tabel 2.

Tabel 2 Matriks kesalahan

A
B
C
Total piksel
Akurasi
pengguna

Jumlah
piksel

Dikelaskan ke kelas-

Kelas referensi

A
X11
X21
X31
X+1

B
X12
X22
X32
X+2

C
X13
X23
X33
X+3

X11/X+1

X22/X+2

X33/X+3

X1+
X2+
X3+
N

Akurasi
pembuat
Total piksel
X11/X1+
X22/X2+
X33/X3+

Sumber : Jaya 2010

Selanjutnya dilakukan penghitungan overall accuracy dan kappa accuracy.
Rumus yang dilakukan adalah sebagai berikut (Jaya 2010):

K=

∑ri Xii
∗
OA =
N

%

N ∑ri= Xii − ∑ri= Xi+ X+i
∗
N − ∑ Xi+ X+i

%

Keterangan :
OA
= overall accuracy (%)
K
= kappa accuracy (%)
Xii
= Nilai diagonal dari matrik kontingensi dari baris ke- i dan kolom ke- i
Xi+
= Jumlah piksel dalam kolom ke- i
X+i
= Jumlah piksel dalam baris ke-i
N
= Banyaknya titik contoh

8

HASIL DAN PEMBAHASAN
Kondisi Umum Lokasi Penelitian
Letak Geografis
Secara administratif, area kerja Sektor Cerenti PT Riau Andalan Pulp and Paper
terletak di dalam wilayah Desa Munsalo Kopah, Kecamatan Kuntan Tengah,
Kabupaten Kuantan Singingi, Provinsi Riau. Secara geografis area kerja tersebut
terletak pada 0o34’0’’–0o43’30’’ Lintang Selatan dan 101o 35’0’’–101o51’0’’ Bujur
Timur.
Batas-batas area kerja perusahaan terdiri dari:
a. sebelah utara berbatasan dengan area kerja PT Duta Palma Nusantara dan PT
Cerenti Subur,
b. sebelah timur berbatasan dengan area kerja PT Cerenti Subur, dan Kabupaten Indra
Giri Hulu,
c. sebelah selatan berbatasan dengan area kerja PT Tri Bakti Sarimas, dan
d. sebelah barat berbatasan dengan area kerja PT Tri Bakti Sarimas dan PT Duta Palma
Nusantara.
Luas area kerja PT Riau Andalan Pulp and Paper sebesar 30 040 ha ditetapkan
melalui persetujuan dari Menteri Kehutanan yang tertuang dalam SK.180/Menhut–
II/2013 pada tanggal 21 Maret 2013.
Iklim dan Topografi
Menurut klasifikasi Koppen, tipe iklim Kabupaten Kuantan Singingi adalah tipe
AFA (tropika basah) dengan curah hujan tahunan di atas 1500 mm dengan temperatur
maksimum rata-rata 32 °C–33 °C. Sementara itu, wilayah Kabupaten Kuantan Singingi
secara keseluruhan berupa daratan. Topografi di Sektor Cerenti berupa area yang
bergelombang dan berbukit dengan didominasi oleh area yang curam sampai agak
curam. Kurang dari setengah luas area Sektor Cerenti bertopografi datar sampai landai.
Kategori Kelas Hutan dan Lahan
Berdasarkan SK.180/Menhut–II/2013 pada tanggal 21 Maret 2013 tentang
Kawasan Hutan dan Perairan Provinsi Riau, area kerja PT RAPP dibagi
berdasarkan peruntukan kawasannya sebagaimana disajikan pada Tabel 3. Tanaman
pokok yang diusahakan di kawasan hutan Sektor Cerenti, PT. Riau Andalan Pulp and
Paper adalah A. mangium, A. crassicarpa, dan Eucalyptus sp., juga terdapat hutan alam
(MHW / Mix Hard Wood) dengan 150 spesies, antara lain Melaleuca leucadendron,
meranti dan juga tanaman hutan lindung untuk rehabilitasi. Pohon yang dilindungi
antara lain sialang (sebutan masyarakat untuk jenis pohon yang menjadi tempat
bersarangnya lebah) seperti ramin dan kempas.

