Analisis Keragaman Validasi Model

  n n i i y n i i y JKy total JK 2 1 1 2        ......................................... 22

3.10 Analisis Keragaman

Terhadap persamaan-persamaan regresi tersebut dilakukan pengujian dengan menggunakan analisa keragaman analysis of variance untuk melihat signifikasi atau adanya ketergantungan peubah-peubah yang menyusun regresi tersebut. Analisa keragaman pengujian regresi : Tabel 1 Hasil Analisis Regresi Sumber keragaman Derajat bebas Jumlah Kuadrat JK Kuadrat Tengah KT F -hitung F -tabel Regresi Sisaan k = p-1 n-k-1 JK regresi JK sisa JKS KTR=JKRk KTS=JKSn-k-1 F hitung = KTRKTS Total n-1 JK total JKT Dimana p = banyaknya konstanta koefisien regresi dan intersept dan n = banyaknya pohon contoh yang digunakan dalam penyusunan regresi tersebut. Dalam analisa tersebut hipotesa yang diuji adalah : a. Pada regresi linier sederhana : :   H lawan : 1   H b. Pada regresi linier berganda : :  i H  dimana : i = 1,2 : 1 H Sekurang-kurangnya ada  i  Jika 1 H yang diterima, maka regresi tersebut nyata, artinya ada keterkaitan antara peubah bebas diameter pohon dan atau tinggi pohon dengan peubah tidak bebasnya volume pohon. Dengan kata lain bahwa setiap ada perubahan pada peubah bebasnya akan terjadi perubahan pada peubah tidak bebasnya. Jika H yang diterima, maka regresi tersebut tidak nyata, artinya persamaan regresi tidak dapat untuk menduga volume pohon berdasarkan peubah bebasnya.

3.11 Validasi Model

Hasil persamaan-persamaan regresi yang telah diuji tersebut diatas, pada penyusunan tabel volume pohon dengan analisis regresi perlu dilakukan validasi dengan menggunakan pohon contoh yang telah dialokasikan sebelumnya khusus untuk pengujian validasi model 13 dari jumlah pohon contoh. Data pohon contoh tersebut tidak digunakan dalam penyusunan model-model tabel volume di atas. Uji validasi model dapat dengan melihat pada nilai-nilai simpangan agregasinya agregative deviation, simpangan rata-rata mean deviation, RMSE root mean square error, biasnya serta uji beda nyata antara volume yang diduga dengan tabel terhadap volume nyatanya. Uji beda nyata bisa dilakukan dengan cara uji Khi-kuadrat. Nilai-nilai pengujian validasi model tersebut dapat dihitung dengan rumus- rumus sebagai berikut : 3.11.1 Simpangan agregat SA Simpangan agregat merupakan selisih antara jumlah volume aktual H a dan volume dugaan H t yang diperoleh berdasarkan dari tabel volume pohon, sebagai persentase terhadap volume dugaan H t . Persamaan yang baik memiliki nilai simpangan agregat SA yang berkisar dari -1 sampai +1 Spurr, 1952. Nilai SA dapat dihitung dengan rumus :                       n i H n i H n i H SA ti ai ti 1 1 1 3.11.2 Simpangan rata-rata SR Simpangan rata-rata merupakan rata-rata jumlah dari nilai mutlak selisih antara jumlah volume dugaan H t dan volume aktual H a , proporsional terhadap jumlah volume dugaan H t . Nilai simpangan rata-rata yang baik adalah tidak lebih dari 10 Spurr, 1952. Simpangan rata-rata dapat dihitung dengan rumus Bustomi, dkk. 1998 : 100 1 x n n i Hti H H SR ai ti                           3.11.3 Root Mean Square Error RMSE RMSE merupakan akar dari rata-rata jumlah kuadrat nisbah antara selisih volume dugaan dari table volume pohon H t dengan volume aktualnya H a terhadap volume aktual. Nilai RMSE yang lebih kecil, menunjukkan model persamaan penduga volume yang lebih baik. RMSE dapat dihitung dengan rumus :   100 1 2 x n n i H H H RMSE ai ai ti         3.11.4 Nilai simpangan s Menyatakan besarnya simpangan nilai-nilai pengamatan terhadap nilai rata-ratanya sendiri yang berkaitan dengan adanya pengulangan dan menggambarkan sejauh mana kedekatan nilai-nilai pengukuran terhadap nilai rata-ratanya. Simpangan baku s dari kesalahan dugaan volume dapat diformulasikan sebagai berikut: 2 1 1 100 100 1 n i n i i i e Yai e Yai n S n                    3.11.5 Bias Bias e adalah kesalahan sistematis yang dapat terjadi karena kesalahan dalam pengukuran, kesalahan teknis pengukuran maupun kesalahan karena alat ukur. Bias dapat dihitung dengan rumus : 100 1 x n i n H H H e ai ai ti                       3.11.6 Uji beda rata-rata Khi-kuadrat Chi-square test Pengujian validasi model persamaan penduga volume pohon, dapat pula dilakukan dengan menggunakan uji χ 2 Khi-kuadrat, yaitu alat untuk menguji apakah volume yang diduga dengan table volume pohon H t berbeda dengan tinggi pohon aktualnya H a . Dalam hal ini hipotesa yang diuji adalah sebagai berikut : a t H H H  : dan a t H H H  : 1 Kriteria ujinya adalah :       n i H H H hitung ai ai ti 1 2 2  Kaidah keputusannya adalah sebagai berikut : 2 1 , 2   n tabel hitung    , maka terima H 2 1 , 2   n tabel hitung    , maka terima H 1

3.12 Pemilihan Model Terbaik