Tabel 4 Taraf signifikansi dan koefisien regresi variabel prediktor tahap Enter 3 No.
Variabel prediktor Koefisien regresi Signifikansi
1. Penutupan vegetasi NDVI
-30,571 0,030
2. Kelembaban vegetasi
NDMI -28,092
0,021 3. Jarak dari trail jt
-64,988 0,000
Konstanta 19,455
0,001 Hasil perhitungan ke-3 menunjukkan bahwa konstanta dan tiga variabel
prediktor adalah signifikan secara statistik dimana semuanya memiliki nilai signifikan dibawah 0,05 yang berarti bahwa ketiga variabel tersebut berpengaruh
nyata terhadap model kesesuaian habitat atau penyebaran kirinyuh. Dengan demikian, dari hasil ketiga perhitungan tersebut maka hasil analisa regresi yang
ke-3 merupakan model regresi yang lebih baik digunakan untuk memprediksi variabel peluang keberadaan kirinyuh. Dengan demikian, bentuk persamaan
regresi logistiknya adalah: Z = 19,455-30,571NDVI-28,092NDMI-64,988jt
Nilai persamaan P= [e
z
1+e
z
] adalah
=
, ,
, ,
1 +
, ,
, ,
Hasil perhitungan nilai P pada persamaan tersebut menunjukkan bahwa ketiga peubah tersebut yaitu NDVI, NDMI dan jarak dari trail memberikan
pengaruh nyata terhadap frekuensi kehadiran kirinyuh pada suatu habitat. Sifat dan besarnya hubungan antara ketiga peubah tersebut dengan frekuensi kehadiran
kirinyuh pada suatu habitat dapat diketahui dari besarnya nilai koefisien determinasi R². Nilai R² sebesar 50,1 mengindikasikan bahwa keragaman
frekuensi kehadiran kirinyuh pada suatu habitat dipengaruhi oleh peubah NDVI, NDMI dan jarak dari trail secara simultan sebesar 50,1 sedangkan sisanya
49,9 dipengaruhi oleh peubah lain yang tidak digunakan dalam model ini. Peubah NDVI, NDMI dan jarak dari trail merupakan peubah yang
signifikan dengan semua koefisiennya bernilai negatif. Koefisien regresi variabel NDVI sebesar -30,571 menunjukkan bahwa semakin tinggi nilai NDVI atau
semakin tingginya derajat kehijauan suatu vegetasi berhutan, maka semakin kecil kemungkinan kehadiran kirinyuh. Koefisien regresi variabel NDMI sebesar
-28,092 menunjukkan bahwa semakin tinggi nilai NDMI atau semakin tingginya derajat kelembaban vegetasi, maka semakin kecil kemungkinan kehadiran
kirinyuh begitupula dengan interpretasi yang sama terhadap nilai koefisien regresi variabel untuk jarak ke jalan trail sebesar -64,988.
Hasil tersebut di atas mampu menjelaskan teori yang ada bahwa keberadaan spesies tumbuhan asing invasif sangat tergantung pada ketersediaan
cahaya matahari yang sangat tinggi Parendes Jones 2000; Hawbaker Radeloff 2004. Hal ini dapat dijelaskan dengan nilai peubah NDVI dan NDMI
yang secara langsung berhubungan dengan sinaran cahaya matahari. Faktor gangguan antropogenik dalam bentuk jalan setapak atau jalan raya juga
merupakan faktor yang berpengaruh besar terhadap penyebaran spesies tumbuhan asing invasif dibandingkan dengan gangguan alam Rew et al. 2006. Selain itu,
banyak penelitian yang berhasil menemukan bahwa aktivitas manusia sepanjang jalur setapak seperti menunggang kuda Tyser Worley 1992; Campbell
Gibson 2001 dapat meningkatkan kemungkinan masuk dan menyebarnya spesies tumbuhan asing sepanjang jalur tersebut Campbell Gibson 2001.
5.3.1.2 Uji Kelayakan Model Regresi Logistik
Kelayakan suatu model regresi logistik dapat dilihat dari signifikansi penurunan nilai -2 Log Likelihood serta hasil uji Hosmer and Lemeshow pada
pengolahan menggunakan perangkat lunak SPSS 16 sebagaimana terlampir dalam lampiran 4.
