Pendugaan Biomassa Tegakan Pinus Menggunakan Backscatter ALOS Palsar, Umur, dan Tinggi Tegakan: Kasus di KPH Banyumas Barat, Jawa Tengah

BAB I

PENDAHULUAN

1.1 Latar Belakang

Hutan merupakan sumber daya alam hayati yang tidak ternilai harganya dan memiliki banyak manfaat yang dapat digunakan untuk kepentingan manusia. Salah satu kandungan di dalam hutan yang merupakan komponen penting dan menjadi sebuah beberapa tahun terakhir ini, yaitu biomassa. Biomassa merupakan berat total materi hidup setiap pohon di atas permukaan tanah yang dinyatakan dalam berat kering ton per unit area (Brown 1997). Dengan mengkaji biomassa, kita dapat mengetahui siklus hara dan aliran energi dari suatu ekosistem hutan. Dari hasil kajian biomassa tersebut, selanjutnya kita dapat mempelajari cadangan karbon dan hara lainnya dalam suatu ekosistem serta pengaruhnya terhadap siklus biogeokimia.

Dalam melakukan pendugaan potensi biomassa suatu areal umumnya dilakukan pengukuran secara langsung di lapangan dengan menggunakan teknik penarikan contoh. Nilai dugaan yang diperoleh cukup akurat, namun kurang efektif bila diterapkan pada areal yang luas dan memerlukan biaya yang besar (Lu 2006). Seiring dengan berkembangnya teknologi informasi, pendugaan potensi terhadap biomassa dapat dilakukan menggunakan metode penginderaan jauh. Metode penginderaan jauh ini merupakan metode pendugaan biomassa yang lebih efektif karena potensi tegakan pada lokasiBlokasi yang tidak diukur di lapangan dapat diduga nilainya dari data citra satelit serta dapat mengatasi keterbatasan sumber daya (biaya, waktu, dan tenaga) pada pendugaan di areal yang luas (Ravindranath and Ostwald 2008).

Pada tahun 2006, pemerintah Jepang meluncurkan satelit ALOS (

) yang membawa sensor radar. Salah satu jenis sensornya, yaitu PALSAR (

) dapat digunakan untuk menduga biomassa suatu tegakan.

Pada penelitian Riska (2011), nilai pada citra ALOS PALSAR resolusi 50 m dan 12,5 m dapat menjelaskan dengan baik kondisi biomassa di lapangan. Namun pada penelitian ini ditambahkan peubah lain berupa umur dan

tinggi pohon yang diharapkan mampu memperbaiki tingkat pendugaan biomassa atas permukaan yang lebih baik.

1.2 Tujuan

Adanya penelitian ini bertujuan untuk

1. Menganalisis penambahan peubah umur dan tinggi dalam pendugaan biomassa atas permukaan.

2. Memetakan pendugaan biomassa pinus menggunakan anak petak dan basis piksel.

1.3 Manfaat

Memberikan informasi mengenai potensi biomassa tegakan pinus pada daerah kawasan hutan KPH Banyumas Barat, Jawa Tengah.

BAB II

TINJAUAN PUSTAKA

2.1 Penginderaan Jauh

Penginderaan jauh merupakan suatu teknik pengukuran atau perolehan informasi dari beberapa sifat obyek atau fenomena dengan menggunakan alat perekam yang secara fisik tidak terjadi kontak langsung atau bersinggungan dengan obyek atau fenomena yang dikaji (Howard 1996). Lillesand dan Kiefer (1990) mendefinisikan penginderaan jauh ( % ) sebagai ilmu, teknik dan seni guna mengetahui informasi mengenai obyek, daerah atau kejadian melalui analisis data yang diperoleh dengan alat tanpa melakukan kontak langsung dengan obyek, daerah atau kejadian yang dikaji.

Menurut Lindgren (1985), penginderaan jauh merupakan teknik yang dikembangkan untuk memperoleh dan menganalisis informasi tentang bumi. Informasi tersebut berbentuk radiasi elektromagnetik yang dipantulkan atau dipancarkan dari permukaan bumi. Hasil observasi penginderaan jauh yang berupa gambar yang menampakkan suatu objek disebut citra. Citra tersebut kemudian diinterpretasikan guna mengidentifikasi objek dan menilai arti penting objek tersebut (Estes dan Simonett 1975).

Dalam pelaksanaan penginderaan jauh, perlu adanya alat sensor, alat pengolah data, dan alat lain sebagai pendukung. Sensor tidak diletakkan pada objek sehingga perlu adanya wahana atau media sebagai tempat meletakkan sensor tersebut. Wahana yang digunakkan untuk meletakkan sensor tersebut dapat berupa balon udara, pesawat terbang, satelit, atau wahana lainnya (lihat gambar 1). Antara wahana, sensor, dan citra diharapkan berkaitan karena akan mempengaruhi skala yang akan digunakan (Lindgren 1985). Dengan menggunakan wahana tersebut penginderaan jauh dilakukan. Semakin tinggi letak sensor, maka daerah yang terdeteksi akan semakin luas dan informasi yang diperoleh lebih beragam.

Gambar 1 Wahana Penginderaan Jauh

Penginderaan jauh yang menggunakan tenaga alamiah berupa tenaga matahari disebut penginderaan jauh pasif dan hanya dapat beroperasi pada siang hari saat cuaca cerah, sedangkan penginderaan jauh aktif menggunakan sumber tenaga buatan yang dibuat dan dipancarkan dari sensor kemudian dipantulkan kembali ke sensor untuk direkam. Umumnya menggunakan gelombang mikro yang dipancarkan, namun dapat pula menggunakan spektrum tampak dengan sumber tenaga buatan berupa laser (Lindgren 1985).

Komponen dasar pengambilan data penginderaan jauh sistem pasif meliputi sumber tenaga, atmosfer, interaksi tenaga dengan objek di permukaan bumi, sensor, sistem pengolahan data, dan berbagai penggunaan data. Pada penginderaan jauh sistem aktif menggunakan tenaga elektromagnetik yang dibangkitkan oleh sensor Radar ( & ) (Purwadhi 2011).

2.2 Radar

Radar merupakan singkatan dari & . Radar memiliki sumber energi sendiri sehingga dapat beroperasi siang dan malam serta mempunyai kemampuan menembus awan. Oleh karena itu, sistem radar ini disebut dengan penginderaan jauh aktif. Radar memiliki tiga fungsi, yaitu

1. Sensor yang memancarkan gelombang % ' (radio) ke bidang permukaan tertentu;

2. Sensor tersebut menerima beberapa bagian dari energi yang dipancarkan balik ( ) oleh permukaan; dan

3. Sensor ini dapat menangkap kekuatan ( (amplitudo) dan perbedaan waktu ( ( ) dari pancar balik gelombang energi (JICA dan Fakultas Kehutanan IPB 2010).

Pencitraan radar telah berkembang sejak tahun 1978 ketika satelit SEASAT SAR diluncurkan guna memperoleh resolusi spatial yang tinggi dan juga dapat diletakkan pada wahana satelit. SAR dapat bersifat kompetitif dan komplementatif terhadap % radiometer sebagai instrumen penginderaan jauh. Dimulai dengan satelit SEASAT yang bekerja pada band LBHH pada tahun 1978, kemudian NASA meluncurkan SIRBA dan SIRBB pada tahun 1980 – 1990an, lalu ERS 1,3 pada tahun 1992 dan 1995, kemudian JERSB1 pada tahun 1992, dan RADARSATB1 pada tahun 1995. Perkembangan terkini beberapa satelit dengan polarimetrik (HH, HV, VV, dan VH) dan interferometrik atau dikenal sebagai Pol_inSAR penuh telah diluncurkan, seperti ALOS PALSAR tahun 2006 dengan band L, TERRA SARBX dengan band X, dan RadarsarB2 dengan band C. Penggunaan band yang berbeda dari ketiga satelit tersebut diharapkan dapat menyajikan data penginderaan jauh untuk memberikan informasi keadaan lingkungan bumi (JICA dan Fakultas Kehutanan IPB 2010).

Dalam sistem radar, ukuran resolusi spasial pada sebagian besar penginderaan jauh sistem radar dipengaruhi oleh ukuran antena. Pemasangan antena pada sistem radar yang berwahana di udara umumnya terdapat pada bagian bawah pesawat dan diarahkan ke samping yang disebut dengan SLAR (

) atau SLR ( ). Dengan sistem SLAR menghasilkan jalur citra berkesinambungan yang menggambarkan daerah medan luas dan berdekatan dengan jalur terbang (Lillesand dan Kiefer 1990).

Penginderaan jauh sistem radar menggunakan tenaga elektromagnetik berupa pulsa berenergi tinggi yang dibangkitkan pada sensor. Tenaga ini yang dipancarkan dalam waktu yang sangat pendek, yaitu sekitar 10B6 detik. Pancaran gelombang ini diarahkan mengenai objek dan dipantulkan kembali ke sensor

radar. Selanjutnya sensor merekam waktu pancaran gelombang ditransmisikan dan kembali ke sensor serta intensitas balik ( ) panjang gelombang tersebut. Hasil intensitas balik dikonversikan menjadi data dijital dan dikirim ke perekaman data sehingga menjadi citra (Purwadhi 2011).

Dalam sistem radar ini, sinyal ditransmisikan secara tegak/ vertikal (V) dan mendatar/ horisontal (H) dan diterima kembali secara horisontal atau vertikal. Terdapat empat kemungkinan polarisasi sinyal yang ditransmisikan kemudian diterima kembali oleh sensor, yaitu transmisi H terima H (HH), transmisi H terima V (HV), transmisi V terima V (VV), dan transmisi V terima H (VH). Berbagai objek mempengaruhi tingkat polarisasi sinyal sehingga polarisasi sinyal yang dihasilkan mempengaruhi dalam menampilkan kenampakkan suatu objek (Lillesand dan Kiefer 1990).

Besaran dipengaruhi oleh sensor dan objek yang menjadi target. FaktorBfaktor yang mempengaruhi besaran pada sensor, yaitu:

1. Panjang gelombang % ' yang digunakan (band X, C, S, L, dan P),

2. Polarisasi,

3. Sudut pandang dan orientasi, dan 4. Resolusi yang dihasilkan.

Pada objek yang menjadi target, dipengaruhi oleh beberapa faktor, yaitu:

1. Konstanta dielektrik (berupa kelembapan atau kandungan air),

2. Kekasaran, ukuran, dan orientasi objek termasuk biomassa di dalamnya, dan

3. Sudut kemiringan ( ) dan orientasinya (sudut pandang lokal/ ) (JICA dan Fakultas Kehutanan IPB 2010).

Adanya pengaruh topografi terhadap geometri berhubungan dengan unsur spasial citra itu sendiri, sedangkan pengaruh terhadap radiometrik lebih terkait kepada atau % sehingga dapat mempengaruhi tingkat kecerahan ( ) citra. Salah satu metode yang dapat digunakan untuk mengurangi pengaruh topografi terhadap % radar adalah %

dilakukan guna mengoreksi radiometrik pikselBpiksel yang terpengaruh oleh variasi topografi, terutama pada lereng yang menghadap sensor (JICA dan Fakultas Kehutanan 2011).

2.3 ALOS PALSAR

Satelit ALOS merupakan satelit generasi lanjutan dari JERSB1 dan ADEOS yang dilengkapi teknologi yang lebih maju. Satelit buatan jepang ini diluncurkan pertama kali pada tanggal 24 Januari 2006 dengan massa sekitar 4 ton serta memiliki ukuran panjang 4,5 meter; lebar 3,5 meter; dan tinggi 6,5 meter. Satelit ini memiliki tiga instrumen penginderaan jauh, yaitu AVNIRB2 ( )

* + $ % % ,), PRISM ( % %

+ % $ ), dan PALSAR (

).

AVNIR dan PRISM merupakan sensor optik dimana AVNIR dapat dimanfaatkan dalam penyusunan peta penggunaan lahan atau peta vegetasi dengan menggunakan cahaya tampak ( ) dan infra merah dekat ( $ ), sedangkan PRISM memiliki kemampuan untuk membangun data 3 dimensi. PALSAR merupakan sensor radar yang memiliki gelombang mikro aktif dengan frekuensi L band dan memiliki kinerja lebih tinggi dibandingkan sensor SAR ( ) pada satelit JERSB1. Hal ini yang memungkinkan PALSAR dapat melakukan pengamatan suatu objek menembus awan baik siang maupun malam hari (JAXA 2006).