9
Tabel 3 Klasifikasi penggunaan lahan di area kerja PT Riau Andalan Pulp and
Paper berdasarkan peta kawasan hutan dan perairan (SK 180/MenhutII/2013 pada tanggal 2 Maret 2013)
Peruntukan Kawasan
Luas (ha)
Persentase (%)
Hutan alam
5 995
19.96
Sarana dan Prasarana
700
2.33
Tanaman unggulan
1 277
4.25
Tanaman kehidupan
1 953
6.50
Tanaman pokok
20 115
66.96
Jumlah
30 040
100

Identifikasi Titik Plot Pengamatan di Lapangan
Berdasarkan hasil pengamatan lapangan terhadap 29 plot contoh yang
dilakukan di Sektor Cerenti, Desa Munsalo Kopah, Kecamatan Kuantan Tengah,
Kabupaten Kuantan Singingi, Provinsi Riau, terdapat empat tipe tutupan lahan yaitu
hutan tanaman Eucalyptus sp., hutan tanaman Acacia mangium, hutan tanaman
Acacia crassicarpa, dan hutan alam sekunder. Pada setiap plot dilakukan
perhitungan biomassa dengan menggunakan model alometrik yang tersedia. Tabel
4 menyajikan informasi tentang kondisi lapangan dan biomassa rata-rata pada
masing-masing tipe tutupan lahan.

Tabel 4 Kondisi lapangan dan biomassa rata-rata pada masing-masing tipe tutupan
lahan
Tipe Tutupan
Rincian
Biomassa rata-rata
Kondisi Lapangan
Lahan
Jumlah Plot
(ton/ha)
2
Eucalyptus sp. sangat
muda
Hutan tanaman
4
Eucalyptus sp. muda
37.04
Eucalyptus sp.
5
Eucalyptus sp. sedang
2
Eucalyptus sp. tua
Hutan tanaman
1
A. crassicarpa muda
30.11
A. crassicarpa
1
A. mangium muda
Hutan tanaman
1
A. mangium sedang
67.48
A. mangium
5
A. mangium tua
Hutan alam
8
Hutan alam
102.93
Tabel 4 menunjukkan bahwa hutan tanaman Eucalyptus sp. paling banyak
ditemui di lapangan, sehinga plot yang diambil pada tutupan lahan ini sebanyak 13
plot. Tutupan lahan yang paling jarang dijumpai di Sektor Cerenti adalah A.
crassicarpa sehingga pengambilan data hanya dilakukan pada satu plot contoh.
Biomassa rata-rata yang didapat dari pengolahan data lapangan pada berbagai
tutupan lahan besarnya bervariasi. Variasi ini disebabkan perbedaan diameter
pohon, umur pohon, serta jumlah pohon pada masing-masing plot ukur. Secara

