Bahan dan Metode PENGEMBANGAN MODEL REGRESI POHON TANAH-LANSKAP

Sementara itu, intensitas curah hujan diwakili oleh zone agroklimat yang diturunkan dari Peta Agroklimat Pulau Jawa skala 1:2 500 000 Oldeman 1975. Pulau Jawa dikelompokan menjadi 8 zone berdasarkan jumlah bulan basah bulan dengan curah hujan 200 mm atau lebih dan bulan kering bulan mempunyai curah hujan 100 mm atau kurang. Zone A mempunyai 10 bulan basah BB atau lebih; B1 and B2 mempunyai 7, 8, atau 9; C2 dan C3 mempunyai 5 atau 6 BB; D2 dan D3 mempunyai 3 atau 4 BB, dan E mempunyai 1 atau 2 BB. Kovariat ini digunakan untuk mengkarakterisasi air yang diperlukan untuk pencucian. Umur lahan LA dan bahan induk PM diturunkan dari peta geologi skala 1:100 000. Tabel 4-2 menyajikan pembagian waktu geologi sebagai dasar penentuan umur lahan. Berdasarkan umur lahan, Pulau Jawa dibedakan atas 18 epoh mulai dari Eosen atas 54 juta tahun lalu hingga Holosen 5 ribu tahun lalu. Tabel 4-3 menyajikan kode untuk menjelaskan umur lahan di Pulau Jawa. Kovariat ini penting untuk memahami berapa lama lahan telah mengalami pelapukan. Tabel 4-2 Pembagian waktu geologi untuk menentukan umur lahan Era Periode Epoh Awal Interval juta tahun lalu A B Cenozoik Quarter Holosen 0.005 0.010 Pleistosen 2 2 Tersier Pliosen 7 Miosen 26 Oligosen 38 Eosen 54 Paleosen 65 65 Mesozoik Cretaceus 136 145 Jurassik 190 208 Triassik 225 250 Paleozoik Permian 280 290 Carbonifereus 345 360 Devonian 395 408 Silurian 430 440 Ordovisian 500 510 Cambrian 570 570 Precambrian 5.000 A=menurut Brewer 1979; B=menurut Dott dan Pathero 1994, dalam Buol et al. 1997 Tabel 4-3 Kode umur lahan, posisi lereng SP, dan posisi lanskap LP yang digunakan dalam pemodelan Kode Umur lahan LA Kode Posisi Slope SP Kode Posisi lanskap LP 1 Holosen 1 Ridge 9 Peak 2 Lower Miosen 2 Upper slope 7 Ridge 3 Lower Pleistosen 3 Middle slope 2 Convex hill-slope 4 Lower Pliosen 4 Flat slope 1 Saddle 5 Middle Miosen 5 Lower slope 0 Plan hill-slope 6 Miosen 6 Valley -2 Concave hill-slope 7 Miocene-Pliosen -7 Channel 8 Pleistosen -9 pit 9 Plio-Pleistosen 10 Pliosen 11 Upper Eosen 12 Upper Miosen 13 Upper Oligosen 14 Upper Pleistosen 15 Upper Pliosen 17 Oligo-Miosen 18 Oligo-Miosen Catatan: kode tidak berhubungan dengan urutan waktu, muncul dari perangkat lunak Sementara itu, bahan induk PM dibedakan ke dalam 10 kelas Marsoedi et al. 1997 meliputi aluvial, batuan sedimen, dan bahan volkan. Tabel 4-4 menyajikan pengelompokan bahan induk yang digunakan dalam penelitian ini. Semua layer diregistrasi menggunakan sistem referensi UTM dan dikonversi ke format data raster dengan ukuran grid 90 m x 90 m. Dengan demikian, satu nilai mewakili areal 8 100 m 2 . 4.2.2 Pembuatan model Dari 301 dataset tersebut, sebanyak 224 digunakan sebagai training dataset untuk membuat model dan sisanya sebanyak 77 dataset, digunakan sebagai testing dataset untuk menguji model. Semua tahapan pemodelan dibantu oleh perangkat lunak statistik JMP 9 SAS Institute Inc. 2010. Empat kombinasi kovariat dieksplorasi dalam pemodelan ini untuk menaksir suatu sifat tanah S, yaitu: Model 1: S=fAZ, EB, PM, SP, LA + e Model 2: S=fAZ, EB, PM, LP, LA + e Model 3: S=fAZ, Elev, PM, SG, LA + e Model 4: S=fAZ, Elev, PM, MRVBF, LA + e dimana: AZ=zone agroklimat, EB=ecoregion belt, PM=bahan induk, SP=posisi lereng menurut Jennis 1996, LA= umur lahan, LP=posisi lanskap dari SAGA GIS, SG=kemiringan lereng, MRVBF=indeks multiresolusi dari kerataan lembah, dan e=galat. Keempat model umum tersebut