57 Keterangan:
p = proporsi luas masing-masing tipe tutupan vegetasi
n = frekuensi posisi harimau yang teramati
u = proporsi jumlah koordinat posisi harimau yang teramati ni ∑ni
e = nilai harapan pi x
∑ni w = indeks preferensi terhadap tipe tutupan vegetasi ui pi
b = indeks preferensi yang distandarkan wi ∑wi
4.5.2.2 Penggunaan Habitat Siang dan Malam
Ada dugaan bahwa satwa liar yang mampu beradaptasi dengan berbagai kondisi lingkungan dan menggunakan bermacam-macam tipe vegetasi pada
satu lansekap, seperti harimau, membedakan penggunaan habitat utamanya berdasarkan waktu. Dalam analisis ini, dipilih hanya data posisi dari kalung
GPS dengan akurasi tinggi saja. Kemudian dengan menggunakan ArcGIS v. 9.3 ESRI, Redlands, California, data pisahkan berdasarkan siang hari
antara pukul 06:00-17:59 dan malam hari antara pukul 18:00-05:59 keesokan harinya. Selanjutnya di-overlay-kan dengan peta tutupan lahan
MODIS untuk menentukan frekuensi kunjungan setiap harimau translokasi pada setiap tipe vegetasi yang tersedia di dalam daerah jelajahnya. Untuk
menentukan apakah ada perbedaan penggunaan habitat oleh harimau translokasi pada siang dan malam hari digunakan uji Wilcoxon signed rank
Siegel 1992, Zar 1996, Pratisto 2009. 4.5.3
Analisis Pemodelan Habitat 4.5.3.1 Uji Multikolinearitas
Uji multikolinearitas merupakan salah satu uji asumsi klasik, yang merupakan prasyarat statistik yang harus dipenuhi pada analisis regresi. Multi
kolinearitas adalah satu keadaan dimana variabel-variabel bebas dalam persamaan regresi mempunyai korelasi hubungan yang erat satu sama lain.
Menurut Pratisto 2010 korelasi yang erat di antara variabel bebas harus dihindari karena dapat menimbulkan berbagai masalah pada model regresi
yang terbangun. Salah satu cara untuk mendeteksi adanya multikolinearitas adalah dengan memeriksa nilai VIF Variance Inflation Factor dan nilai
Tolerance pada model regresi. Jika satu variabel bebas memiliki nilai
Tolerance lebih besar dari 0,1 atau nilai VIF lebih kecil dari10 maka variabel tersebut tidak mengalami multikolineraitas. Nilai VIF lebih besar dari 10
berarti telah terjadi multikolineraitas. Pada penelitian ini semua variabel bebas diuji dengan regresi linear berganda untuk melihat nilai VIF-nya dan
mengeliminasi setiap variabel yang mengalami multikolineritas.
4.5.3.2 Analisis Regresi Logistik
Model regresi logistik pada penelitian ini dibangun berdasarkan data variabel terikat titik presencekehadiran harimau translokasi BD-1 pada satu
tempat. Penyusunan model menggunakan 50 dari keseluruhan data posisi harimau yang dikumpulkan melalui kalung GPS, sedangkan 50 sisa data
digunakan untuk validasi model. Bentuk regresi logistik yang digunakan dalam analisis kesesuaian habitat harimau translokasi ini adalah regresi
logistik biner binary logistic regression. Pengembangan model regresi logistik dimulai dengan memasukkan
variabel-variabel bebas atau variabel habitat harimau yang tersisa setelah dilakukan eliminasi melalui nilai VIF. Semua analisis statistik dilakukan
melalui program SPSS 17 dengan metode Enter. Metode ini digunakan karena tidak memandang besar-kecilnya pengaruh variabel bebas terhadap
variabel terikat. Model parameter diduga menggunakan kaidah “maximum likelyhood method
”, dengan rumus sebagai berikut Pratisto 2010:
Z = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ .......... + B
n
X
n
dan
P = 11+e
-z
Keterangan: Z= model regresi logistik; P= peluang kehadiran harimau; X= variabel bebas covariates; a= konstanta;
e= 2,7182818 Tingkat kesesuaian habitat ditentukan berdasarkan pada tiga kategori
yaitu “kurang sesuai”, “sesuai” dan “sangat sesuai”. Penentuan ambang batas kategori mengacu pada Supranto 2000 yang menentukan interval ambang
batas suatu kategori berdasarkan persamaan sebagai berikut: P
max
- P
min
Jarak interval = Jumlah kategori
59
4.5.3.3 Model Spasial Kesesuaian Habitat
Model spasial dibangun dari nilai peluang hasil perhitungan regresi logistik. Peta kesesuaian habitat dibuat dengan menggunakan perangkat
lunak ArcGIS 9.3. ArcGIS menggabungkan semua informasi yang ada variabel-variabel lingkungan yang berpengaruh nyata ke dalam sebuah peta
kesesuaian dengan fungsi regresi logistik. Pengolahan menggunakan raster calculator memperoleh nilai kesesuaian lokasi translokasi harimau. Nilai
tersebut kemudian diklasifikasikan melaui proses reclassify pada ArcGIS 9.3. Peta kesesuaian yang dinterpretasi merupakan peta dengan resolusi 30 meter.
Skema pemodelan kesesuaian habitat disajikan pada Gambar 10. 4.5.3.4 Uji Kelayakan Model Regresi Logistik
Uji kelayakan model menilai bagaimana sebuah model dapat menggambarkan variabel terikat. Penilaian kelayakan model berkaitan
dengan penelusuran seberapa dekat nilai prediksi dari sebuah model terhadap nilai pengamatan. Untuk melakukan uji kelayakan model, maka digunakan
uji Hosmer-Lemeshow. Uji ini cocok untuk model yang terdiri dari beberapa variabel bebas baik yang bernilai kontinyu atau kategorik Hosmer
Lemeshow 2000. Pada penelitian ini, kelayakan model regresi logistik yang dibangun dapat dilihat dari penurunan nilai -2 log likelihood serta uji
Hosmer-Lemeshow yang didapat dari hasil pengolahan data dengan SPSS 17. Model dinilai layak apabila signifikansi penurunan nilai -2 log likelihood
kurang dari 0,05. Lain dengan penurunan nilai -2 log likelihood, uji Hosmer-Lemeshow
digunakan untuk melihat kecocokan variabel prediktor dengan model yang dibangun. Variabel prediktor dinyatakan fit cocok dengan model atau model
dikatakan layak jika signifikansi yang tertera pada hasil uji Hosmer- Lemeshow diatas 0,05. Koefisien determinasi R
2
ditentukan dengan model Nagelkerke R
2
yang analog dengan R
2
pada metode kuadrat terkecil untuk fungsi regresi linear berganda Piorecky Prescott 2006. Nagelkerke R
2
menunjukkan seberapa penting variabel bebas memprediksi variabel terikat.