Dengan menggunakan ScanSAR, sebagai salah satu observasinya, memungkinkan sensor PALSAR melakukan pengamatan bumi dengan cakupan areal yang luas, yaitu 250 hingga 350 km. ScanSAR pada PALSAR ini memiliki kemudi berkas cahaya yang diatur pada elevasi (ketinggian) dan didesain untuk memperoleh cakupan yang lebih luas dibandingkan SAR konvensional dengan polarisasi tunggal horisontal (HH) maupun vertikal (HV). Karakteristik PALSAR dapat dilihat pada Tabel 1 sebagai berikut:

Tabel 1 Karakteristik PALSAR

Karakteristik

Mode

- %

. / % 0

Frekuensi 1.270 MHz (LBBand)

Lebar Kanal 14 MHz 14,28 MHz 14 MHz

Polarisasi HH/VV/HH+HV

atau VV+VH HH atau HV HH+HV+VH+VV

Resolusi Spasial 10 m (2 look)/20 m

(4 look) 100 m (multi look) 30 m

Lebar Cakupan 70 km 250B350 km 30 km

Incidence Angle 8B60 derajat 18B43 derajat 8B30 derajat

NE Sigma 0 <B23 dB (70 km)

>B25 dB (60 km) <B25 dB <B29 dB

Panjang Bit 3 bit atau 5 bit 5 bit 3 bit atau 5 bit

Ukuran Antena AZ:8.9 m x EL:2.9 m

(Sumber : Jaxa 2006)

Data citra ALOS PALSAR dapat digunakan untuk pembuatan DEM

(& ), monitoring sumberdaya alam (hutan), monitoring

kebakaran hutan, estimasi kandungan biomassa, mengukur kelembaban tanah, monitoring objekBobjek buatan, kandungan mineral dan bahkan untuk pencarian pesawat dan kapal yang hilang (Ginting # 2003). Selain itu, PALSAR juga digunakan dalam penafsiran dan klasifikasi tutupan lahan serta mengawasi tutupan lahan yang terjadi (Wang # 2007).

2.4 Biomassa

Biomassa merupakan jumlah total dari bahan organik hidup yang dinyatakan dalam berat kering oven ton per unit area (Brown 1997). Biomassa dibedakan menjadi dua kategori, yaitu biomassa atas permukaan (

% ) dan biomassa bawah permukaan ( ' % )#

Menurut Hairiah dan Rahayu S (2007), pendugaan biomassa di atas permukaan tanah dapat diukur dengan menggunakan metode langsung ( ) dan metode tidak langsung ( ). Metode tidak langsung digunakan untuk menduga biomassa vegetasi yang berdiameter ≥ 5 cm, sedangkan metode secara langsung digunakan untuk menduga biomassa vegetasi yang memiliki diameter < 5 cm (vegetasi tumbuhan bawah).

Menurut Brown (1997), terdapat dua pendekatan dalam menduga biomassa suatu pohon, yaitu pendekatan pertama berdasarkan pendugaan volume kulit sampai batang bebas cabang kemudian dirubah menjadi kerapatan biomassa (ton/ha) dan pendekatan kedua dengan menggunakan persamaan regresi biomassa atau dikenal dengan alometrik. Penentuan kerapatan biomassa pada pendekatan kedua menggunakan persamaan regresi biomassa berdasarkan diameter batang pohon. Dasar dari persamaan regresi ini dengan mendekati biomassa rataBrata per pohon menurut sebaran diameter dengan menggabungkan sejumlah pohon yang ada per kelas diameter dan menjumlahkan seluruh pohon total untuk seluruh kelas diameter.

Pendugaan dan pemetaan biomassa hutan melalui pemodelan radiometrik dilakukan dengan cara mengintegrasikan data citra satelit dan data hasil pengukuran pada plotBplot contoh di lapangan. Pada masingBmasing plot contoh dilakukan dua macam proses, yaitu pengolahan nilaiBnilai dijital pada citra dan pengukuran biomassa di lapangan untuk membuat model regresi antara nilaiBnilai dijital pada citra dengan nilaiBnilai biomassa di lapangan. Berdasarkan model regresi tersebut dilakukan pendugaan nilaiBnilai biomassa pada setiap lokasi sehingga dapat diperoleh peta sebaran biomassa di seluruh areal hutan (Lu 2006).

Selain penafsiran, pengolahan citra perlu dilakukan untuk menentukan nilaiB nilai dijital ( % ) ataupun nilaiBnilai transformasinya, misalnya indeks vegetasi pada citra satelit optik atau nilaiBnilai pada citra radar. Untuk citra PALSAR, nilaiBnilai diperoleh dari polarisasi HH dan HV, dimana nilaiBnilai HV cenderung memiliki korelasi yang lebih erat dengan biomassa tegakan dibanding nilaiBnilai HH (Saleh 2010).

2.5 Pinus

% merupakan satuBsatunya jenis pinus yang tumbuh asli di Indonesia. Pohon ini termasuk ke dalam famili Pinaceae. # % ini merupakan jenis pohon serba guna yang dikembangkan secara terus menerus dan diperluas penanamannya pada masa mendatang guna menghasilkan kayu, getah, dan sebagai konservasi lahan (Dahlian dan Hartoyo 1997).

Hampir seluruh bagian pada pohon # % ini dapat digunakan, salah satunya penyadapan pada bagian batang guna memperoleh getahnya. Getah

tersebut selanjutnya diproses lebih lanjut menjadi gondorukem dan terpentin. Gondorukem dapat digunakan sebagai bahan pembuatan sabun, cat, dan resin. Terpentin digunakan sebagai bahan industri parfum, obatBobatan, dan disinfektan. Hasil kayunya dapat bermanfaat untuk kayu konstruksi, korek api, pulp, dan kertas serat panjang.Bagian kulitnya dapat digunakan sebagai bahan bakar dan abunya dapat dimanfaatkan untuk bahan campuran pupuk karena mengandung kalium (Dahlian dan Hartoyo 1997).

Peubah tinggi pada pinus merupakan parameter penting dan memiliki korelasi dengan volume pohon (Sahid 2003). Menurut Spur (1960) dalam Sahid (2003), penaksiran volume pinus menggunakan diameter tajuk sebagai peubah bebas guna melakukan penaksiran volume akan memberikan hasil standar. Bila ditambahkan dengan peubah tinggi sebagai peubah bebas kedua akan memperbaiki hasil taksiran. Begitu pula bila ditambahkan peubah umur. Semakin besar umur tegakan pinus maka semakin besar tinggi dan diameter tegakan tersebut. Adanya penambahan ukuran tinggi dan diameter berkorelasi erat dengan penambahan besar pada volume.

2.6 Penelitian Menggunakan Citra ALOS PALSAR

Penelitian menggunakan ALOS PALSAR telah banyak dilakukan. Daulay (2011) dalam penelitiannya melakukan pengkajian terhadap karakteristik citra ALOS PALSAR pada hutan hujan tropis. Dari hasil penelitiannya diperoleh hasil bahwa nilai suatu dipengaruhi oleh peubah tegakan yang diamati. Peubah tegakan yang mempengaruhi nilai pada citra alos palsar resolusi 50 meter adalah lbds pohon dan biomassa pohon.

Woisiri (2011) juga menggunakan ALOS PALSAR dalam melakukan kajian karakteristik citra pada tegakan hutan tanaman

. Variasi pada tegakan dipengaruhi oleh variasi peubah tinggi (m) untuk citra resolusi 50 meter dan variasi jumlah tajuk (m2/plot) serta jumlah pohon (m) untuk citra PALSAR resolusi 6,25 meter.

Pada penelitian Nurhadiatin (2011) menggunakan PALSAR dalam penafsiran tutupan lahan di Kabupaten Brebes, Cilacap, Ciamis dan Banyumas. Berdasarkan hasil penafsiran PALSAR resolusi 50 meter dan 12,5 meter di daerah

tersebut diketahui bahwa citra resolusi 12,5 meter tidak memberikan penambahan informasi tentang tutupan lahan yang berbeda dan hanya sebatas pada mempermudah identifikasi penutupan lahan serta memperjelas hasil deliniasi tutupan lahan pada citra.

Dalam penelitian pendugaan biomassa di KPH Banyumas Barat oleh Riska (2011) diperoleh informasi bahwa nilai pada citra ALOS PALSAR baik resolusi 50 m maupun resolusi 12,5 m dapat menjelaskan dengan baik kondisi biomassa di lapangan.

BAB III

METODE PENELITIAN

3.1 Waktu dan Tempat

Penelitian ini dilaksanakan di KPH Banyumas Barat (Bagian Hutan Dayeuluhur, Majenang dan Lumbir). Penelitian ini dilakukan dengan mengolah dan menganalisis data sekunder pada bulan September 2011 sampai dengan Januari 2012 di Laboratorium Remote Sensing dan GIS Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor. Data lapang diambil pada bulan November 2010 – April 2011.

3.2 Alat dan Bahan

Alat yang digunakan dalam penelitian ini adalah satu unit komputer dengan aplikasi penunjang berupa $ ' Erdas+% Ver 9.1, ) ' GIS Ver 3.2,

SPSS 16.0, dan $ $$ 2007.

Bahan yang digunakan dalam penelitian ini adalah :

1. Citra ALOS PALSAR tahun perekaman 2009 dengan resolusi spasial 50 m dan 12,5 m daerah Majenang, Jawa Tengah.

Gambar 2 Citra ALOS PALSAR resolusi 50 m (a) dan 12,5 m (b)

2. Data sekunder hasil inventarisasi tegakan pinus ( % Jungh et De

Vriese) dalam kegiatan 1 $

-% +% + $ % 2 tahun 2010

di lokasi KPH Banyumas Barat (Bagian Hutan Dayeuluhur, Majenang, dan Lumbir) dengan unit contoh lingkaran berdasarkan kelas umur.

3. Data informasi petak dan anak petak

3.3 Tahapan Pelaksanaan

Tahapan pelaksanaan secara umum dapat dilihat pada Gambar 3 di bawah :

Gambar 3 Skema penelitian

Selesai Hasil

Inventarisasi Tegakan

Citra ALOS PALSAR

Perhitungan Biomassa dan

Volume

Pengkonversian Nilai Dijital

Dimensi Tegakan (umur& tinggi) dan

Nilai Biomassa

Nilai

"

Overlay Data

Analisis Statistik dan Penyusunan

Model Pendugaan Biomassa _Terbaik Model

Pembuatan Peta Sebaran Biomassa Penghitungan

dan !

Persiapan dan Pengumpulan Data

3.3.1 Pengumpulan Data Lapangan

Penentuan plot contoh di lapangan didasarkan pada keterwakilan masingB masing kelas umur yang tersedia di lapangan. Kelas umur dikelompokkan ke dalam tiga kelompok, yaitu :

a. Kelompok umur muda

Untuk tegakan dengan kelas umur I sampai III. Pengambilan data dilakukan dengan membuat plot lingkaran seluas 0,02 Ha (D 7,29 m).

b. Kelompok umur sedang

Untuk tegakan dengan kelas umur IV sampai VI. Pengambilan data dilakukan dengan membuat plot lingkaran seluas 0,04 Ha (D 11,28 m). c. Kelompok umur tua

Untuk tegakan kelas umur VII sampai VIII, pengambilan data dilakukan dengan membuat plot lingkaran seluas 0,1 Ha (D 17,28 m).

Dalam pengumpulan data lapangan, diambil data umur serta tinggi dari masingBmasing plot contoh yang ada.

3.3.2 Pengolahan Data Lapangan

Pengolahan data lapangan dilakukan untuk menduga biomassa atas permukaan plotBplot yang telah diukur. Pendugaan biomassa atas permukaan dilakukan dengan menggunakan alometrik yang telah tersedia dan menggunakan koefisien BEF.

Pendugaan biomassa atas permukaan menggunakan alometrik yang digunakan dalam penelitian ini adalah :

BAP = 0,0292D2,802 (Heriansyah 2005) Keterangan :

BAP = Biomassa Atas Permukaan D = Diameter (cm)

Pendugaan biomassa atas permukaan menggunakan " % / -(BEF) dilakukan dengan menggunakan rumus :

BAP = V × BEF Keterangan :

BAP = Biomassa Atas Permukaan

Vm = 0,00003179977 × D2,72647 untuk wilayah Bagian Hutan Majenang

Vd = 0,000006910128 × D3,21001999 untuk wilayah Bagian Hutan Dayeuh Luhur Vl = 0,00003922364 × D2,687763 untuk wilayah Bagian Hutan Lumbir

(KPH Banyumas Barat 1995)

BEF = " % / - dengan koefisien 1,4 untuk Pinus pada hutan tropis (IPCC (2003) dalam Heriyanto . (2005)).