10
keseluruhan, biomassa rata-rata tertinggi terdapat pada hutan alam sebesar 102.93
ton/ha dan biomassa terkecil terdapat pada A. crassicarpa sebesar 30.11 ton/ha.
Pada penelitian ini, tegakan pada hutan tanaman Eucalyptus sp., A. mangium
dan A. crassicarpa dibagi menjadi beberapa kelas berdasarkan umurnya. Tegakan
Eucalyptus sp. dibagi menjadi sangat muda (3 tahun). Sementara itu tegakan A. mangium terbagi atas
tegakan muda (1-2 tahun), sedang (2-3 tahun), dan tua (>3 tahun). Tegakan A.
crassicarpa hanya terdiri atas A. crassicarpa muda berumur 1-2 tahun.
Biomassa rata-rata pada hutan tanaman Eucalyptus sp. dan A. mangium
cenderung bertambah seiring meningkatnya umur tanaman. Hal ini berkaitan
dengan diameternya yang semakin besar. Sementara itu, biomassa pada hutan alam
memiliki rentang yang cukup besar, yaitu antara 15.46 ton/ha hingga 201.62 ton/ha.
Biomassa terkecil terdapat pada plot dengan jenis tanaman Eucalyptus sp. sangat
muda sebesar 0.02 ton/plot atau 0.6 ton/ha, sementara biomassa terbesar terdapat
pada plot hutan alam sebesar 8.06 ton/plot atau 201.62 ton/ha.
Hutan tanaman yang dikembangkan untuk memasok bahan baku industri pulp
dan kertas umumnya memiliki daur yang relatif pendek. Daur hutan tanaman
industri berdasarkan SK No 931/VI-PHT/2001 telah disetujui penurunannya dari
6–7 tahun menjadi 5 tahun untuk jenis tanaman A. mangium (Suhartati et al. 2014).
Dengan daur yang lebih pendek, maka tutupan lahan juga relatif lebih cepat berubah
dibandingkan tanaman yang daurnya lebih panjang, misalnya jati. Oleh karena itu,
waktu perekaman citra harus dipertimbangkan, agar tutupan lahan saat perekaman
citra dapat semirip mungkin dengan kondisi tutupan lahan saat pengambilan data
lapangan.
Penyusunan Model Penduga Biomassa
Model penduga biomassa disusun berdasarkan analisis hubungan antara
peubah terikat Y (biomassa) dari pengolahan data lapangan dan peubah terikat X
yaitu nilai digital band dari citra Landsat 8 serta nilai indeks vegetasi. Korelasi
antara nilai digital band dari citra Landsat 8 dan nilai indeks vegetasi terhadap
biomassa disajikan dalam Tabel 5.

Tabel 5 Hubungan nilai digital peubah citra terhadap biomassa
Korelasi
Pearson

Korelasi nilai digital band
1

2

3

4

5

6

7

9

NDVI

SDVI

TVI

SRVI

r

-0.573

-0.569

-0.569

-0.576

-0.312

-0.641

-0.613

0.004

0.394

0.128

0.395

0.363

p-value

0.001

0.001

0.001

0.001

0.100

0.000

0.000

0.984

0.035

0.507

0.034

0.053

Berdasarkan hasil pengujian korelasi, dapat dilihat bahwa peubah yang
memiliki nilai p-value < α dengan tingkat kepercayaan 95% (α = 0.05) adalah nilai
digital band 1, 2, 3, 4, 5, 6, 7 pada citra Landsat 8 serta nilai digital indeks vegetasi
NDVI dan TVI. Keputusan hipotesis yang diambil adalah tolak H0 jika p-value < α
yang berarti terdapat korelasi antarpeubah yang diujikan. Tabel 6 menyajikan
persamaan regresi dari kombinasi nilai digital band serta nilai indeks vegetasi yang
digunakan untuk menyusun model penduga biomassa.

11
Tabel 6 Model penduga biomassa
R2
R2-adj
Persamaan regresi
(%)
(%)
Y = 151 - 0,0286 Band 1 + 54.87 36.81

Model
Linear
berganda

0,0249 Band 2 - 0,00006 Band 3
- 0,00253 Band 4
- 0,00292 Band 6
+ 0,00468 Band 7 + 60 NDVI
- 103 TVI
Y = 1086 x Band1-57 x Band225 x 84.52
Band329.7
x Band4-15.9
x
-17.11
Band 6
x Band 715.8 x
NDVI4.90 x TVI -27.5

Multiplikatif

Eksponensial

Y = e(59.6-0.0063Band 1 + 0.0032Band 2 86.18
+ 0.00289Band 3 – 0.00167Band 4 -

FFhitung tabel
3.04 2.42

78.33

13.65 2.42

80.66

15.59 2.42

0.001622Band 6 + 0.00229 Band 7 +
26.4 NDVI - 50 TVI)

