Penyusunan Model Pendugaan Biomassa Berdasarkan Umur dan Tinggi Pohon

Pada tabel tersebut dipilih masingImasing satu model terbaik pada masingI masing citra, model terbaik di dapatkan pada model kuadratik nomor 6 pada citra ALOS PALSAR resolusi 50 m dan model linear berganda nomor 4 pada citra ALOS PALSAR resolusi 12,5 m. Dengan nilai R² adj secara berturut turut sebesar 86,0 dan 85,3 . Pada model terpilih kemudian dilakukan validasi model dengan menggunakan uji t berpasangan untuk menunjukan apakah model bisa digunakan untuk menduga biomassa atas permukaan atau tidak. Tabel berikut merupakan hasil validasi pada model terpilih. Tabel 16 Hasil validasi model terpilih pada cita ALOS PALSAR dengan variabel dan tinggi pohon Resolusi Polarisasi Model t hit t α2 sig 50 m HV Y = 111,507 I 0,449 X₁² + 0,186X₂² 0,106 2,064 0,916 12,5 m HV Y = 35,389 + 3,369X₁ + 7,589X₂ 0,106 2,064 0,917 Keterangan: Y = biomassa; X₁ = ; X ₂= tinggi pohon Dari hasil validasi tersebut didapatkan nilai t hitung pada model resolusi 12,5 m dan 50 m yaitu sebesar 0,106 nilai tersebut lebih kecil dari nilai t α2 sebesar 2,064. Kemudian nilai signifikansi pada model tersebut lebih besar dari 0,05 yaitu sebesar 0,917 dan 0,916. Nilai nilai tersebut menunjukan bahwa model terbaik dapat digunakan untuk menduga biomassa atas permukaan di daerah penelitian.