Selanjutnya dilakukan uji statistik menggunakan B berpasangan pada hasil perhitungan BEF dan biomassa alometrik untuk menentukan perhitungan biomassa yang akan digunakan pada penelitian ini.

= ̅ − ₒ

d/√n ; = − 1; ₒ = 0

Dengan menggunakan hipotesis uji sebagai berikut :

H0 : µ1 B µ2 = 0 (Biomassa alometrik = BEF)

H1 : µ1 B µ2 ≠ 0 (Biomassa alometrik ≠ BEF)

Model yang dianggap mewakili data dan layak digunakan didasarkan pada thitung dengan kriteria apabila thitung<t(α/2) pada taraf nyata 5% atau nilai

signifikansi > 0,05, maka model pendugaannya layak digunakan dan sebaliknya jika thitung > t(α/2) atau nilai signifikansi <0,05, maka model penduganya kurang

layak digunakan.

3.3.3 Pengolahan Data Citra Analisis

Analisis dalam penelitian ini dilakukan terhadap polarisasi HH dan HV. Nilai dapat diperoleh dengan rumus kalibrasi berikut :

NRCS(dB) = 10 × log10(DN2)+ CF (Shimada 2009) Keterangan :

NRCS = * % 3 4

DN = & * %

CF = 4 - , yaitu B83 untuk HH dan HV 3.3.4 Penyusunan dan Pemilihan Model

Analisis hubungan antara biomassa dengan nilai dilakukan dengan menyusun model hubungan biomassa atas permukaan dengan nilai

a. Model Regresi Linear Berganda Y = a + bX1 + cX2 + dX3

b. Model Kuadratik

Y = a + bX12 + cX22 + dX32

c. Model Eksponensial

Y = Exp (a + bX1 + cX2+ dX3)

Keterangan :

Y = Biomassa Atas Permukaan

X1 = Nilai polarisasi HH atau HV

X2 = Nilai umur

X3 = Nilai tinggi

a,b,c,d = Nilai estimasi parameter

Penyusunan model hubungan biomassa dengan masingBmasing peubah menggunakan metode penentuan berdasarkan kriteria koefisien determinasi yang disesuaikan (R2adj). Dari hasil permodelan akan diketahui

seberapa besar nilai dari masingBmasing peubah tersebut dapat menjelaskan nilai biomassa. Proses menganalisis hubungan nilai dan biomassa dilakukan dengan menggunakan $ ' SPSS 16.0.

Pemilihan model terbaik menggunakan kriteria koefisien determinasi yang disesuaikan (R2adj) dan (RMSE) paling rendah. Semakin

tinggi nilai koefisien determinasi yang terkoreksi (R2adj), maka semakin besar

peranan nilai peubah tersebut dalam menjelaskan nilai biomassa atas permukaan. Selang nilai untuk koefisien determinasi yang terkoreksi (R2adj) adalah 0 – 100%.

Semakin rendah nilai RMSE maka semakin akurat hasil penaksiran yang diperoleh. Berikut perhitungan koefisien determinasi terkoreksi:

2 ₌ / −

/ − 1 100%

Keterangan :

JKS = Jumlah kuadrat sisa JKT = Jumlah kuadrat total (n B p) = derajat bebas sisa (n B 1) = derajat bebas total

Untuk perhitungan kuadrat rataBrata (RMSE) menggunakan persamaan berikut:

MSE = ∑ #$ − #%$ &/ − RMSE = √' ()

Keterangan :

MSE = Kuadrat tengah sisa RMSE = Akar kuadrat tengah sisa yi = Biomassa keBi

y%i = RataBrata biomassa keBi n = Jumlah plot sampel

p = Jumlah parameter yang digunakan

3.3.5 Pembuatan Peta Sebaran Biomassa Atas Permukaan.

Pembuatan peta sebaran dilakukan dengan bantuan $ ' Erdas +% 9.1 dan ) ' 3.2. Peta sebaran dibuat berdasarkan kelas yang telah ditentukan. Penentuan banyaknya jumlah kelas berdasarkan penelitian Riska (2011), yaitu tiga kelas. Pembagian tiga kelas diperoleh berdasarkan distribusi sebaran biomassa di plot pengamatan secara merata.

Pada pemetaan biomassa ini terdapat dua metode pembuatan peta, yaitu menggunakan anak petak dan menggunakan basis piksel. Pemetaan berdasarkan basis piksel dibagi lagi menggunakan $ dan $ . - pada penelitian ini menggunakan % # Proses $ % dilakukan dengan menggunakan bantuan software ERDAS IMAGINE 9.1 dengan menu

. + 5 0. - % ini dilakukan pada

citraBcitra hasil model terbaik yang telah dibuat dalam bentuk . Pada citra model resolusi 50 meter dilakukan $ dengan 1x1, 3x3, dan 5x5, sedangkan pada citra resolusi 12,5 meter digunakan $ dengan 3x3, 5x5, dan 7x7.

3.3.6 Penghitungan dan

Analisis akurasi hasil pengklasifikasian kelas dilakukan dengan menghitung .OA) dan ! (KA) menggunakan rumus berikut :

OA =∑ ,--. /01

2 100%

Keterangan : OA =

Xii = Nilai diagonal dari matriks kontingens baris keBi dan kolom keBi

N = Banyaknya pixel dalam contoh

KA = 3 ∑ 4556 ∑ 457475 8

501 8

501

3)_{6∑ 4}

57475 100% Keterangan :

KA = !

X_:: = nilai diagonal dari matrik kontingensi baris keBi dan kolom keBi X;: = jumlah piksel dalam kolom keBi

X:; = jumlah piksel dalam baris keBi

BAB V

HASIL DAN PEMBAHASAN

5.1 Nilai Biomassa Menurut Persamaan BEF dan Alometrik

Dari hasil perhitungan data lapang, diperoleh biomassa pada masingBmasing kelas umur dengan perhitungan alometrik rataBrata berkisar antara 4,836 ton/ha – 356,363 ton/ha. Biomassa dengan perhitungan alometrik lebih besar dibandingkan nilai biomassa pada BEF dengan kisaran 3,517 ton/ha – 238,955 ton/ ha. Tabel 2 berikut merupakan hasil perhitungan biomassa menggunakan perhitungan BEF dan alometrik.

Tabel 2 RataBrata biomassa lapangan dengan menggunakan BEF dan alometrik

KU

Biomassa (ton/ha)

BEF Alometrik

I 3,517 4,836

II 67,319 100,402

II 112,627 169,300

IV 128,767 189,554

V 174,545 231,883

VI 214,209 298,359

VII 129,043 203,344

VIII 238,955 356,363

Berdasarkan Tabel 2 diperoleh hasil biomassa atas permukaan dengan menggunakan persamaan alometrik berbeda dengan perhitungan biomassa atas permukaan menggunakan koefisien BEF. Menurut Riska (2011) hal ini disebabkan karena perhitungan menggunakan koefisien BEF sifatnya lebih umum untuk jenis pinus pada hutan tropis, sedangkan persamaan alometrik yang digunakan untuk perhitungan biomassa pada penelitian ini sifatnya lebih khusus karena persamaan tersebut dibuat untuk perhitungan pinus pada daerah dengan ketinggian dan topografi yang kurang lebih sama dengan daerah penelitian. Selain itu, dilakukan uji tB berpasangan pada biomassa BEF dan alometrik yang menghasilkan nilai thitung 9,381 lebih besar dibandingkan t(α/2) 2,026 pada taraf

Berdasarkan pernyataan tersebut, selanjutnya perhitungan biomassa menggunakan persamaan alometrik.

5.2 Nilai Resolusi 50 Meter dan 12,5 Meter

Pada pengolahan data citra dilakukan terlebih dahulu pada masingBmasing citra yang digunakan, yaitu citra ALOS PALSAR resolusi 50 meter dan citra ALOS PALSAR resolusi 12,5 meter. Selanjutnya dilakukan pencarian dari hasil perolehan % . Berikut hasil perhitungan nilai yang ditunjukkan pada Tabel 3.

Tabel 3 Hasil nilai resolusi 50 m dan 12,5 m

Resolusi citra Polarisasi

RataBrata HH RataBrata HV

50 meter B5.76 B11.72

12,5 meter B7.84 B13.56

Dari hasil perolehan nilai pada Tabel 3 diketahui resolusi 50 meter dan 12,5 meter memiliki nilai yang berbeda. Perbedaan nilai tersebut dipengaruhi oleh tingkat perbedaan resolusi yang digunakan. Untuk menegaskan pernyataan tersebut dilakukan uji tB berpasangan pada Tabel 4.

Tabel 4 Uji tB berpasangan HH dan HV resolusi 50 m dan 12,5 m

Resolusi citra 12,5 m dan 50 m t hitung t(α/2) Sig

(HH) 3,609 2,026 0,001

(HV) 2,433 2,026 0,020

Berdasarkan hasil uji tB berpasangan pada Tabel 4 diperoleh nilai thitung lebih besar dibandingkan t(α/2) untuk polarisasi HH dan HV

resolusi 50 m dan 12,5 m pada taraf nyata 5%. Sehingga dapat diketahui bahwa nilai resolusi 50 m dan 12,5 m berbeda nyata. Hal tersebut menjelaskan bahwa perbedaan resolusi yang digunakan dapat berpengaruh terhadap besar kecilnya nilai hamburan balik yang diperoleh.

5.3 Hubungan Antara Peubah Biomassa dan Peubah Lain

Sebelum pemilihan model terbaik dilakukan pendugaan korelasi dan multikolinearitas pada masingBmasing peubah yang digunakan guna melihat hubungan antar variabel yang nantinya akan digunakan pada pembuatan model. Berikut merupakan korelasi antara peubah biomassa dan peubah lain yang ditunjukkan pada Tabel 5.

Tabel 5 Korelasi antara peubah biomassa, , umur, dan tinggi

Peubah bebas Biomassa 50 m

HH

50 m HV

12,5 m HH

12,5 m

HH Umur

50 m HH 0,235

50 m HV 0,479 0,895

12,5 m HH 0,375 0,332 0,461

12,5 m HV 0,496 0,117 0,346 0,868

Umur 0,746 0,231 0,490 0,395 0,550

Tinggi 0,782 0,186 0,486 0,642 0,781 0,870

Berdasarkan Tabel 5 dapat diperoleh informasi bahwa peubah , umur, dan tinggi memiliki korelasi positif dengan biomassa. Peubah

12,5 meter menunjukkan hubungan yang lebih erat dengan biomassa dibandingkan nilai pada resolusi 50 meter.

Korelasi yang erat dapat dilihat pada peubah HH 12,5 meter

dengan HV 12,5 meter dan peubah HH 50 meter dengan

HV 50 meter serta pada peubah tinggi dengan umur. Korelasi yang erat ini mengindikasikan adanya multikolinearitas.

Multikolinearitas merupakan adanya hubungan yang sangat erat antara satu peubah bebas dengan peubah bebas lainnya dalam satu model regresi. Hal tersebut dapat menyebabkan koefisien regresi tidak stabil (Irawan 2007). Dalam mengetahui adanya multikolinearitas pada suatu persamaan dapat dilihat dari nilai VIF () + $ Factor) dari peubah yang digunaksn. Nilai VIF yang sangat besar atau (VIF > 5) mempunyai arti bahwa model tersebut mengandung multikolinearitas. Berikut Tabel 6 menunjukkan nilai VIF dari masingBmasing peubah bebas yang digunakan.

Tabel 6 Nilai VIF dari peubah bebas yang digunakan pada resolusi 50 meter

) + $ - (VIF)

Peubah HH HV Umur Tinggi

X1, X2, X3, X4 8,5 10,8 4,2 5,1

X1, X3, X4 1,1 4,2 4,1

X2, X3, X4 1,3 4,2 4,2

X1, X3 1,1 1,1

X2, X3 1,3 1,3

X1,X4 1 1

X2, X4 1,3 1,3

Keterangan : X1 = polarisasi HH, X2 = polarisasi HV, X3 = umur, dan X4 = tinggi

Tabel 7 Nilai VIF dari peubah bebas yang digunakan pada resolusi 12,5 meter

) + $ - (VIF)

Peubah HH HV Umur Tinggi

X1, X2, X3, X4 4,3 6,3 5,2 9

X1, X3, X4 1,5 4,2 4,4

X2, X3, X4 2,3 4,2 5

X1, X3 1,2 1,2

X2, X3 1,4 1,4

X1,X4 1,7 1,7

X2, X4 2,6 2,6

Keterangan : X1 = polarisasi HH, X2 = polarisasi HV, X3 = umur, dan X4 = tinggi

Berdasarkan data Tabel 6 dan Tabel 7 di atas menunjukkan adanya multikolinearitas pada peubah bebas resolusi 50 meter dan 12,5 meter. Multikolinearitas terdapat pada persamaan yang menggunakan peubah polarisasi HH, polarisasi HV, umur, dan tinggi, baik pada resolusi 50 meter maupun resolusi 12,5 meter berdasarkan nilai VIF > 5. Dari informasi nilai VIF di atas dapat diketahui bahwa adanya peubah HH dan HV atau polarisasi gabungan pada satu persamaan menyebabkan terjadi multikolinearitas. Berdasarkan uji multikolinearitas tersebut, maka salah satu peubah dari polarisasi HH atau HV harus dibuat dalam dua persamaan polarisasi yang berbeda guna menghasilkan koefisien regresi yang stabil.