Hasil pengujian pada Tabel 6 menunjukkan bahwa seluruh model memiliki
nilai F-hitung yang lebih besar daripada F-tabel, sehingga keputusan yang diambil
adalah tolak H0, artinya peubah terikat biomassa dipengaruhi oleh peubah bebas
nilai digital band dan indeks vegetasi.
Pemilihan Model Terbaik
Model regresi berganda yang baik tidak memiliki hubungan multikolinearitas
atau hubungan yang sangat erat antara sesama peubah bebas. Jika ada masalah
multikolinearitas, kesimpulan yang didapat dari hasil pengujian untuk model
regresi maupun untuk masing-masing peubah yang ada dalam model seringkali
tidak tepat (Hanum 2011). Salah satu metode yang digunakan untuk menguji
adanya multikolinearitas adalah dengan melihat Variance Inflation Factors (VIF)
pada model. Dalam penelitian ini dibuat model dengan VIF kurang dari 5, dengan
menghilangkan variabel bebas yang memiliki nilai VIF lebih dari 5. Tabel 7
menyajikan hasil analisis regresi untuk pendugaan biomassa dengan nilai VIF
kurang dari 5.

Tabel 7 Model penduga biomassa dengan VIF kurang dari 5
Model
Linear
berganda
Multiplikatif
Eksponensial

Persamaan regresi
Y= 30.5 - 0.00156 Band 1
- 0.000514 Band 6
- 16.22 NDVI
Y=(10-40.2 x Band 116.95) x
(Band 66.72 x NDVI0.08)-1
Y=
0.074273578
x
e0.001105 Band 1 - 0.000518 Band 6
- 4.22 NDVI

R2 (%)
49.88

R2-adj (%)
43.86

F-hitung
8.29

F-tabel
2.99

RMSE
1.49588

78.25

75.64

29.98

2.99

0.27395

82.97

80.93

40.61

2.99

0.55811

12
Berdasarkan hasil pengujian statistik dengan VIF kurang dari 5, model bentuk
eksponensial adalah model yang terpilih karena memiliki nilai R2 dan R2-adj
terbesar yaitu 82.97% dan 80.93%, serta RMSE yang kecil sebesar 0.558. Meskipun
RMSE terkecil terdapat pada model multiplikatif, namun R2 dan R2-adj pada model
tersebut lebih kecil dibandingkan model eksponensial.
Pembuatan Peta Sebaran Biomassa dan Analisis Akurasi
Peta sebaran biomassa dibuat berdasarkan model terpilih dan dibuat sebanyak
lima kelas dan enam kelas. Pengelasan biomassa dengan 5 kelas disusun dengan
mempertimbangkan jenis tutupan lahan dan distribusi sebaran biomassa, sementara
pengelasan biomassa dengan 6 kelas disusun berdasarkan aturan Sturges. Tabel 8
menyajikan selang kelas biomassa yang telah ditentukan.

Tabel 8 Kelas sebaran biomassa berdasarkan Sturges dan tutupan lahan serta
distribusi biomassa
Jumlah Kelas
Kelas
Rentang Biomassa (ton/ha)
1
0.6 - 19.8
2
19.8-30.3
3
30.3-99.8
5
4
99.8-162
5
162-368
Nonbiomassa
1
0.6 - 34.1
2
34.1 - 67.6
3
67.6 - 101.1
6
4
101.1-134.6
5
134.6 - 168.1
6
168.1-368
Nonbiomassa
-

Pengelasan biomassa dengan 5 kelas memiliki rentang yang tidak sama untuk
setiap kelasnya. Kelas biomassa pertama terdiri atas Eucalyptus sp. sangat muda
dan A. mangium muda. Kelas kedua terdiri atas Eucalyptus sp. sedang, hutan alam,
Eucalyptus sp. tua, dan A. mangium sedang. Kelas 4 terdiri atas A. mangium tua dan
hutan alam, sedangkan kelas 5 seluruhnya terdiri atas hutan alam. Penempatan
hutan alam ke dalam tiga kelas yang berbeda dilakukan atas pertimbangan rentang
biomassa di hutan alam yang relatif besar, biomassa terkecil pada plot hutan alam
adalah 15.46 ton/ha sedangkan biomassa terbesar pada plot hutan alam sebesar
201.62 ton/ha.
Sebaran biomassa yang dibagi menjadi 6 kelas diperoleh dari pendekatan
Sturges, sehingga memiliki interval kelas biomassa yang sama setiap kelasnya.
Batas atas kelas biomassa dibuat sebesar 368 ton/ha berdasarkan rata-rata biomassa
di hutan alam Sumatra pada studi yang dilakukan oleh Laumonier Y, Edin A,
Kanninen M, dan Munandar A (2010). Area yang memiliki biomassa di atas 368
ton/ha dan di bawah 0.6 ton/ha dikategorikan ke dalam area nonbiomassa, karena

13
berdasarkan interpretasi citra, tampak bahwa area tersebut memiliki tutupan lahan
nonvegetasi, antara lain berupa awan dan bayangan awan. Peta sebaran biomassa
dengan 5 kelas dan 6 kelas disajikan dalam Gambar 2 dan 3.

