Analisis Spasial Metode Analisis Data

image untuk transformasi resolusi spasial citra tersebut dari 20 meter menjadi 30 meter. e Suhu x5 f Normalized Difference Moisture Index NDMI atau kelembaban vegetasi x6 Menurut Hemmleb et all. 2006 NDMI umumnya digunakan untuk mengevaluasi kelembaban vegetasi. Indeks ini dapat dinilai menggunakan band 4 yang sensitif terhadap reflektansi kandungan klorofil daun dan band 5 yang sensitif terhadap absorbansi kelembaban daun. g Jarak terdekat dari jalur patrolitrek x7. Jarak terdekat dari jalur patroli merupakan representasi dari gangguan yang disebabkan oleh adanya aktivitas manusia yang dapat mempengaruhi distribusi kirinyuh. h Jarak terdekat dari kebun atau aktivitas manusia x8 Tabel 1 Peubah-peubah ekologi sebagai variabel-variabel penduga No. Variabel Representasi Satuan Skala Data Sumber Teknik Ekstraksi Data 1. x1 Ketinggian Komponen fisik Meter dpl. Rasio Peta ketinggian DEM - 2. x2 Kemiringan Lereng Komponen fisik Persen Rasio Peta Kemiringan Lereng DEM Analisis topografi Kemiringan Lereng permukaan 3. x3 Arah Kemiringan Lereng Aspect Komponen fisik Derajat º Rasio Peta Kemiringan Lereng DEM Analisis topografi Kemiringan Lereng permukaan 4. x4 Penutupan vegetasi NDVI Kebutuhan akan perlindungan dan tempat mencari makan - Ordinal Peta indeks vegetasi NDVI 4 – 3 4 + 3 5. x5 Suhu Komponen fisik Derajat º Rasio Citra Landsat Landsat 7ETM band 6 6. x6 Kelembaban vegetasiND MI Komponen fisik Persen Rasio Citra Landsat NDMI 4 – 5 4 + 5 Tabel 1 Lanjutan No. Variabel Representasi Satuan Skala Data Sumber Teknik Ekstraksi Data 7 x7 Jarak terdekat dari jalur patrolitrek Gangguan aktivitas manusia Meter Rasio Peta jarak dari jalur patroli Analisis spasial dengan teknik Euclidean distance 8 x8 Jarak dari kebun Gangguan aktivitas manusia Meter Rasio Peta jarak dari jalur patroli Analisis spasial dengan teknik Euclidean distance Data variabel ketinggian, kemiringan lereng dan arah kemiringan lereng diperoleh dari pemanfaatan langsung data digital ASTER GDEM dan diturunkan menggunakan perangkat lunak ArcMap. Data variabel kemiringan lereng diperoleh dari hasil analisis topografi kemiringan lereng permukaan surface slope topographic analysis terhadap data digital ASTER GDEM tersebut menggunakan perangkat lunak ERDAS Imagine dengan persen sebagai satuan luarannya. Data variabel NDVI diperoleh dari pengolahan citra landsat 7 TM TNGGP tahun 2011 menggunakan band 3 visible red layer dan band 4 near infra red layer. Sebelumnya dilakukan ekstraksi data, terlebih dulu dilakukan pra pengolahan data dengan melakukan koreksi geometrik terhadap citra tersebut dengan peta digital kawasan TNGGP sebagai acuan. Selain itu juga dilakukan reproject image dengan nearest neighbor sebagai resample method-nya untuk transformasi resolusi spasial citra tersebut dari 20 meter menjadi 30 meter. Data variabel suhu menggunakan Erdas Imagine 9.1, kemudian dibangun sebuah model pada model maker yang sudah tersedia untuk mengkonversi nilai- nilai pixel pada Landsat 7ETM band 6. Hal yang perlu diperhatikan adalah nilai DN Digital Number untuk dilakukan konversi menjadi nilai radiansi. Berikut adalah rumus yang digunakan untuk mengkonversi nilai digital menjadi nilai radiansi USGS 2002. Dengan nilai gain sebesar 0.055818, DN adalah dengan band 6 dan nilai offset sebesar 1.2378. Kemudian dilakukan konversi band 6 pada Landsat 7ETM untuk mengetahui nilai suhu permukaan denagn rumus dibawah ini USGS 2002: Radiansi = gain x DN + offset Dimana T = Suhu Efektif; K1 = Konstanta Kalibrasi 1 Tabel 1; K2 = Konstanta Kalibrasi 2 Tabel 2; L = Spektral Radiansi Wm 2 ster µ m. Data kelembaban vegetasi diperoleh dengan Normalized Difference Moisture Index NDMI yang dihasilkan dari Landsat Image band 4 dan band 5 menurut Price dan Tinant 2000: NDMI = – Data variabel jarak dari jalur patrolitrek dan pemukimanaktivitas manusia diperoleh dari hasil analisis spasial menggunakan teknik Euclidean distance untuk pemetaan kedekatan proximity mapping, yaitu masing-masing sel diberi nilai terhadap objek terdekatnya, di mana objek terdekat ditentukan berdasarkan jarak Euclidean Puntodewo et al.2003.