5.3.1 Analisis Regresi Pada Resolusi 50 Meter

Berikut merupakan hasil regresi pendugaan biomassa pada citra resolusi 50 meter yang ditampilkan pada Tabel 8.

Tabel 8 Hasil regresi pada resolusi 50 meter menggunakan peubah

Polarisasi Model R²adj (%) RMSE

HH

Y = 263,057 + 13,071X₁ 2,91 117,39

Y = 228,24 – 1,075X₁² 3,10 117,28

Y = EXP(5,617 + 0,068X₁ ) 2,70 117,52

HV

Y = 456,818 + 22,949X₁ 20,80 106,02

Y = 318,267 – 0,917X₁² 21,18 105,77

Y = EXP(6,466 + 0,107X₁ ) 17,64 108,12

Keterangan : Y = biomassa, X1 =

Pemilihan model terbaik berdasarkan nilai R2 terbesar dan nilai RMSE paling kecil. R2 merupakan nilai koefisien determinasi terkoreksi dan RMSE merupakan nilai bias ( ) rataBrata dari suatu persamaan. Berdasarkan hasil analisis diperoleh permodelan terbaik pada polarisasi HV dengan model kuadratik dengan nilai koefisien determinasi terkoreksisebesar 21,18 % dan RMSE sebesar 105,77. Dari hasil permodelan menggunakan resolusi 50 meter, polarisasi HV merupakan nilai polarisasi terbaik sehingga untuk penyusunan model berikutnya hanya menggunakan polarisasi terbaik saja. Selanjutnya ditambahkan peubah umur pada resolusi 50 meter yang ditampilkan pada Tabel 9 berikut.

Tabel 9 Hasil regresi pada resolusi 50 meter menggunakan peubah dan umur

Polarisasi Model R²adj (%) RMSE

HV

Y = 131 + 7,15X₁ + 7,8X₂ 54,89 80,02

Y = 186 – 0,469X₁² + 0,161X₂² 46,94 86,78

Y = EXP(5,145 + 0,048X₁ + 0,032X₂) 47,13 86,63

Keterangan : Y = biomassa, X1 = , dan X2 = umur

Berdasarkan Tabel 9 regresi terbaik dengan menggunakan peubah dan umur pada citra resolusi 50 meter, yaitu Y = 131 + 7,15X₁ + 7,8X₂ dengan koefisien determinasi terkoreksi sebesar 54,89% dan RMSE sebesar 80,02.

Tabel 10 berikut merupakan tabel hasil permodelan dengan menggunakan peubah dan tinggi pohon.

Tabel 10 Hasil regresi pada resolusi 50 meter menggunakan peubah dan tinggi pohon

Polarisasi Model R²adj (%) RMSE

HV

Y = 44,241 + 6,189X₁ + 11,842X₂ 60,33 75,03

Y = 97,926 – 0,333X₁² + 0,358X₂² 59,30 76,00

Y = EXP(4,332 + 0,044X₁ + 0,071X₂) 58,11 77,12

Keterangan : Y = biomassa, X1 = , dan X3 = tinggi

Berdasarkan Tabel 10 hasil regresi terbaik citra resolusi 50 meter dengan menggunakan peubah dan tinggi menggunakan persamaan linier dengan koefisien determinasi terkoreksi 60,33% dan nilai RMSE sebesar 75,03. Kemudian dilakukan analisis regresi terbaik menggunakan peubah , nilai dan umur untuk pendugaan biomassa yang ditampilkan pada Tabel 11 berikut.

Tabel 11 Hasil regresi pada resolusi 50 meter menggunakan peubah , umur dan tinggi

Polarisasi Model R²adj (%) RMSE

HV

Y = 41,7 + 5,18X₁ + 2,77X₂ + 8,59X₃ 60,64 74,75

Y = 98,7 – 0,318X₁² + 0.03X₂² + 0,317X₃² 59,73 75,60

Y = EXP (4,306 – 0,039X₁ + 0,005X₂ + 0,064X₃) 58,37 76,86

Keterangan :Y = biomassa, X1 = , X2 = umur, dan X3 = tinggi

Berdasarkan hasil regresi pada Tabel 11, dapat diketahui bahwa model terbaik untuk menduga biomassa resolusi 50 meter menggunakan persamaan linier dengan koefisien determinasi terkoreksi sebesar 60,64% dan RMSE 74,75 yang berarti bahwa model regresi linier berganda menggunakan peubah , umur, dan tinggi mampu menjelaskan biomassa atas permukaan dengan alometrik sekitar 60,64%.

Penambahan peubah umur dan tinggi dalam persamaan memberikan penambahan nilai koefisien determinasi terkoreksi pada model yang digunakan. Hal tersebut menandakan bahwa penambahan umur dan tinggi pada permodelan yang dibuat mampu memberikan pendugaan biomassa lebih baik dibandingkan hanya menggunakan peubah . Pernyataan tersebut dapat dilihat dari

penambahan nilai koefisien determinasi terkoreksi dan perubahan nilai RMSE yang semakin kecil.

5.3.2 Analisis Regresi Pada Resolusi 12,5 Meter

Berikut hasil permodelan dalam pendugaan biomassa pada citra resolusi 12,5 meter menggunakan peubah .

Tabel 12 Hasil regresi pada resolusi 12,5 meter menggunakan peubah

Polarisasi Model R²adj (%) RMSE

HH

Y = 469,955 + 40,526X₁ 11,70 111,95

Y = 324,398 – 2,751X₁² 13,98 110,49

Y = EXP(6,462 + 0,178X₁ ) 7,88 114,35

HV

Y = 598,796 + 32,313X₁ 22,50 104,92

Y = 376,226 – 1,142X₁² 23,36 104,29

Y = EXP(7,546 + 0,185X₁ ) 18,77 107,38

Keterangan : Y = biomassa dan X1 =

Berdasarkan Tabel 12, hasil regresi terbaik menggunakan peubah , yaitu persamaan kuadratik pada polarisasi HV dengan nilai koefisien determinasi terkoreksi sebesar 23,36% dan RMSE sebesar 104,29. Polarisasi terbaik pada permodelan di atas menggunakan polarisasi HV sehingga untuk penambahan peubah pada permodelan selanjutnya menggunakan polarisasi HV saja. Pada Tabel 13 berikut merupakan hasil permodelan dengan menggunakan

peubah dan umur.

Tabel 13 Hasil regresi pada resolusi 12,5 meter menggunakan peubah dan umur

Polarisasi Model R²adj (%) RMSE

HV

Y = 341 + 18,6X₁ + 5,49X₂ 62,36 73,09

Y = 263 – 0,672X₁² + 0,123X₂² 57,38 77,78

Y = EXP(7,729 + 0,181X₁ + 0,016X₂) 62,07 73,38

Keterangan : Y = biomassa, X1 = , dan X2 = umur

Berdasarkan hasil regresi menggunakan peubah dan umur pada Tabel 13, model terbaik yang dapat digunakan adalah model regresi linier dengan koefisien determinasi terkoreksi sebesar 62,36% dan RMSE sebesar 73,09. Selanjutnya dilakukan penyusunan model dengan menggunakan peubah

backscatter dan tinggi pada model regresi resolusi 12,5 meter dengan hasil regresi ditunjukkan pada Tabel 14 berikut.

Tabel 14 Hasil regresi pada resolusi 12,5 meter menggunakan peubah dan tinggi

Polarisasi Model R²adj (%) RMSE

HV

Y = 219,492 – 14,483X₁ + 9,025X₂ 63,60 71,89

Y = 159,557 – 0,451X₁² + 0,297X₂² 63,45 71,33

Y = EXP(6,139 + 0,136X₁ + 0,044X₂) 65,29 70,18

Keterangan : Y = biomassa, X1 = , dan X2 = tinggi

Berdasarkan Tabel 14 hasil analisis regresi menggunakan peubah dan tinggi diperoleh model terbaik, yaitu model regresi eksponensial dengan nilai koefisien determinasi terkoreksi sebesar 65,29% dan RMSE sebesar 70,18. Kemudian dilakukan analisis regresi menggunakan peubah , umur dan tinggi dengan hasil regresi ditunjukkan pada Tabel 15 berikut.

Tabel 15 Hasil regresi pada resolusi 12,5 meter menggunakan peubah , umur, dan tinggi

Polarisasi Model R²adj (%) RMSE

HV

Y = 219 + 13,8X₁ + 2,72X₂ + 5,84X₃ 63,96 71,52

Y = 164 – 0,45X₁² + 0,0378X₂² + 0,0243X₃² 63,07 72,40

Y = EXP (3,01 – 0,055X₁ + 0,006X₂ + 0,073X₃) 57,48 77,68

Keterangan : y = biomassa, X1 = , X2 = umur, dan X3 = tinggi

Pada Tabel 15 diketahui hasil permodelan pendugaan biomassa terbaik dengan peubah , umur, dan tinggi menggunakan persamaan linier dengan nilai koefisien determinasi terkoreksi sebesar 63,96% dan nilai RMSE sebesar 71,52. Berdasarkan hasil permodelan tersebut menunjukkan bahwa penambahan peubah umur dan tinggi mempengaruhi pendugaan biomassa dalam permodelan dibandingkan hanya menggunakan peubah saja. Namun data tinggi pohon yang tersedia pada penelitian ini hanya terdapat pada plotBplot pengamatan saja sehingga tidak dapat memberikan informasi keseluruhan data tinggi di wilayah yang diamati. Selain itu, tinggi pohon saat ini hanya dapat

dipetakan menggunakan LIDAR ( & ) sehingga

pemilihan model pendugaan biomassa terbaik untuk pemetaan sebaran biomassa pada penelitian ini menggunakan peubah dengan umur.

5.4 Pemetaan Biomassa dan Analisis Akurasi

Pemetaan dilakukan dengan menggunakan model terpilih. Sebelum dilakukan pemetaan terlebih dahulu dilakukan pembagian kelas untuk memperoleh dugaan terbaik dari pembagian kelas yang dilakukan. Berikut grafik pembagian kelas biomassa berdasarkan sebaran plot.

Gambar 5 Grafik distribusi kelas biomassa

Dari grafik distribusi kelas biomassa di atas dapat diketahui bahwa selang nilai biomassa pada kelas 1 antara 2,7 ton/ha – 129 ton/ha, kelas 2 antara 130 ton/ha – 238 ton/ha, dan selang nilai biomassa pada kelas 3 antara 239 ton/ha – 506,4 ton/ha. Selanjutnya dilakukan akurasi dari peta sebaran biomassa berdasarkan pemilihan model terbaik. Berikut hasil akurasi pendugaan biomassa pada resolusi 50 meter dan 12,5 meter yang ditunjukkan pada Tabel 16 dan Tabel 17.