Gambar 2 Sebaran biomasa dengan 5 kelas

Gambar 3 Sebaran biomassa dengan 6 kelas

14
Untuk mengetahui akurasi klasifikasi peta sebaran biomassa pada masingmasing kelas, dilakukan perhitungan overall accuracy dan kappa accuracy yang
hasilnya disajikan pada Tabel 9.

Tabel 9 Hasil perhitungan overall accuracy dan kappa accuracy
Jumlah Kelas
Overall Accuracy (%)
Kappa Accuracy (%)
5
85.40
85.34
6
86.27
86.11

Menurut Jaya (2010), nilai overall accuracy umumnya overestimate sehingga
jarang digunakan sebagai indikator yang baik untuk mengukur kesuksesan suatu
klasifikasi karena hanya menggunakan piksel-piksel yang terletak pada diagonal
suatu matrik kontingensi. Akurasi yang dianjurkan adalah akurasi kappa karena
akurasi ini menggunakan semua elemen dalam matrik. Nilai akurasi kappa pada
peta dengan 6 kelas lebih tinggi daripada peta dengan 5 kelas, yaitu sebesar 86.11%.
Dengan demikian peta sebaran biomassa yang paling baik digunakan adalah peta
sebaran biomassa dengan 6 kelas. Citra yang digunakan pada penelitian ini direkam
pada bulan Juni 2014, sementara pengambilan data dilakukan pada bulan April–
Mei 2015, sehingga kemungkinan terdapat perubahan kondisi tutupan lahan yang
dapat mempengaruhi akurasi pendugaan biomassa.

SIMPULAN DAN SARAN
Simpulan
Model terpilih untuk pendugaan potensi biomassa Sektor Cerenti adalah
model eksponensial, yaitu Y= 0.074273578 x e(0.001105 Band 1 - 0.000518 Band 6 - 4.22 NDVI)
dengan R2-adj sebesar 80.66%. Hasil pemetaan yang memiliki nilai akurasi paling
baik adalah pemetaan yang mengklasifikasikan nilai biomassa ke dalam 6 kelas
dengan nilai overall accuracy 86.27% dan kappa accuracy 86.11%.

Saran
Perlu dilakukan penelitian lebih lanjut dengan jumlah plot yang lebih banyak
dan tersebar secara representatif. Disarankan pula menggunakan citra yang waktu
perekamannya berdekatan dengan waktu pengambilan data lapangan.