5.3.4 Penyusunan Model Pendugaan Biomassa Berdasarkan Umur dan Tinggi Pohon

Pendugaan kandungan biomassa atas permukaan selain dengan menggunakan variabel yang berasal dari citra, variabel umur dan tinggi pohon dapat ditambahkan secara bersamaan. Seperti telah dijelaskan sebelumnya variabel umur dan tinggi memiliki korelasi yang positif terhadap biomassa. Sehingga penambahan dua variabel ini diharapkan dapat meningkatkan akurasi dari model regresi berganda yang akan disusun. Model regresi yang disusun disajikan pada Tabel 17 dan Tabel 18. Tabel 17 Model regresi antara biomassa dengan variabel , umur, dan tinggi pohon pada citra ALOS PALSAR resolusi 50 m Polarisasi No Model R² R² adj RMSE HH 1 Y = 31,6 + 5,6X₁ + 0,449X₂ + 6,2X₃ 86,5 85,2 26,3 2 Y = EXP 4,134 + 0,102X₁ + 0,004X₂ + 0,045X₃ 86,1 84,7 26,7 3 Y = 91,8 I 0,901X₁² + 0,00711X₂² + 0,138X₃² 87,4 86,3 25,3 HV 4 Y = 78,6 + 6,67X₁ + 0,461X₂ + 5,82X₃ 87,2 86,0 25,2 5 Y = EXP 5,066 + 0,115X₁ + 0,004X₂ + 0,042X₃ 87,4 86,2 25,4 6 Y = 123 ? 0,488X₁² + 0,00745X₂² + 0,127X₃² 89,0 88,0 25,5 Keterangan: Y = biomassa; X₁= ; X₂= umur; X₃= tinggi pohon Tabel 18 Model regresi antara biomassa dengan variabel , umur, dan tinggi pohon pada citra ALOS PALSAR resolusi 12,5 m Polarisasi No Model R² R² adj RMSE HH 1 Y = 23,8 + 3,46X₁ + 0,484X₂ + 6,07X₃ 86,4 85,1 26,5 2 Y = EXP 4,319 + 0,067X₁ + 0,006X₂ + 0,037X₃ 85,0 83,6 27,7 3 Y = 81,6 I 0,415X₁² + 0,00779X₂² + 0,132X₃² 87,0 85,8 25,8 HV 4 Y = 58 + 4X₁ + 0,498X₂ + 5,82X₃ 87,1 85,9 25,7 5 Y = EXP 5,213 + 0,098X₁ + 0,006X₂ + 0,034X₃ 87,2 86,0 25,6 6 Y = 105 ? 0,231X₁² + 0,00802X₂² + 0,216X₃² 88,4 87,3 24,3 Keterangan: Y = biomassa; X₁= ; X₂= umur; X₃= tinggi pohon Dari hasil penyusunan model pada kedua citra didapatkan model terbaik yaitu model kuadratik nomor 6. Pada citra ALOS PALSAR resolusi 50 m didapatkan kisaran nilai R² adj yaitu sebesar 86,2 I 88,0. Hal tersebut berati bahwa kandungan biomassa dapat dijelaskan dengan baik oleh variabelIvariabel penduganya sebesar 86,2 I 88,0. Pada citra ALOS PALSAR resolusi 12,5 m didapatkan kisaran nilai R² adj yaitu sebesar 83,6 I 87,3. Hal tersebut berati bahwa kandungan biomassa dapat dijelaskan dengan baik oleh variabelIvariabel penduganya sebesar 83,6 I 87,3. Kemudian perlu analisis lebih lanjut terhadap adanya multikolinearitas pada model terpilih tersebut mengingat korelasi yang cukup erat antara umur dan tinggi pohon, yaitu sebesar 0,881. Selain menggunakan nilai korelasi, multikolinearitas juga dapat dilihat dari besaran nilai VIF. Hines dan Montgomery 1990 mengatakan bahwa meskipun suatu model memiliki R² yang besar, tidak berarti model tersebut model yang terbaik. Model regresi yang dibuat tersebut memiliki kemungkinan terdapatnya kolinearitas diantara dua atau lebih variabel bebasnya. Ada atau tidaknya kolinearitas dalam suatu model dapat dilihat dari besaran nilai VIF . . Jika suatu model memiliki VIF lebih besar dari 5 maka model tersebut memiliki multikolinearitas. Tabel 19 berikut merupakan hasil analisis nilai VIF pada model model terpilih. Tabel 19 Analisis VIF . pada model terbaik pendugaan biomassa dengan penambahan variabel umur dan tinggi pohon Resolusi Polarisasi Model VIF BS Umur Tinggi 50 m HV Y = 123 I 0,488X₁² + 0,00745X₂² + 0,127X₃² 1,3 3,4 3,8 12,5 m HV Y = 105 I 0,231X₁² + 0,00802X₂² + 0,126X₃² 1,3 3,4 4,0 Keterangan: Y = biomassa; X₁ = ; X₂ = umur; X₃ = tinggi pohon; BS = Berdasarkan Tabel tersebut diperoleh informasi bahwa seluruh model terpilih tidak memiliki nilai VIF kurang dari 5. Hal tersebut menandakan bahwa multikolinearitas tidak terjadi dalam model terpilih tersebut. Pada modelImodel terpilih tersebut kemudian dilakukan validasi model. Validasi model dilakukan dengan menggunakan ujiIt berpasangan. Hasil dari validasi model disajikan pada Tabel 20. Tabel 20 Hasil validasi model terbaik pendugaan biomassa dengan penambahan variabel umur dan tinggi pohon Resolusi Polarisasi Model t hit t α2 sig 50 m HV Y = 123 I 0,488X₁² + 0,00745X₂² + 0,127X₃² I0,592 2,064 0,559 12,5 m HV Y = 105 I 0,231X₁² + 0,00802X₂² + 0,126X₃² I0,7 2,064 0,493 Keterangan Y = biomassa; X₁ = ; X₂ = umur; X₃ = tinggi pohon Pada tabel tersebut dapat dijelaskan bahwa model terbaik pada kedua citra tidak berbeda nyata antara hasil pengukuran di lapangan dengan hasil model terpilih. Hal tersebut berati bahwa pada uji t dengan taraf nyata sebesar 5, koefisien dari variabel bebas variabel prediktor dapat menjelaskan biomassa secara signifikan. Dengan demikian model terbaik yang telah terpilih bisa di gunakan untuk pendugaan nilai biomassa atas permukaan tegakan jati di lapangan.

5.3.5 Pengaruh Penambahan Tinggi dan Umur Pohon pada Model Pendugaan Biomassa