4.6.2. Analisis Regresi Logistik Biner Binary Logistic Regression Analysis

Data kehadiran dan ketidakhadiran kirinyuh dan variabel biofisik tempat tumbuh dan gangguan diolah dengan Analisis Regresi Logistik Biner untuk mengetahui hubungan faktor-faktor lingkungan dengan keberadaan kirinyuh. Penyusunan model ini menggunakan 50 dari jumlah keseluruhan data yang tersedia. Penggunaan analisis regresi logistik biner pada hasil penelitian ini didasarkan atas 2 alasan yaitu model ini cocok digunakan untuk data biner dan tepat dalam memprediksi distribusi invasi kirinyuh pada skala spasial yang berbeda. Pada dasarnya analisis regresi logistik sama dengan analisis diskriminan, perbedaannya ada pada jenis data dari variabel dependen. Jika pada analisis diskriminan variabel dependen adalah data rasio, maka pada regresi logistik variabel dependen adalah data nominal. Data nominal di sini lebih khusus adalah data biner. Nilai duga regresi logistik biner ini merupakan nilai peluang berkisar antara 0 – 1 di mana dalam penelitian ini adalah berapakah peluang suatu area secara potensial sesuai untuk habitat kirinyuh berdasarkan penilaiannya pada T = K2 ln K1L variabel penduganya. Nilai peluang 0 0,5 dikategorikan sebagai area yang tidak sesuai untuk habitat kirinyuh, sedangkan nilai peluang 0,5 1 dikategorikan sebagai area yang sesuai untuk habitat kirinyuh. Nilai ambang batas threshold 0,5 ini telah digunakan secara luas dalam pendugaan distribusi spesies Manel et al. 1999; Bailey et al. 2002; Stockwell Peterson 2002. Dirumuskan model regresi logistik biner sebagai berikut: = … 1 + … atau: = 1 + Dimana = peluang titik observasi ke- i sesuai untuk habitat kirinyuh E = bilangan natural = 2,718281828 = variabel penduga ke- j I = titik observasi ke- i = Intersep = koefisien regresi logistik biner dari variabel penduga ke- j K = jumlah variabel penduga = n Penghitungan regresi logistik ini menggunakan perangkat lunak SPSS 16. Hasil penghitungan menggunakan regresi logistik berupa persamaan regresi logistik yang kemudian diolah menggunakan perangkat lunak ArcGIS ver. 9.3 untuk menggabungkan data-data dari berbagai variabel bebas sehingga diperoleh peta kesesuaian habitat bagi kirinyuh. Model spasial regresi logistik kesesuaian habitat kirinyuh hanya menunjukkan area yang sesuai dan tidak sesuai bagi kirinyuh. Pembagian kelas dari sebaran data hasil penghitungan regresi logistik yang diperoleh pada seluruh area studi dilakukan untuk memperoleh gambaran area yang agak sesuai bagi habitat kirinyuh. Pada penelitian ini ditentukan tiga kelas kesesuaian, yaitu