15

DAFTAR PUSTAKA
Adiriono T. 2009. Pengukuran kandungan karbon (carbon stock) dengan metode
karbonasi pada hutan tanaman jenis Acacia crassicarpa [tesis]. Yogyakarta
(ID) : Universitas Gadjah Mada.
Agustina TL. 2013. Model penduga biomassa hutan alam lahan kering
menggunakan citra Alos Palsar Resolusi 50 m di area kerja PT Trisetia Intiga
[skripsi]. Bogor (ID) : Institut Pertanian Bogor.
Hanum H. 2011. Perbandingan metode stepwise, best subset regression, dan fraksi
dalam pemilihan model regresi berganda terbaik. Jurnal Penelitian Sains.
14(2A) : 14201-1 – 14201-6.
Hasan I. 2002. Pokok-pokok Materi Statistik 1 (Statistik Deskriptif) Edisi Kedua.
Jakarta (ID) : Bumi Aksara.
Heriansyah I. 2005. Potensi hutan tanaman industri dalam mensequerter karbon :
studi kasus di hutan tanaman akasia dan pinus. Jurnal Inovasi Online [internet].
[diunduh
14
Januari
2015];
3(17).
Tersedia
pada
:
http://io.ppijepang.org/old/article.php?id=66
Jaya INS 2010. Analisis Citra Digital : Perspektif Penginderaan Jauh untuk
Pengelolaan Sumber Daya Alam. Bogor (ID) : Fakultas Kehutanan Institut
Pertanian Bogor.
Krisnawati H, Adinugroho WC, Imanuddin R. 2012. Monograf : Model-model
Alometrik untuk Pendugaan Biomassa Pohon pada Berbagai Tipe Ekosistem di
Indonesia. Bogor (ID) : Pusat Penelitian dan Pengembangan Konservasi dan
Rehabilitasi, Badan Penelitian dan Pengembangan Kehutanan.
Laumonier Y, Edin A, Kanninen M, Munandar AW. 2010. Landscape-scale
variation in the structure and biomass of the hill dipterocarp forest of Sumatra :
Implications for carbon stock assessments. Forest Ecology and Management.
259 (3) : 505 – 513.
Lillesand TM, Kiefer RW. 1990. Penginderaan Jauh dan Interpretasi Citra.
Dulbahri, Suharsono P, Hartono, Suharyadi, penerjemah; Sutanto, editor.
Yogyakarta (ID) : Gadjah Mada University Press. Terjemahan dari : Remote
Sensing and Image Interpretation.
Lu D. 2005. Aboveground biomass estimation using Landsat TM data in the
Brazilian Amazon. International Journal of Remote Sensing 26 (12) : 2509-2525.
Onrizal, Kusmana C, Mansor M, Hartono R. 2010. Allometric biomass and carbon
stock equations of planted Eucalyptus grandis in Toba Plateau, North Sumatra.
Di dalam : Rimbawanto et al.,editor. Proceedings of The International Seminar
on Research on Plantation Forests:Challenges and Opportunities; 2009 Nov 56; Bogor; Indonesia. Bogor (ID) : CIFOR. hlm 247-251.
Putri AP. 2011. Penggunaan metode ridge trace dan variance inflation factors (VIF)
pada regresi ridge [skripsi]. Yogyakarta (ID) : Universitas Negeri Yogyakarta.
Rahayu FT. 2012. Sebaran biomassa hutan tanaman industri (HTI) di Kecamatan
Singingi, Kabupaten Kuantan Singingi, Riau [skripsi]. Depok (ID) : Universitas
Indonesia.
Ribeiro N, Cumbana M, Mamugy F, Chaúque A. 2012. Remote sensing of biomass
in the miombo woodlands of Southern Africa : opportunities and limitations for
research. Di dalam Remote Sensing of Biomass – Principles and Applications.
Fatoyinbo T, editor. Rijeka (HR) : InTech.

16
Solihin MP. 2014. Aplikasi citra Landsat 8 dalam memetakan biomassa atas
tegakan di KPH Ciamis [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Suhartati, Rahmayanto Y, Daeng Y. 2014. Dampak penurunan daur tanaman HTI
Acacia terhadap kelestarian produksi, ekologis, dan sosial. Info Teknis Eboni. 11
(2) : 103–116.
Supranto J. 2009. Statistik : Teori dan Aplikasi Edisi Ketujuh. Jakarta (ID) :
Erlangga.
Sturges HA. 1926. The choice of a class interval. Journal of The American
Statistical Association. 21 (153) : 65-66.
[USGS]United States Geological Survey. 2014. Landsat 8 [internet]. [diacu 14
Januari 2015]. Tersedia pada: http://landsat.usgs.gov/landsat8.php.
Usman H, Akbar RPS. 2006. Pengantar Statistika Edisi Kedua. Jakarta (ID): Bumi
Aksara.
Walpole RE. 1992. Pengantar Statistika Edisi ke-3. Sumantri B, penerjemah.
Jakarta (ID) : Gramedia. Terjemahan dari : Introduction to Statistics 3rd edition.