merupakan model konsep untuk memahami faktor yang paling penting dalam mengendalikan keragaman dan sebaran suatu sifat tanah. Contohnya, dalam Model 1, sifat tanah S dijelaskan oleh kombinasi zone agroklimat AZ, ecoregion belt EB, posisi lereng SP, dan umur lahan LA. Validasi silang digunakan untuk memperoleh jumlah simpul optimal dalam pohon keputusan. Tabel 4-4 Pengelompokan bahan induk dalam penelitian ini Grup Kadar SiO Kode 2 Jenis batuan Plutonic Felsic PF Granite, quartz granite porphyry, pegmatite Intermediate PI Syenite, tonalite, granodiorite, diorite Mafic PM Gabbro, dolerite diabase, norite Ultramafic PU Serpentinite, peridotite, pyroxenite, amfibolite Volcanic Felsic VF Rhyolite, liparite, dacite, pumice, obsidian Intermediate VI Andesite, tephrite, leucite Mafic VM Basalt Sedimentary Fine Felsic SFF Claystone, mudstone, siltstone, diatomite, shale Coarse felsic SCF Sandstone, conglomerate, calcareous snadstone Hard calcareous SHC Limestone, coral limestone, limestone breccias Soft calcareous SSC Marl, calcareous clay, chalk, calcareous tuff Metamorfic Cristaline schist MCC Schist, slate, phylite, hornfels, quartzite Calcareous MC Marble Gneissic MG Gneiss, amphibolites Hydrothermal MH Zeolite Alluvium Coarse AC Stone, gravel, sand, silt Fine AF Clay Marine Coarse MC Sand Fine MF Clay Organic O Wood, mossfern, sedimentary peat Sumber: Marsoedi et al. 1997 Untuk mengkuantifikasi arti penting suatu kovariat sebagai peubah pemisah, nilai logworth SAS Institute Inc. 2010 dihitung menggunakan rumus berikut: LogWorth = -log 10 p dimana: nilai p-value adalah taraf nyata dari model yang dihitung mempertimbangkan jumlah cara memisahkan data yang terjadi. Kovariat dengan logworth lebih tinggi adalah peubah pemisah untuk simpul tersebut. -value 4.2.3 Pengujian model Pada tahapan validasi model, model digunakan untuk menaksir sifat tanah dari testing dataset. Berdasarkan nilai hasil taksiran dan nilai sebenarnya kemudian dihitung mean absolute error MAE dan mean of observed and predicted ratio MPOR menggunakan rumus seperti berikut: n Yoi Ypi MAE n ∑ − = 1 | | n Yoi Ypi MPOR n 1 ∑ = dimana: Yoi adalah nilai pengamatan sifat tanah contoh ke-i, Ypi adalah nilai taksiran sifat tanah contoh ke-i, dan n=jumlah contoh untuk validasi. Model mempunyai daya taksir tinggi apabila nilai MAE mendekati 0 atau nilai POR mendekati 1. Nilai MAE digunakan untuk membandingkan daya taksir suatu sifat tanah yang sama pada kedalaman yang berbeda. Sementara itu, nilai MPOR akan digunakan untuk membandingkan daya taksir model setiap sifat tanah. Untuk keperluan interpretasi dan memperhatikan akurasi pemetaan dari teknik pemetaan tanah konvensional dan dijital seperti diuraikan sebelumnya, daya taksir model diharkatkan berdasarkan nilai MPOR. Daya taksir model dibedakan atas daya taksir buruk dan daya taksir baik. Model dengan daya taksir yang baik kemudian dibedakan lagi atas: Daya taksir tinggi : nilai taksiran kurang 15 di atas atau di bawah nilai sebenarnya, ekuivalen dengan 0.85MPOR 1.15. Daya taksir sedang : nilai taksiran 15-25 di atas atau di bawah nilai sebenarnya, ekuivalen dengan 1.15 ≤MPOR1.25 atau 0.75MPOR ≤0.85. Daya taksir rendah : nilai taksiran 25-40 di atas atau di bawah nilai sebenarnya, ekuivalen dengan 1.25 ≤MPOR≤1.40 atau 0.60 ≤MPOR≤ 0.75. Sementara itu, model berdaya taksir buruk jika nilai taksiran berada lebih dari 40 di atas atau di bawah nilai sebenarnya, yang ekuivalen dengan nilai MPOR lebih dari 1.40 atau kurang dari 0.60.