Tabel 16 Hasil perhitungan ! dan resolusi 50 meter

Anak Petak

-1x1 3x3 5x5

OA(%) KA(%) OA(%) KA(%) OA(%) KA(%) OA(%) KA(%)

34,21 3,94 42,11 14,87 42,11 14,87 42,11 14,95

0 50 100 150 200 250 300 350 400 450 500 550 B iom as sa ( ton/ ha )

Tabel 17 Hasil perhitungan ! dan resolusi 12,5 meter

Anak Petak

-3x3 5x5 7x7

OA(%) KA(%) OA(%) KA(%) OA(%) KA(%) OA(%) KA(%)

63,16 35,59 60,53 41,36 65,79 49,54 71,05 56,95

Berdasarkan hasil akurasi pada Tabel 16 dan Tabel 17 diketahui bahwa pemetaan menggunakan basis piksel, baik pada resolusi 50 meter maupun resolusi 12,5 meter, menghasilkan nilai akurasi yang lebih baik dibandingkan pemetaan menggunakan anak petak. Nilai ! (KA) terbaik untuk resolusi 50 meter, yaitu pada $ 5x5 sebesar 14,95%, sedangkan untuk resolusi 12,5 meter pada $ 7x7 sebesar 56,95%. Sebagian besar kesalahan saat pengakurasian, yaitu menduga biomassa di plot merupakan kelas 1, namun di lapangan masuk ke dalam kelas 2. Pada hasil penelitian Riska (2011) dalam pendugaan biomassa di KPH Banyumas Barat dengan peubah , hasil uji akurasi biomassa menggunakan KA pada pemetaan terbaik sebesar 54,32% lebih kecil dibandingkan nilai KA dengan penambahan peubah umur pada penelitian ini, yaitu sebesar 56,95%. Berdasarkan uji akurasi tersebut diketahui bahwa penambahan umur pada penelitian ini dapat meningkatkan nilai akurasi dalam pemetaan biomassa.

Berdasarkan hasil uji akurasi pada Tabel 16 dan Tabel 17 menjelaskan bahwa tingkat resolusi citra mempengaruhi nilai akurasi pemetaan terhadap biomassa. Semakin tinggi resolusi yang digunakan, semakin besar pengaruhnya terhadap tingkat ketelitian akurasi serta besar nilai pendugaan biomassa. Peta sebaran biomassa resolusi 50 meter hasil akurasi menggunakan anak petak dan $ dapat dilihat pada Gambar 6 dan Gambar 7 berikut.

Gambar 6 Peta sebaran biomassa di KPH Banyumas Barat resolusi 50 meter berdasarkan anak petak

Gambar 7 Peta sebaran biomassa di KPH Banyumas Barat resolusi 50 meter

Dari hasil distribusi biomassa pada Gambar 6 dan Gambar 7 menunjukkan bahwa citra resolusi 50 meter didominasi oleh kelas biomassa tiga, baik pada peta sebaran biomassa menggunakan anak petak maupun peta sebaran biomassa menggunakan basis piksel. Hal tersebut menerangkan bahwa kedua jenis peta di atas memiliki sebaran kelas biomassa serupa yang didominasi oleh kelas tiga dan secara umum memiliki sebaran kelas biomassa yang kurang lebih sama.

Pada Gambar 6, penampakkan citra sebaran biomassa masih banyak generalisasi dibandingkan citra sebaran biomassa menggunakan basis piksel pada gambar 7. Hal tersebut disebabkan luasan rataBrata untuk pemetaan menggunakan anak petak lebih besar dibandingkan pemetaan menggunakan basis piksel. Luasan rataBrata anak petak sekitar 36,7 ha atau 367.000 m2, sedangkan pada pemetaan basis piksel terbaik resolusi 50 meter dengan $ 5×5 sekitar 6,25 ha atau 62.500 m2. Perbedaan luasan rataBrata kedua metode sebaran biomassa tersebut yang menimbulkan perbedaan citra yang ditampilkan dari masingBmasing metode pemetaan. Selanjutnya hasil pemetaan sebaran biomassa resolusi 12,5 meter dengan menggunakan basis anak petak dan basis piksel yang ditunjukkan pada Gambar 8 dan Gambar 9.

Gambar 8 Peta sebaran biomassa di KPH Banyumas Barat resolusi 12,5 meter berdasarkan anak petak

Gambar 9 Peta resolusi sebaran biomassa di KPH Banyumas Barat 12,5 meter

$ 7x7

Berdasarkan hasil peta sebaran biomassa pada Gambar 8 dan Gambar 9 dapat dilihat bahwa resolusi 12,5 meter didominasi oleh biomassa kelas tiga. Pemetaan pada resolusi 12,5 meter, baik menggunakan anak petak maupun basis piksel, memiliki distribusi kelas biomassa yang serupa, yaitu didominasi oleh kelas biomassa tiga. Peta sebaran biomassa menggunakan anak petak pada Gambar 8 lebih general dengan luasan rataBrata sekitar 36,7 ha atau 367.000m2, sedangkan sebaran biomassa menggunakan basis piksel terbaik dengan $

7×7 memiliki luasan rataBrata sekitar 0,7 ha atau 7.00 m2. Oleh karena itu, pemetaan dengan menggunakan basis piksel lebih detail karena ukuran luasan yang lebih kecil sehingga lebih akurat dalam memetakan biomassa.

Selanjutnya dibuat matriks konfusi antara model pemetaan terbaik resolusi 50 meter dengan model pemetaan terbaik resolusi 12,5 meter untuk melihat seberapa besar perbedaan kedua citra resolusi tersebut. Berikut hasil matriks konfusi kedua citra resolusi yang ditunjukkan pada Tabel 18.

Tabel 18 Matriks konfusi resolusi 50 meter dan 12,5 meter

Bentuk

12,5 meter

_{Kelas1 Kelas 2 Kelas 3 Total}

50 meter

Kelas1 1.105 2.635 529

Kelas 2 1.428 1.182 1.553

Kelas 3 1.121 6.449 1.805

_{Total 17.807}

Berdasarkan Tabel 18 resolusi 12,5 meter diasumsikan lebih teliti pendugaannya sehingga dianggap sebagai 6 (PA) dan resolusi 50 meter sebagai 6 (UA). Matriks konfusi ini dapat mengetahui besar ketelitian akurasi antara citra resolusi 50 meter terhadap citra resolusi 12,5 meter. Berdasarkan data matriks konfusi Tabel 18 diketahui bahwa biomassa kelas 1 memiliki 1.105 piksel yang sama antara resolusi 50 meter dan 12,5 meter dari 3.654 jumlah piksel yang dikelaskan sebagai kelas 1 atau sekitar 30,24% jumlah piksel yang benar untuk PA kelas 1. Pada biomassa kelas 2 terdapat 1.182 piksel yang sama dari 10.266 piksel yang dikelaskan sebagai biomassa kelas 2 atau sekitar 11,51% jumlah piksel yang benar untuk PA kelas 2. Kemudian untuk biomassa kelas 3 terdapat 529 piksel yang sama dari 1.805 jumlah piksel yang dikelaskan sebagai kelas 3 atau sekitar 46,43% jumlah piksel yang benar untuk PA kelas 3. Dari penjelasan tersebut dapat diketahui bahwa kesalahan pengkelasan biomassa paling banyak antara resolusi 50 meter dan 12,5 meter, yaitu pada kelas biomassa 2.

Banyaknya piksel yang sama dari masingBmasing kelas biomassa selanjutnya dijumlahkan dan diperoleh jumlah piksel yang benar sebanyak 4.092 piksel antara resolusi 50 meter dengan resolusi 12,5 meter atau sekitar 22,98%. Ini berarti citra resolusi 50 meter mampu menjelaskan citra resolusi 12,5 meter sebesar 22,98% berdasarkan OA. Pada Gambar 10 berikut menampilkan secara visual perbedaan spasial antara resolusi 50 meter dan 12,5 meter.

Keterangan : Kelas 3

: Kelas 2

Gambar 10 Sebaran kelas biomassa antara (a) resolusi 50 meter dan (b) resolusi12,5 meter

Berdasarkan Gambar 10 di atas terlihat adanya perbedaan antara sebaran kelas biomassa pada resolusi 50 meter dan 12,5 meter. Wilayah yang dianggap kelas dua pada resolusi 50 meter ternyata merupakan kelas tiga pada resolusi 12,5 meter. Hal tersebut menunjukkan bahwa perbedaaan resolusi akan mempengaruhi keakuratan pendugaan biomassa. Semakin tinggi resolusi yang digunakan, maka seharusnya akan menghasilkan tingkat ketelitian yang lebih baik dibandingkan resolusi di bawahnya.

BAB IV

KONDISI UMUM LOKASI

Perhutani KPH Banyumas Barat merupakan salah satu dari 20 KPH yang ada di Jawa Tengah. KPH Banyumas Barat mengelola hutan di wilayah administratif Kabupaten Banyumas dan Kabupaten Cilacap dengan luas areal kerja sebesar 55.546,2 Ha yang terdiri atas 5 Bagian Hutan (BH), yaitu BH Dayeuluhur, BH Majenang, BH Lumbir, BH Sidareja, dan BH Cilacap. Bagian Hutan ini kemudian dibagi menjadi 8 BKPH (Bagian Kesatuan Pemangkuan Hutan) yaitu BKPH Lumbir, BKPH Majenang, BKPH Sidareja, BKPH Wanareja, BKPH Bokol, BKPH Kawunganten, BKPH Rawa Timur dan BKPH Rawa Barat.

4.1 Letak Administratif

KPH Banyumas Barat secara administratif kawasan hutannya masuk pada wilayah administratif Kabupaten Banyumas (8.235,80 Ha) dan Kabupaten Cilacap (47.310,40 Ha).

4.2 Topografi

Topografi wilayah kawasan hutan KPH Banyumas Barat cukup beragam. Setiap bagian hutan memiliki konfigurasi lapangan datar, kawasan berlereng, sangat berombak/bergelombang dan berbukit. Elevasi kawasan hutan KPH Banyumas Barat berkisar antara ketinggian 7 mdpl – 1.347 mdpl.

4.3 Iklim dan Tanah

KPH Banyumas Barat mempunyai iklim tropis basah. RataBrata suhu bulanan 26,3º C dengan suhu minimal 24,4º C dan suhu maksimal 30,9º C. Tipe iklim di Kabupaten Banyumas menurut Smith Ferguson adalah tipe B (basah) dengan curah hujan 3.500 mm/thn.

Jenis tanah yang terdapat di KPH Banyumas Barat didominasi oleh jenis latosol merah kekuningan, latosol coklat, podsolik merah, dan aluvial kelabu kekuningan yang tersebar di tiga bagian hutan KPH Banyumas Barat, yaitu Bagian Hutan Dayeuluhur, Bagian Hutan Lumbir, dan Bagian Hutan Majenang.

4.4 Tutupan Lahan

Kawasan hutan KPH Banyumas Barat terdiri atas tutupan lahan berupa hutan, lahan pertanian, perkebunan dan pemukiman. Tutupan lahan berupa hutan didominasi oleh hutan tanaman khususnya jenis pinus. Terdapat pula hutan tanaman jenis lain seperti mahoni, jati dan salam. Selain itu, terdapat pula pemukimanBpemukiman masyarakat di sekitar hutan baik itu di batas luar kawasan hutan maupun yang berada dalam kawasan hutan.

4.5 Kelas umur

Penelitian ini dilakukan pada tiga bagian hutan (BH), yaitu BH Dayeuluhur, BH Majenang, dan BH Lumbir. Berikut peta sebaran kelas umur pada tiga bagian hutan yang disajikan pada Gambar 4.

Gambar 4 Peta sebaran kelas umur

Berdasarkan Gambar 4 diketahui bahwa lokasi penelitian ini didominasi oleh Kelas Umur I dan Kelas Umur VII. Kelas Umur I memiliki luas 3.825,566 Ha, Kelas Umur II memiliki luas 367,8 Ha, Kelas Umur III memiliki luas 846,541 Ha, Kelas Umur IV memiliki luas 873,174 Ha, Kelas Umur V memiliki luas 1.651,375 Ha, Kelas Umur VI memiliki luas 2.783,621 Ha, Kelas Umur VII memiliki luas 6.225,457 Ha, dan Kelas Umur VIII memiliki luas 479,158 Ha.

BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan

1. Penggunaan peubah bebas berupa , umur, dan tinggi dalam model pendugaan biomassa (Y) dapat memperbaiki ketelitian pendugaan biomassa tegakan pinus.

2. Model terbaik dengan peubah bebas (X1), umur (X2), dan tinggi

(X3), yaitu Y = 41,7 + 5,18X1 + 2,77X2 + 8,59X3 dengan nilai R²adj sebesar

60,64% untuk resolusi 50 meter dan Y = 219 + 13,8 X1 + 2,72 X2 + 5,84

X3 dengan nilai R²adj sebesar 63,96% untuk resolusi 12,5 meter.

3. Model terbaik dengan menggunakan peubah (X1) dan umur (X2)

pada resolusi 50 meter, yaitu Y = 131 + 7,15X₁ + 7,8X₂ dengan nilai R²adj

sebesar 54,89%, sedangkan untuk resolusi 12,5 meter Y = 341 + 18,6X₁ ₊ 5,49X₂ _{dengan nilai R²adj sebesar 62,36%.}

4. Model terbaik dengan menggunakan peubah (X1) dan tinggi

(X2) pada resolusi 50 meter, yaitu Y = 44,241 + 6,189X₁ + 11,842X₂

dengan nilai R²adj sebesar 60,33%, sedangkan untuk resolusi 12,5 meter Y =

EXP(6,139 + 0,136X₁ + 0,044X₂) dengan nilai R²adj sebesar 65,29%.