17

LAMPIRAN

Lampiran 1 Matrik korelasi antara nilai digital dan indeks vegetasi citra terhadap
biomassa
Band
1
2
3
4
5
6
7
9
NDVI
SDVI
TVI
SRVI

1
1
0.999
0.994
0.961
0.336
0.821
0.844
0.186
-0.774
-0.434
-0.773
-0.762

2

3

4

5

6

7

9

NDVI

SDVI

TVI

SRVI

1
0.993
0.972
0.319
0.834
0.859
0.190
-0.796
-0.460
-0.794
-0.783

1
0.954
0.381
0.801
0.823
0.201
-0.747
-0.392
-0.744
-0.736

1
0.215
0.912
0.936
0.183
-0.879
-0.578
-0.879
-0.859

1
0.151
0.110
0.452
0.259
0.647
0.259
0.289

1
0.995
0.222
-0.831
-0.574
-0.833
-0.802

1
0.222
-0.876
-0.630
-0.878
-0.849

1
-0.071
0.059
-0.071
0.054

1
0.895
0.999
0.993

1
0.896
0.902

1
0.991

1

Lampiran 2 Sebaran biomassa dengan 5 kelas

Kelas 1

Kelas 2

Kelas 3

Jenis tanaman

Kelas 4

Hutan alam 3

Hutan alam 2

Acacia mangium tua

Acacia mangium sedang

Eucalyptus sp. tua

Hutan alam 1

Eucalyptus sp. sedang

Acacia crassicarpa muda

Eucalyptus sp. muda

Acacia mangium muda

200
180
160
140
120
100
80
60
40
20
0
Eucalyptus sp. sangat muda

Biomassa (ton/ha)

Biomassa

Kelas
5

18
Lampiran 3 Sebaran biomassa dengan 6 kelas

Biomassa (ton/ha)

Biomassa
250
200
150
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

No. Plot

Lampiran 4 Matriks kontingensi akurasi peta sebaran biomassa dengan 5 kelas
Dikelaskan ke kelas-

Kelas referensi
1
2
3
4
5
Total
Akurasi
pengguna (%)

1
969
46
0
0
0
1015

2
2
389
16
2
3
412

3
0
99
618
54
2
773

4
4
6
61
326
37
434

Total
5
0
0
10
71
113
194

975
540
705
453
155
2828

Akurasi
pembuat (%)
99.38
72.04
87.66
71.96
72.90

95.47 94.42 79.95 75.12 58.25

Lampiran 5 Matriks kontingensi akurasi peta sebaran biomassa dengan 6 kelas
Kelas
referensi

Dikelaskan ke kelas1
921
17
0
0
0
0
938

2
0
184
12
0
0
0
196

3
0
15
127
9
0
0
151

4
0
0
20
96
33
1
150

5
0
0
1
22
91
7
121

6
0
7
12
28
51
58
156

1
2
3
4
5
6
Total
Akurasi
pengguna 98.19 93.88 84.11 64.00 75.21 37.18
(%)

Total
921
223
172
155
175
66
1712

Akurasi
pembuat
(%)
100
82.51
73.84
61.94
52
87.88

19

RIWAYAT HIDUP
Penulis dilahirkan di Bandung, 24 Agustus 1993. Penulis merupakan anak
pertama dari 4 bersaudara pasangan Bapak Jajang Harli dan Ibu Siti Nurlaela.
Penulis memulai jenjang pendidikan formal di SDPN Pajagalan 58 (1999–2002),
dilanjutkan di SDN Perumnas 1 Subang (2002-2005), MTsN Subang tahun 2005–
2008, MAN Insan Cendekia Gorontalo (2008–2011) dan diterima di Institut
Pertanian Bogor tahun 2011 Melalui jalur SNMPTN Undangan di Departemen
Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor.
Penulis melakukan kegiatan Praktek Pengenalan Ekosistem Hutan (PPEH) di
Sancang Barat dan Kamojang pada tahun 2013, Praktek Pengelolaan Hutan (PPH)
di Hutan Pendidikan Gunung Walat (HPGW), KPH Cianjur dan Sukabumi Jawa
Barat pada tahun 2014 dan Praktek Kerja Lapang (PKL) di IUPHHK–HTI PT
RAPP Provinsi Riau pada tahun 2015.