4.3 Hasil

4.3.1 Arti penting kovariat terhadap keragaman sifat tanah Dalam model pohon tipe regression tree, nilai logworth dapat digunakan sebagai indikator dalam mengukur tingkat kepentingan suatu kovariat secara relatif terhadap kovariat lainnya dalam menentukan keragaman sifat tanah. Tabel 4-5 hingga Tabel 4-8 menunjukan keragaman nilai logworth untuk keempat kombinasi kovariat untuk menjelaskan keragaman setiap sifat tanah. Nilai logworth suatu kovariat nampak tetap dan khas. Contohnya, untuk menaksir bahan organik nilai logworth bahan induk PM adalah 0.66 dan nilai ini nampak sama untuk kombinasi kovariat lainnya. Semakin besar nilai logworth semakin besar pengaruhnya pada keragaman sifat tanah yang ditaksir. Karena itu, andil kovariat terhadap keragaman sifat tanah dapat diurutkan dari yang paling dominan hingga yang kurang dominan. Contohnya, kepentingan kovariat untuk menaksir bahan organik tanah pada Model 1 dimana sifat tanah dijelaskan oleh kombinasi AZ, EB, PM, SP, LA adalah AZEBPMSPLA. Pada tabel Tabel 4-5 dan Tabel 4-6, kovariat yang digunakan adalah sama kecuali kovariat untuk parameterisasi posisi lokasi di suatu lereng. SP slope position pada Tabel 4-5 merupakan cara identifikasi posisi lokasi di lereng yang dikembangkan oleh Jennes 1996 dan LP landscape position pada Tabel 4-6 merupakan teknik parameterisasi posisi lokasi di lereng yang dikembangkan oleh Tim SAGA GIS. Kedua kovariat ini bersifat kategorik. Tabel 4-5 Keragaan nilai logworth yang mencerminkan pentingnya kovariat terhadap sifat tanah pada Model 1 Respon Logworth R 2 Jumlah split AZ EB PM SP LA Soildepth 1.77 0.11 0.37 1.42

2.94 0.34

16 Athick 1.20 0.02 2.44 2.31 1.14 0.32 13 DepthtoB 0.57 0.03 1.09 0.06 2.01 0.33 24 Sand 0.62 0-30 1.77 11.22 6.25 4.88 0.44 15 Sand 0.34 30-50 1.82 6.99 3.78 1.33 0.42 10 Sand 0.60 50-100 0.81 11.15 2.74 2.19 0.47 14 Clay 0.00 0-30 2.01 3.92 1.80 1.37 0.39 16 Clay 0.02 30-50 2.47

3.47 1.75

0.82 0.28 8 Clay 0.02 50-100 0.36 6.82 1.02 2.21 0.45 13 SOM 8.00 0-30 1.09 0.66 0.06 0.05 0.42 18 SOM 5.20 30-50 1.80 1.05 0.05 0.40 0.34 14 SOM 2.92 50-100 2.19 1.74 0.07 0.66 0.28 12 SOC 7.98 0-30 1.09 0.66 0.06 0.05 0.38 15 SOC 5.17 30-50 1.80 1.04 0.06 0.40 0.34 15 SOC 2.91 50-100 2.18 1.74 0.07 0.66 0.28 12 Ntot 15.57 0-30 1.88 2.80 0.03 0.38 0.53 14 Ntot 5.37 30-50 1.81 1.93 0.14 0.15 0.31 9 Ntot 3.54 50-100 0.58 1.17 0.03 0.56 0.35 14 pH 2.12 0-30 0.48 2.40 0.07 5.72 0.42 14 pH 1.68 30-50 0.37 4.16 0.14 1.03 0.45 14 pH 3.31 50-100 1.21 4.01 0.08 0.43 0.47 12 BS 6.76 0-30 2.99 18.86 0.43 3.12 0.57 11 BS 6.25 30-50 3.38 17.05 0.41 1.64 0.57 12 BS 0.40 50-100 0.12 10.37 0.50 1.82 0.56 7 CEC 0.52 0-30 0.31 9.45 0.13 2.86 0.47 17 CEC 0.40 30-50 0.12 10.37 0.50 1.82 0.47 10 CEC 1.68 50-100 0.17 7.54 0.27 2.46 0.49 14 nilai logworth yang dipertebal menunjukan kovariat tersebut predominan mempengaruhi keragaman sifat tanah dan yang dicetak miring adalah dominan mempengaruhi keragaman sifat tanah. Pada Model 1, dimana SP digunakan sebagai kovariat untuk mewakili posisi topografi, posisi topografi nampak minor dalam mempengaruhi keragaman sifat tanah. Hal yang sama juga ditunjukan oleh LP pada Model 2. Sebaliknya,