5. Dari hasil penelitian diketahui bahwa pemetaan sebaran biomassa menggunakan basis piksel lebih baik dibandingkan pemetaan menggunakan anak petak.

6. Perbedaan resolusi citra antara 50 meter dengan resolusi 12,5 meter memiliki perbedaan akurasi yang cukup jelas berdasarkan matriks konfusi. Citra resolusi 50 meter mampu menggambarkan citra resolusi 12,5 meter sebesar 22,98%.

6.2 Saran

Perlu adanya penelitian lebih lanjut dengan menambahkan peubah lain yang erat hubungannya dengan biomassa. Penelitian dapat dilakukan pada lokasi yang sama dan juga di lokasi yang berbeda untuk menguji apakah penambahan peubah lain dapat meningkatkan pendugaan biomassa atas permukaan di lapangan.

PENDUGA

MENGGUNAKA

KASUS DI KP

DEPA

INSTI

DUGAAN BIOMASSA TEGAKAN PINU

AKAN BACKSCATTER ALOS PALSAR

DAN TINGGI TEGAKAN:

DI KPH BANYUMAS BARAT, JAWA TEN

ADITYA PRADHANA

EPARTEMEN MANAJEMEN HUTAN

FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR

2012

PINUS

LSAR, UMUR,

A TENGAH

DAFTAR PUSTAKA

Brown S.1997. % " % " % 4 $ - , USA:

FAO Forestry Paper no.134

Dahlian E, Hartoyo. 1997. Komponen Kimia Terpentin dari Getah Tusam ( % ) Asal Kalimantan Barat. Info Hasil Hutan. "

% ! # Bogor. 4(1): 38B39.

Daulay S. 2011. Kajian Karakteristik Backscatter Citra Alos Palsar Pada Hutan Hujan Tropis [Thesis]. Bogor: Departemen Manajemen Hutan Fakultas Kehutanan, IPB.

Estes JE, Simonett SD. 1975. - % $ +% + 7 $

% . Vol 1, First Edition. R.G. Revees: edBinBchief, American Society of Fotogrammetry, Falls Chourch, Virginia.

Ginting RB, Untoro, Indriawan K. 2003. Laporan Kajian Satelit Masa Depan – ALOS. Pusat Pengembangan Pemanfaatan dan Teknologi Penginderaan Jauh, Deputi Bidang Penginderaan Jauh. LAPAN.

Hairiah K dan Rahayu S. 2007. Pengukuran ‘karbon tersimpan’ di berbagai macam penggunaan lahan. Bogor. 8 $ 4 – ICRAF, SEA $$ , 9 $Brawijaya, Unibraw, Indonesia. 77p. Heriansyah I. 2005. Potensi Hutan Tanaman Industri dalam Mensequester

Karbon: Studi kasus di Hutan Tanaman Akasia dan Pinus. Inovasi Online Edisi Vol.3/XVII/Maret 2005.

Heriyanto NM, Siringoringo HH, Miyakuni K, Yoshiyuki K.. Di dalam : Dr. Ngaloken G, Dr. Hari R, editor How To Increase the Welfare og Local People Through the Sustainable Forest Management. $ ,

8 & % 4 - / - %

+ ; Bogor, 11 Januari 2005. Bogor: FORDA, JICA. 2005. hlm 25B 31.

Howard JA. 1991. % $ - . .

London. Chapman and Hall. 420 p

Irawan WSB. 2007. Penyusunan Model Penduga Produksi Kopal (

$ . di BKPH Senduro KPH Probolinggo Perum Perhutani Unit II Jawa Timur) [Skripsi]. Bogor: Departemen Manajemen Hutan Fakultas Kehutanan, IPB.

JAXA. 2006. PALSAR : Phased Array type LBband Synthetic Aperture Radar. http://www.eorc.jaxa.jp/ALOS/en/about/palsar.htm. (23 Desember 2011). JICA dan Fakultas Kehutanan IPB. 2010. $ 4

9 : ; + . Jakarta: JICA,

KPH Banyumas Barat. 1995. Tabel Volume Lokal Pinus Tebang Penjarangan (E). Jawa Tengah : KPH Banyumas Barat.

Lillesand TM, Kiefer RW. 1990. < + 4 .

Diterjemahkan oleh Dulbari . Yogyakarta: Gadjah Mada University Press.

Lindgren DT. % # Doldrecht: Martinus

Nijhoff. Publisher, 1985.

Lu D. 2006. The potential and challenge of remote sensingBbased biomass

estimation. + < $ % 27: 1297–1328.

Nurhadiatin N. Aplikasi dan Evaluasi Citra Alos Palsar Resolusi 50 M dan 12,5 M Untuk Identifikasi Tutupan Lahan (Studi Kasus di Kabupaten Brebes, Cilacap, Banyumas Dan Ciamis) [Skripsi]. Bogor: Departemen Manajemen Hutan Fakultas Kehutanan, IPB.Purwadhi SH. 2001. Interpretasi Citra Digital. Jakarta : Grasindo.

Ravindranath NH, Ostwald M. 2008# 4 + 7 ; $

= = + ( 4 '

. Springer, 304 pp#

Riska A. 2011. Pendugaan Biomassa Atas Permukaan Pada Tegakan Pinus ( % Jungh et de Vriese) Menggunakan Citra Alos Palsar Resolusi Spasial 50 m dan 12,5 m (Studi Kasus di Kph Banyumas Barat) [Skripsi]. Bogor: Departemen Manajemen Hutan Fakultas Kehutanan, IPB.

Saleh MB. 2010. Citra radar. Dalam Modul Pelatihan Penggunaan ALOS PALSAR dalam Pemetaan Penutupan Lahan/Hutan. Japan International Cooperation Agency dan Fakultas Kehutanan IPB. Tidak dipublikasikan. Shimada M, Isoguchi O, Tadano T, Isono K. 2009. PALSAR Calibration Factor

Updated. http://auig.eoc.jaxa.jp/auigs/en/doc/an/200901109en_3.html. [25 Desember 2011]

Wang Q, Ling F, Wang X, Chen Y, Chen H. 2007. Land Use/Land Cover Change Monitoring Using ALOS PALSAR Datain Fuzhou, China. http://www.eorc. jaxa.jp/ALOS/conf/Proc_PIsymp2007/contents/proceedings/LULC/LUG05. pdf. [24 Januari 2011].

Sahid. 2003. ) % %

-9 "! ; ' ! ; ! ( % 9 +

< ' . RIMBA Kalimantan Fakultas Kehutanan Unmul, Juni 2003.

Vol 8: 30B36.

Woisiri A. 2011. Kajian Karakteristik Backscatter Citra Alos Palsar Pada Tegakan

Hutan Tanaman [Thesis]. Bogor: Departemen

PENDUGA

MENGGUNAKA

KASUS DI KP

DEPA

INSTI

DUGAAN BIOMASSA TEGAKAN PINU

AKAN BACKSCATTER ALOS PALSAR

DAN TINGGI TEGAKAN:

DI KPH BANYUMAS BARAT, JAWA TEN

ADITYA PRADHANA

EPARTEMEN MANAJEMEN HUTAN

FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR

2012

PINUS

LSAR, UMUR,

A TENGAH

DAN TINGGI TEGAKAN:

KASUS DI KPH BANYUMAS BARAT, JAWA TENGAH

ADITYA PRADHANA

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada

Departemen Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor

DEPARTEMEN MANAJEMEN HUTAN

FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR

2012

ADITYA PRADHANA. E14070116. 2012. Pendugaan Biomassa Tegakan Pinus Menggunakan Backscatter ALOS PALSAR, Umur, dan Tinggi Tegakan: Kasus di KPH Banyumas Barat, Jawa Tengah. Skripsi. Manajemen Hutan, Institut Pertanian Bogor. Dibimbing oleh M. BUCE SALEH.

Seiring dengan berkembangnya teknologi informasi, pendugaan potensi terhadap biomassa dapat dilakukan menggunakan metode penginderaan jauh. Pada tahun 2006, pemerintah Jepang meluncurkan satelit ALOS (

) yang membawa sensor radar. Salah satu jenis sensornya,

yaitu PALSAR ( ) dapat

digunakan untuk menduga biomassa suatu tegakan.

Pada penelitian Riska (2011), nilai pada citra ALOS PALSAR resolusi 50 m dan 12,5 m dapat menjelaskan dengan baik kondisi biomassa di lapangan. Namun pada penelitian ini ditambahkan peubah lain berupa umur dan tinggi pohon yang diharapkan mampu memperbaiki tingkat pendugaan biomassa atas permukaan yang lebih baik.

Perhitungan biomassa dilakukan dengan menggunakan persamaan alometrik. Adanya penelitian ini bertujuan untuk (1) Menganalisis penambahan peubah umur dan tinggi dalam pendugaan biomassa atas permukaan, dan (2) Memetakan pendugaan biomassa pinus menggunakan anak petak dan basis piksel. Analisis dalam penelitian ini dilakukan terhadap dua polarisasi citra, yaitu HH dan HV. Pemilihan model terbaik dinilai berdasarkan parameter nilai koefisien determinasi yang disesuaikan (R2 ), nilai

(RMSE) paling rendah serta nilai dan ! paling

tinggi.

Penambahan umur dan tinggi mampu menduga biomassa atas permukaan lebih baik. Dari analisis model terbaik menggunakan peubah backscatter, umur, dan tinggi yang dicobakan untuk menduga biomassa diperoleh hasil, Y = 41,7 + 5,18X1 + 2,77X2 + 8.59X3 dengan nilai R2adj sebesar 60,64% dan RMSE 74,75

untuk resolusi 50 meter dan Y = 219 + 13,8 X1 + 2,72 X2 + 5,84 X3 dengan nilai

R2adj sebesar 63,96% dan RMSE 71,52 untuk resolusi 12,5 meter.

Pada pemetaan sebaran biomassa menggunakan model dengan peubah dan umur. Model yang digunakan untuk pemetaan biomassa, yaitu Y = 131 + 7,15X₁ + 7,8X₂ dengan nilai R2adj sebesar 54,89%, sedangkan untuk

resolusi 12,5 meter Y = 341 + 18,6X₁ + 5,49X₂ dengan nilai R2adj sebesar 62,36%.

Dari hasil penelitian diketahui bahwa pemetaan sebaran biomassa menggunakan basis piksel lebih baik dibandingkan pemetaan menggunakan anak petak berdasarkan uji akurasi.

ADITYA PRADHĀNA. E14070116. 2012. Estimation of the Pine Biomass Using Backscatter of ALOS PALSAR, Age, and Height of Stands: Case at KPH Banyumas Barat, Central Java. Report. Forest Management, Bogor Agricultural University. Supervised by M. BUCE SALEH.

Along with the development of information technology, the potential of biomass estimation can be done by using remote sensing methods. In 2006, the Government of Japan launched satellite ALOS (Advanced Land Observing Sattelite) which carries radar sensor. One of the types of sensors are, namely the PALSAR (Phased Array Type LBband Shynyhetic Aperture Radar) which can be use to predict biomass of a forest.

On the research of Riska (2010), backscatter value at the image of ALOS PALSAR resolution 50 m and 12.5 m can be explained with good the conditions of biomass in the field. But in this study the other variables be added. The added variables are age and height of the tree which expected to improve the accuracy’s level of aboveBground biomass estimation.

Calculation of biomass in this study using the alometrik equation. This research aims are to (1) analyzing the addition of variables age and height to estimate of aboveBground biomass and (2) mapping the estimation of pine biomass using areal base and pixel base. Backscatter analysis in this research carried out two polarization image, they are HH and HV polarization. Selection of the best models are based on the parameter value of the coefficient of determination adjusted (R2adj) and the lowest value of the Root Mean Square Error

(RMSE) then the highest value of the Overall Accuracy and Kappa Accuracy. The addition of age and height are able to predict aboveBground biomass better than only use backscatter. Best analysis of model by using backscatter, age, and height variables obtained predict results, Y = 41.7 + 5.18X1 + 2.77X2 +

8.59X3 with a value of R2adj 60.64% and RMSE 74.75 for image with 50 m spatial

resolution and Y = 219 + 13.8 X1 + 2.72 X2 + 5.84 X3 with a value of R2adj

63.96% and RMSE 71.52 for image with 12.5 m spatial resolution.

