5.3 Analisis Pemodelan Spasial
5.3.1 Analisis Regresi Logistik Biner Binary Logistic Regression Analysis
5.3.1.1 Model kesesuaian habitat kirinyuh
Model kesesuaian habitat bukanlah upaya yang pasti untuk memprediksi ada tidaknya suatu spesies tumbuhan atau satwa pada suatu habitat, tetapi lebih
merupakan upaya untuk mengidentifikasi areal atau blok kawasan hutan mana yang harus diprioritaskan dalam pengelolaannya Rahmat 2012. Pemodelan ini
menggunakan pendekatan model regresi logistik biner dengan prosedur Enter dengan sistem eliminasi manual. Variabel prediktor untuk membangun model
regresi logistik biner kesesuaian habitat kirinyuh menggunakan delapan data spasial yaitu ketinggian elevasi, kelerengan slope, arah kelerengan aspect,
penutupan vegetasi NDVI, suhu, kelembaban vegetasi, jarak terdekat dari jalur patrolitrek dan jarak terdekat dari pemukiman atau aktivitas manusia.
Setiap titik kehadiran dan ketidakhadiran yang digunakan dinilai variabel prediktornya melalui bantuan perangkat lunak Arc Gis ver. 9.3. Lampiran 2
menyajikan data atribut pasangan titik kehadiran dan ketidakhadiran yang digunakan untuk membangun model.
Perhitungan nilai variabel prediktor menggunakan perangkat lunak SPSS 16 dengan taraf kepercayaan 95. Dari hasil perhitungan dengan prosedur ini
diperoleh empat variabel prediktor yang memiliki taraf signifikansi kurang dari 0,05 dan empat variabel dengan taraf signifikansi lebih dari 0,05 Lampiran 4.
Konstanta persamaan regresi logistik sebesar -22,938 dengan koefisien
regresi masing-masing variabel prediktor dan taraf signifikansinya sebagaimana disajikan pada Tabel 2.
Berdasarkan hasil perhitungan tersebut maka dikatakan sementara bahwa model regresi pada tahap ini belumlah baik karena nilai konstansta dan nilai 4
prediktor lainnya masih memiliki nilai probabilitas signifikansi di atas 0,05. Untuk itu, menurut Santoso 2012 model regresi dapat diulang lagi dengan hanya
memasukkan prediktor yang sudah signifikan sebagai variabel independen, dalam kasus ini adalah suhu, NDVI, NDMI dan jarak dari trek.
Tabel 2 Taraf signifikansi dan koefisien regresi variabel prediktor tahap Enter 1 No.
Variabel predictor Koefisien regresi
Signifikansi 1.
Ketinggian elv
6,334 0,269
2. Kelerengan
slp 0,026
0,414 3.
Arah kelerengan asp 0,001
0,652 4.
Penutupan Vegetasi NDVI -45,789
0,010 5.
Suhu sh
1,623 0,039
6. Kelembaban vegetasi NDMI
-30,675 0,035
7. Jarak dari trail jt
-72,932 0,000
8. Jarak dari kebun jk
-0,153 0,901
Konstanta -22,938
0,261 Dari hasil perhitungan tahap ke-2 ini diperoleh tiga variabel prediktor yang
memiliki taraf signifikansi kurang dari 0,05 dan satu variabel dengan taraf signifikansi lebih dari 0,05 Lampiran 4. Konstanta persamaan regresi logistik
sebesar 13,588 dengan koefisien regresi masing-masing variabel prediktor dan taraf signifikansinya sebagaimana disajikan pada Tabel 3.
Tabel 3 Taraf signifikansi dan koefisien regresi variabel prediktor tahap Enter 2 No.
Variabel prediktor Koefisien
regresi Signifikansi
1. Suhu
sh 0,253
0,315 2.
Penutupan vegetasi NDVI -32,046
0,026 3.
Kelembaban vegetasi NDMI -24,742
0,048 4.
Jarak dari trail jt -66,290
0.000 Konstanta
13,588 0,096
Hasil perhitungan ke-2 pada persamaan regresi ini masih menunjukkan adanya satu prediktor yang masih memiliki nilai probabilitas signifikansi lebih
dari 0,05 begitu pula dengan nilai konstantanya, sehinggga masih dapat dimungkinkan untuk dilakukan analisa regresi yang ke-3 dengan hanya
memasukkan prediktor NDVI, NDMI dan jarak dari trail sebagai variabel independennya, dengan hasil sebagaimana disajikan pada Tabel 4.
Tabel 4 Taraf signifikansi dan koefisien regresi variabel prediktor tahap Enter 3 No.
Variabel prediktor Koefisien regresi Signifikansi
1. Penutupan vegetasi NDVI
-30,571 0,030
2. Kelembaban vegetasi
NDMI -28,092
0,021 3. Jarak dari trail jt
-64,988 0,000
Konstanta 19,455
0,001 Hasil perhitungan ke-3 menunjukkan bahwa konstanta dan tiga variabel
prediktor adalah signifikan secara statistik dimana semuanya memiliki nilai signifikan dibawah 0,05 yang berarti bahwa ketiga variabel tersebut berpengaruh
nyata terhadap model kesesuaian habitat atau penyebaran kirinyuh. Dengan demikian, dari hasil ketiga perhitungan tersebut maka hasil analisa regresi yang
ke-3 merupakan model regresi yang lebih baik digunakan untuk memprediksi variabel peluang keberadaan kirinyuh. Dengan demikian, bentuk persamaan
regresi logistiknya adalah: Z = 19,455-30,571NDVI-28,092NDMI-64,988jt
Nilai persamaan P= [e
z
1+e
z
] adalah
=
, ,
, ,
1 +
, ,
, ,
Hasil perhitungan nilai P pada persamaan tersebut menunjukkan bahwa ketiga peubah tersebut yaitu NDVI, NDMI dan jarak dari trail memberikan
pengaruh nyata terhadap frekuensi kehadiran kirinyuh pada suatu habitat. Sifat dan besarnya hubungan antara ketiga peubah tersebut dengan frekuensi kehadiran
kirinyuh pada suatu habitat dapat diketahui dari besarnya nilai koefisien determinasi R². Nilai R² sebesar 50,1 mengindikasikan bahwa keragaman
frekuensi kehadiran kirinyuh pada suatu habitat dipengaruhi oleh peubah NDVI, NDMI dan jarak dari trail secara simultan sebesar 50,1 sedangkan sisanya
49,9 dipengaruhi oleh peubah lain yang tidak digunakan dalam model ini. Peubah NDVI, NDMI dan jarak dari trail merupakan peubah yang
signifikan dengan semua koefisiennya bernilai negatif. Koefisien regresi variabel NDVI sebesar -30,571 menunjukkan bahwa semakin tinggi nilai NDVI atau