In mapping the distribution of biomass using a model with a backscatter and age variables. Model used for biomass mapping for image with 50 m spatial resolution Y = 131 + 7.15 X1 + 7.8X₂ with values of R2adj 54.89%, while image

with 12.5 m spatial resolution Y = 341 + 18.6 X ₁ + 5.49 X2 with values of R2adj

62.36%. From the result of this research, map distribution of biomass using pixel base is better than using areal base according to test of accuracy.

Judul Skripsi : Pendugaan Biomassa Tegakan Pinus Menggunakan Backscatter ALOS Palsar, Umur, dan Tinggi

Tegakan: Kasus di KPH Banyumas Barat, Jawa Tengah

Nama Mahasiswa : ADITYA PRADHANA Nomor Pokok : E14070116

Menyetujui : Dosen Pembimbing,

(Dr. Ir. Muhamad Buce Saleh, MS) NIP. 1957 1005 1983 031 002

Mengetahui :

Ketua Departemen Manajemen Hutan

(Dr. Ir. Didik Suharjito, MS) NIP. 1963 0401 1994 031 001

PERNYATAAN

Dengan ini saya menyatakan bahwa skripsi berjudul Pendugaan Biomassa Tegakan Pinus Menggunakan Backscatter ALOS PALSAR, Umur, dan Tinggi Tegakan: Kasus di KPH Banyumas Barat, Jawa Tengah adalah benarBbenar hasil karya saya sendiri dengan bimbingan dosen pembimbing dan belum pernah digunakan sebagai karya ilmiah di perguruan tinggi atau lembaga manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis telah disebutkan dalam teks dan dicantumkan dalam daftar pustaka di bagian akhir skripsi ini.

Bogor, Maret 2012

Aditya Pradhana NRP. E14070116

RIWAYAT HIDUP

Penulis dilahirkan pada tangal 25 Oktober 1989 di Jakarta. Penulis adalah anak pertama dari dua bersaudara pasangan Bapak Toto Swastarif dan Ibu Endang Sriwigati. Penulis menyelesaikan pendidikan dasar di SDN Karawaci Baru 2 Tangerang lulus tahun 2001, pendidikan menengah pertama di SLTP Negeri 9 Tangerang lulus tahun 2004, dan pendidikan menengah atas di SMA Pramita Tangerang lulus tahun 2007. Pada tahun yang sama, penulis diterima di IPB melalui jalur SPMB (Seleksi Penerimaan Mahasiswa Baru) diterima di Departemen Manajemen Hutan, Fakultas Kehutanan.

Selama menjadi mahasiswa, penulis pernah menjadi asisten mata kuliah Inventarisasi Sumber Daya Hutan tahun ajaran 2009B2010 dan Tehnik Inventarisasi Sumber Daya Hutan tahun ajaran 2011B2012. Selain itu, penulis juga aktif sebagai anggota divisi Media Komunikasi (Medikom) Forest Management Student Club (FMSC) tahun 2009B2010, ketua divisi Media Komunikasi (Medikom) Forest Management Student Club (FMSC) tahun 2010B2011, dan Pengurus Cabang Sylva IPB sebagai anggota divisi Informasi dan Komunikasi (Infokom) periode 2010B2011. Penulis juga aktif berpatisipasi dalam berbagai kepanitiaan kegiatan kemahasiswaan di Institut Pertanian Bogor.

Penulis melakukan kegiatan Praktek Pengenalan Ekosistem Hutan (PPEH) di Cikeong dan Burangrang, Jawa Barat pada tahun 2009; Praktek Pengelolaan Hutan (PPH) di Hutan Pendidikan Gunung Walat (HPGW), Sukabumi dan KPH Cianjur Jawa Barat pada tahun 2010 dan Praktek Kerja Lapang (PKL) di areal Izin Usaha Pemanfaatan Hasil Hutan KayuBHutan Alam (IUPHHKBHA) PT. Erna Djuliawati yang berada di wilayah Kecamatan Seruyan Hulu, Kabupaten Seruyan, Provinsi Kalimantan Tengahpada tahun 2011.

UCAPAN TERIMA KASIH

Pada kesempatan ini penulis mengucapkan terima kasih yang sebesarB besarnya kepada :

1. Orang tua penulis Bapak Toto Swastarif dan Ibu Endang Sriwigati, adik penulis Istifari Dian Paramita, Tante Septiana Mediawati dan Eyang Sudiarti serta keluarga besar penulis untuk dukungan dan kasih sayangnya,

2. Dr. Ir. M. Buce Saleh, MS selaku dosen pembimbing, atas segala kesabarannya telah membimbing penulis dan senantiasa menjadi bapak yang baik bagi penulis,

3. Prof. Dr. I Nengah Surati Jaya, M.Agr dan Dr. Dra. Nining Puspaningsih, M.Si,

4. Prof. Dr. Ir. Surdiding Ruhendi, M.Sc selaku dosen penguji dari Departemen Teknologi Hasil Hutan dan Dr. Ir. Emi Karminarsih, MS selaku ketua sidang, 5. Dr. Ir. Juang Rata Matangaran, MS selaku dosen pemeriksa,

6. Bapak Uus Saepul M. dan Edwine Setia P. atas segala bimbingan yang diberikan kepada penulis,

7. Seluruh dosen dan staf Departemen Manajemen Hutan,

8. Khairunnisa, S.TP atas kesetiaan dan dukungan serta motivasi yang selalu diberikan kepada penulis,

9. Tantri Janiatri, Monika Turana, dan Aditya Sani Sasmita atas bantuan dan kerjasamanya selama ini,

10. Keluarga besar lab. Remote Sensing dan GIS : Ahsana Riska, Faris Salman, Risa Syarif, Anom K., I Putu Indra D., I Putu Ananta, Ratih S.M., Nurindah R., Bapak Syaiful Daulay, Bapak Ayub Woisiri, Bapak Kunkun, Nuraini Erisa, Sri Wahyuni, Fathia Amalia R., Eri Septya Wardhani, I Putu Arimbawa P., Erry Maulana W., dan Rudi Eka Setyawan atas dukungannya,

11. Andri Rizky Prasetyo, Akbar Abimanyu, Rizky Saputra, Novan Indra Pradana, dan Angga Prima Sukma.

12. Keluarga besar Science Comunity 2007: M. Alam Agung, Boris Sari Kuantan, Dinda Aprilita, Nyimas Siti Amalia, M. Supikroh, Terra Andriyani, Annisa Nurani, dan Idham Adji Dewangga atas segala dukungan selama ini.

13. Keluarga besar MNH 44 atas segala kebersamaan dan dukungannya, 14. Keluarga besar Pengurus Cabang Sylva Indonesia IPB,

15. Semua pihak yang tidak dapat penulis sebutkan satu persatu atas semua bantuan dan dukungannya.

KATA PENGANTAR

Segala puji dan syukur penulis panjatkan ke hadirat Allah SWT yang telah memberikan kemudahan dan kelancaran kepada penulis dalam menyelesaikan skripsi yang berjudul Pendugaan Biomassa Tegakan Pinus Menggunakan Backscatter ALOS PALSAR, Umur, dan Tinggi Tegakan: Kasus di KPH Banyumas Barat, Jawa Tengah.

Skripsi ini disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan di Fakultas Kehutanan Institut Pertanian Bogor. Skripsi ini berisi gambaran mengenai analisis hubungan antara nilai , umur, dan tinggi pohon dalam melakukan pendugaan terhadap biomassa tegakan pinus di lapangan serta memetakan sebaran biomassa pinus berdasarkan model regresi terbaik.

Penulis menyadari bahwa skripsi ini masih belum sempurna. Oleh karena itu, penulis mengharapkan saran, kritik, dan masukkan demi perbaikan tulisan ini. Penulis berharap skripsi ini dapat bermanfaat bagi semua pihak yang membutuhkan.

Bogor, Maret 2012 Penulis

DAFTAR ISI

Halaman KATA PENGANTAR ... i DAFTAR ISI ... ii DAFTAR TABEL ... iv DAFTAR GAMBAR ... vi DAFTAR LAMPIRAN ... vii BAB I PENDAHULUAN

1.1 Latar Belakang ... 1 1.2 Tujuan ... 2 1.3 Manfaat ... 2 BAB II TINJAUAN PUSTAKA

2.1 Penginderaan Jauh ... 3 2.2 Radar ... 4 2.3 ALOS PALSAR ... 7 2.4 Biomassa ... 8 2.5 Pinus ... 9 2.6 Penelitian Menggunakan Citra ALOS PALSAR ... 10 BAB III METODE PENELITIAN

3.1 Waktu dan Tempat ... 12 3.2 Alat dan Bahan ... 12 3.3 Tahapan Pelaksanaan... 13 3.3.1 Pengumpulan Data Lapangan ... 14 3.3.2 Pengolahan Data Lapangan ... 14 3.3.3 Pengolahan Data Citra ... 15 3.3.4 Penyusunan dan Pemilihan Model ... 16 3.3.5 Pembuatan Peta Sebaran Biomassa Atas Permukaan ... 17

3.3.6 Penghitungan dan ! ###### 18

BAB IV KONDISI UMUM LOKASI PENELITIAN

4.1 Letak Administratif ... 19 4.2 Topografi ... 19 4.3 Iklm dan Tanah ... 19

Halaman 4.4 Tutupan Lahan ... 20 4.6 Kelas Umur ... 20 BAB V HASIL DAN PEMBAHASAN

5.1 Nilai Biomassa Menurut Persamaan BEF dan Alometrik ... 21 5.2 Nilai Backscatter Resolusi 50 Meter dan 12,5 Meter ... 22 5.3 Hubungan Antara Peubah Biomassa dan Peubah Lain ... 23 5.3.1 Analisis Regresi Pada Resolusi 50 Meter ... 25 5.3.2 Analisis Regresi Pada Resolusi 12,5 Meter ... 27 5.4 Pemetaan Biomassa dan Analisis Akurasi ... 29 BAB VI KESIMPULAN DAN SARAN

6.1 Kesimpulan ... 36 6.2 Saran ... 36 DAFTAR PUSTAKA ... 37 LAMPIRAN ... 39

DAFTAR TABEL

No. Halaman

1. Karakteristik PALSAR ... 8 2. RataBrata biomassa lapangan dengan menggunakan BEF dan

alometrik ... 21 3. Hasil nilai resolusi 50 m dan 12,5 m ... 22 4. Uji tB berpasangan HH dan HV resolusi 50 m dan

12,5 m ... 22 5. Korelasi antara peubah biomassa, , umur, dan tinggi... 23 6. Nilai VIF dari peubah bebas yang digunakan pada resolusi 50 meter

... 24 7. Nilai VIF dari peubah bebas yang digunakan pada resolusi 12,5 meter

... 24 8. Hasil regresi pada resolusi 50 meter menggunakan peubah 25 9. Hasil regresi pada resolusi 50 meter menggunakan peubah

dan umur ... 25 10. Hasil regresi pada resolusi 50 meter menggunakan peubah

dan tinggi pohon ... 26 11. Hasil regresi pada resolusi 50 meter menggunakan peubah

, umur dan tinggi ... 26 12. Hasil regresi pada resolusi 12,5 meter menggunakan peubah

############################################################################################## 27 13. Hasil regresi pada resolusi 12,5 meter menggunakan peubah

dan umur ... 27 14. Hasil regresi pada resolusi 12,5 meter menggunakan peubah

dan tinggi ... 28 15. Hasil regresi pada resolusi 12,5 meter menggunakan peubah

, umur, dan tinggi ... 28

16. Hasil perhitungan ! dan resolusi 50

meter ... 30 Halaman

No. Halaman

17. Hasil perhitungan ! dan resolusi 12,5

meter ... 30 18. Matriks konfusi resolusi 50 meter dan 12,5 meter ... 35

DAFTAR GAMBAR

No. Halaman

1. Wahana Penginderaan Jauh ... 4 2. Citra ALOS PALSAR resolusi 50 m (a) dan 12,5 m (b) ... 12 3. Skema penelitian ... 13 4. Peta sebaran kelas umur... 20 5. Grafik distribusi kelas biomassa ... 29 6. Peta sebaran biomassa di KPH Banyumas Barat resolusi 50 meter

berdasarkan anak petak ... 31 7. Peta sebaran biomassa di KPH Banyumas Barat resolusi 50 meter

$ 5x5 ... 31 8. Peta sebaran biomassa di KPH Banyumas Barat resolusi 12,5 meter

berdasarkan anak peta ... 32 9. Peta resolusi sebaran biomassa di KPH Banyumas Barat 12,5 meter

$ 7x7 ... 33 10. Sebaran kelas biomassa antara (a) resolusi 50 meter dan (b) resolusi

DAFTAR LAMPIRAN

No. Halaman

1. Pengolahan data lapang ... 40 2. Hasil perhitungan nilai pada plot pengamatan ... 42 3. Matriks kontingensi citra resolusi 50 meter anak petak ... 43 4. Matriks kontingensi citra resolusi 50 meter $ 1×1 ... 43 5. Matriks kontingensi citra resolusi 50 meter $ 3×3 ... 43 6. Matriks kontingensi citra resolusi 50 meter $ 5×5 ... 44 7. Matriks kontingensi citra resolusi 12,5 meter anak petak ... 44 8. Matriks kontingensi citra resolusi 12,5 meter $ 3×3 ... 44 9. Matriks kontingensi citra resolusi 12,5 meter $ 5×5 ... 45 10. Matriks kontingensi citra resolusi 12,5 meter $ 7×7 ... 45

No, Plot 50 meter 12,5 meter

HH HV HH HV

1 40030A B6,17987 B10,96188 B8,02357 B12,61059

2 40030B B5,19817 B10,88056 B7,67408 B13,11617

3 40031A B6,91183 B13,66652 B7,15462 B12,39510

4 40035A B7,33969 B12,96771 B9,57488 B15,18617

5 40035B B8,25275 B14,92711 B11,27751 B17,04875

6 40039A B11,44327 B19,93794 B14,04612 B22,91381

7 40044A B6,72149 B12,25201 B10,08206 B15,78422

8 40044B B5,37231 B12,75625 B8,92123 B16,12898

9 40044C B7,38869 B15,50351 B10,22028 B19,08021

10 40044D B3,47101 B9,18825 B6,21321 B11,55645

11 40035C B2,12789 B6,76612 B6,84185 B11,42726

12 40035D B4,12783 B10,43387 B6,24891 B12,29358

13 40035E B3,66278 B9,65187 B6,54314 B12,53665

14 40036 B3,68836 B9,09952 B5,88922 B11,20897

15 40036A B1,66889 B6,94854 B6,10620 B11,14097

16 40036B B5,05907 B11,59894 B9,01322 B15,27439

17 40036C B5,76172 B13,34427 B9,72698 B15,98252

18 40036D B4,31797 B13,39619 B7,97774 B16,96133

19 40036E B4,33343 B11,04914 B8,98573 B14,80492

20 40029A B4,12635 B10,41634 B7,57825 B13,68168

21 40029B B2,86384 B9,09071 B6,04985 B12,46091

22 40029C B8,48576 B13,77245 B8,20908 B13,07353

23 40029D B6,89402 B13,19693 B8,52266 B14,70081

24 40018A B2,86985 B8,80099 B7,69438 B12,91319

25 40018B B4,60569 B10,61228 B7,59302 B12,98159

26 40018C B4,32652 B10,21697 B7,25279 B12,82088

27 40004A B7,58787 B12,12393 B6,62759 B10,89746

28 40004B B8,65862 B12,93781 B7,54448 B11,63426

29 40004C B7,22941 B11,45259 B8,02807 B11,93781

30 40007A B7,42219 B12,62965 B7,89311 B12,90794

31 40007B B6,05849 B10,41719 B5,35200 B10,05580

32 40007C B7,56380 B12,29102 B6,36261 B11,09627

33 40006A B7,57867 B13,88467 B7,29680 B13,64945

34 40006B B7,11861 B13,23134 B8,01723 B13,65995

35 40135A B4,14587 B9,92675 B5,89038 B11,70694

36 40135B B3,99868 B9,38775 B4,47067 B10,11078

37 40148A B5,23507 B11,03581 B7,26009 B12,59849

43

Lampiran 3 Matriks kontingensi citra resolusi 50 meter anak petak

Bentuk Titik Total UA (%)

Kelas 1 Kelas 2 Kelas 3

Peta

Kelas 1 2 1 3 66,67

Kelas 2 11 5 4 20 25

Kelas 3 2 7 6 15 40

Total 15 13 10 38

PA (%) 13,33 38,46 60

Overall Acuracy (%) 34,21

Kappa Accuracy (%) 3,94

Lampiran 4 Matriks kontingensi citra resolusi 50 meter $ 1×1

Bentuk Titik Total UA (%)

Kelas 1 Kelas 2 Kelas 3

Peta

Kelas 1 4 1 5 80

Kelas 2 9 6 4 19 31,58

Kelas 3 2 6 6 14 43

Total 15 13 10 38

PA (%) 2,67 46,15 60

Overall Acuracy (%) 42,11

Kappa Accuracy (%) 14,87

Lampiran 5 Matriks kontingensi citra resolusi 50 meter $ 3×3

Bentuk Titik Total UA (%)

Kelas 1 Kelas 2 Kelas 3

Peta

Kelas 1 4 1 5 80

Kelas 2 9 6 4 19 31,58

Kelas 3 2 6 6 14 43

Total 15 13 10 38

PA (%) 26,67 46,15 60

Overall Acuracy (%) 42,11

Lampiran 6 Matriks kontingensi citra resolusi 50 meter $ 5×5

Bentuk Titik Total UA (%)

Kelas 1 Kelas 2 Kelas 3

Peta

Kelas 1 5 1 6 83,33

Kelas 2 8 5 4 17 29,41

Kelas 3 2 7 6 15 40

Total 15 13 10 38

PA (%) 33,33 38,46 60

Overall Acuracy (%) 42,11

Kappa Accuracy (%) 14,95

Lampiran 7 Matriks kontingensi citra resolusi 12,5 meter anak petak

Bentuk Titik Total UA (%)

Kelas 1 Kelas 2 Kelas 3

Peta

Kelas 1 5 5 100

Kelas 2 9 7 2 18 38,89

Kelas 3 1 6 8 15 53,33

Total 15 13 10 38

PA (%) 33,33 53,85 80

Overall Acuracy (%) 52,63

Kappa Accuracy (%) 30,56

Lampiran 8 Matriks kontingensi citra resolusi 12,5 meter $ 3×3

Bentuk Titik Total UA (%)

Kelas 1 Kelas 2 Kelas 3

Peta

Kelas 1 6 1 7 85,71

Kelas 2 7 8 1 16 50

Kelas 3 1 5 9 15 60

Total 15 13 10 38

PA (%) 42,86 57,14 90

Overall Acuracy (%) 60,53

45

Lampiran 9 Matriks kontingensi citra resolusi 12,5 meter $ 5×5

Bentuk Titik Total UA (%)

Kelas 1 Kelas 2 Kelas 3

Peta

Kelas 1 8 8 100

Kelas 2 6 8 1 15 53,33

Kelas 3 1 5 9 15 60

Total 15 13 10 38

PA (%) 53,33 61,54 90,00

Overall Acuracy (%) 65,79

Kappa Accuracy (%) 49,54

Lampiran 10 Matriks kontingensi citra resolusi 12,5 meter $ 7×7

Bentuk Titik Total UA (%)

Kelas 1 Kelas 2 Kelas 3

Peta

Kelas 1 10 10 100

Kelas 2 5 8 2 15 53,33

Kelas 3 4 9 13 69,23

Total 15 13 10 38

PA (%) 66,67 66,67 81,82

Overall Acuracy (%) 71,05

KPH Banyumas Barat, Jawa Tengah. Skripsi. Manajemen Hutan, Institut Pertanian Bogor. Dibimbing oleh M. BUCE SALEH.

Seiring dengan berkembangnya teknologi informasi, pendugaan potensi terhadap biomassa dapat dilakukan menggunakan metode penginderaan jauh. Pada tahun 2006, pemerintah Jepang meluncurkan satelit ALOS (

) yang membawa sensor radar. Salah satu jenis sensornya,

yaitu PALSAR ( ) dapat

digunakan untuk menduga biomassa suatu tegakan.

Pada penelitian Riska (2011), nilai pada citra ALOS PALSAR resolusi 50 m dan 12,5 m dapat menjelaskan dengan baik kondisi biomassa di lapangan. Namun pada penelitian ini ditambahkan peubah lain berupa umur dan tinggi pohon yang diharapkan mampu memperbaiki tingkat pendugaan biomassa atas permukaan yang lebih baik.

Perhitungan biomassa dilakukan dengan menggunakan persamaan alometrik. Adanya penelitian ini bertujuan untuk (1) Menganalisis penambahan peubah umur dan tinggi dalam pendugaan biomassa atas permukaan, dan (2) Memetakan pendugaan biomassa pinus menggunakan anak petak dan basis piksel. Analisis dalam penelitian ini dilakukan terhadap dua polarisasi citra, yaitu HH dan HV. Pemilihan model terbaik dinilai berdasarkan parameter nilai koefisien determinasi yang disesuaikan (R2 ), nilai

(RMSE) paling rendah serta nilai dan ! paling

tinggi.

Penambahan umur dan tinggi mampu menduga biomassa atas permukaan lebih baik. Dari analisis model terbaik menggunakan peubah backscatter, umur, dan tinggi yang dicobakan untuk menduga biomassa diperoleh hasil, Y = 41,7 + 5,18X1 + 2,77X2 + 8.59X3 dengan nilai R2adj sebesar 60,64% dan RMSE 74,75 untuk resolusi 50 meter dan Y = 219 + 13,8 X1 + 2,72 X2 + 5,84 X3 dengan nilai R2adj sebesar 63,96% dan RMSE 71,52 untuk resolusi 12,5 meter.

Pada pemetaan sebaran biomassa menggunakan model dengan peubah dan umur. Model yang digunakan untuk pemetaan biomassa, yaitu Y = 131 + 7,15X₁ + 7,8X₂ dengan nilai R2adj sebesar 54,89%, sedangkan untuk resolusi 12,5 meter Y = 341 + 18,6X₁ + 5,49X₂ dengan nilai R2adj sebesar 62,36%. Dari hasil penelitian diketahui bahwa pemetaan sebaran biomassa menggunakan basis piksel lebih baik dibandingkan pemetaan menggunakan anak petak berdasarkan uji akurasi.

SUMMARY

ADITYA PRADHĀNA. E14070116. 2012. Estimation of the Pine Biomass

Using Backscatter of ALOS PALSAR, Age, and Height of Stands: Case at KPH Banyumas Barat, Central Java. Report. Forest Management, Bogor Agricultural University. Supervised by M. BUCE SALEH.

Along with the development of information technology, the potential of biomass estimation can be done by using remote sensing methods. In 2006, the Government of Japan launched satellite ALOS (Advanced Land Observing Sattelite) which carries radar sensor. One of the types of sensors are, namely the PALSAR (Phased Array Type LBband Shynyhetic Aperture Radar) which can be use to predict biomass of a forest.

On the research of Riska (2010), backscatter value at the image of ALOS PALSAR resolution 50 m and 12.5 m can be explained with good the conditions of biomass in the field. But in this study the other variables be added. The added variables are age and height of the tree which expected to improve the accuracy’s level of aboveBground biomass estimation.

Calculation of biomass in this study using the alometrik equation. This research aims are to (1) analyzing the addition of variables age and height to estimate of aboveBground biomass and (2) mapping the estimation of pine biomass using areal base and pixel base. Backscatter analysis in this research carried out two polarization image, they are HH and HV polarization. Selection of the best models are based on the parameter value of the coefficient of determination adjusted (R2adj) and the lowest value of the Root Mean Square Error (RMSE) then the highest value of the Overall Accuracy and Kappa Accuracy.

The addition of age and height are able to predict aboveBground biomass better than only use backscatter. Best analysis of model by using backscatter, age, and height variables obtained predict results, Y = 41.7 + 5.18X1 + 2.77X2 + 8.59X3 with a value of R2adj 60.64% and RMSE 74.75 for image with 50 m spatial resolution and Y = 219 + 13.8 X1 + 2.72 X2 + 5.84 X3 with a value of R2adj 63.96% and RMSE 71.52 for image with 12.5 m spatial resolution.

In mapping the distribution of biomass using a model with a backscatter and age variables. Model used for biomass mapping for image with 50 m spatial resolution Y = 131 + 7.15 X1 + 7.8X₂ with values of R2adj 54.89%, while image with 12.5 m spatial resolution Y = 341 + 18.6 X ₁ + 5.49 X2 with values of R2adj 62.36%. From the result of this research, map distribution of biomass using pixel base is better than using areal base according to test of accuracy.