Penurunan nilai -2 Log Likelihood dari 133,084 menjadi 87,806 dengan
signifikansi 0,000 0,05 menunjukkan bahwa model regresi layak untuk digunakan. Uji Hosmer and Lemeshow digunakan untuk melihat kecocokan
variabel prediktor yang digunakan dalam membangun model dengan model yang dihasilkan. Berkebalikan dengan signifikansi penurunan nilai -2 Log Likelihood
dimana model layak jika nilai signifikansi berada dibawah taraf signifikansi 0,05, signifikansi nilai uji Hosmer and Lemeshow harus lebih besar dari taraf signifikan
0,05 untuk dapat dikatakan model itu cocok fit dengan variabel prediktor yang
digunakan. Nilai uji Hosmer and Lemeshow menunjukkan nilai 3,643 dengan signifikansi 0,888 0,05. Nilai signifikansi ini menunjukkan bahwa model
cocok dengan variabel prediktor yang digunakan.
5.3.1.3 Kelas Kesesuaian Habitat
Kesesuaian habitat kirinyuh ditentukan dari besarnya nilai Indeks Kesesuaian Habitat. Nilai tersebut kemudian dikelas untuk menentukan
tingkat kesesuaian habitat yaitu kesesuaian tinggi, kesesuaian sedang dan kesesuaian rendah. Penentuan selang kelas kesesuaian habitat dilakukan
dengan membagi tiga selisih nilai Indeks Kesesuaian Habitat yang tertinggi dan terendah. Luas tiap kelas kesesuaian habitat disajikan pada Tabel 5.
= 0,999
3 = 0,333
Tabel 5 Kelas kesesuaian habitat kirinyuh beserta luas areal
No. Kelas Kesesuaian Habitat
IKH Luas Areal
1 Kesesuaian rendah
0 – 0,333 1335,99 Ha
2 Kesesuaian sedang
0,333 – 0,666 31,61 Ha
3 Kesesuaian tinggi
0,666 – 0,999 91,46 Ha
5.3.2 Analisis Komponen Utama Priciple Component AnalysisPCA
5.3.2.1 Model kesesuaian habitat kirinyuh
Pada dasarnya, Priciple Component AnalysisPCA atau Analisis Komponen Utama AKU merupakan suatu teknik mereduksi banyak data untuk
mengubah suatu matrik data awalasli menjadi satu set kombinasi linear yang lebih sedikit akan tetapi menyerap sebagian besar jumlah varian dari data awal.
Banyaknya faktor komponen yang dapat diekstrak dari data awal adalah sebanyak variabel yang ada. Kita harus mereduksi data asli dengan sedikit
mungkin komponenfaktor akan tetapi masih memuat sebagian besar variasi dari data asli katakan lebih dari 80 Supranto 2004.
Data yang digunakan dalam analisis komponen utama ini adalah data 48 titik kehadiran kirinyuh. Hasil Analisis Komponen Utama yang dilakukan
terhadap faktor peubah yang mempengaruhi tempat tumbuh kirinyuh menunjukkan bahwa dari 8 faktor lingkungan fisik yang diamati dapat
dikelompokkan menjadi 3 faktor komponen utama. Hal ini diindikasikan dengan eigenvaluenya 1. Ketiga komponen baru tersebut dapat menjelaskan sebesar
73,51 dari variabilitas keseluruhan variabel faktor yang diamati Tabel 6. Meskipun komponen pertama relatif lebih besar daripada komponen kedua dan
ketiga, perbedaannya tidaklah terlalu besar. Hal ini dapat mengindikasikan bahwa antara kedua faktor komponen memberikan informasi yang relatif sama besar
untuk dapat menggambarkan kondisi habitat kirinyuh.
Tabel 6 Keragaman total komponen utama Komponen
Akar Ciri Initial Eigen Values Total
Keragaman Kumulatif Keragaman
1 2.873
35.909 35.909
2 2.004
25.052 60.961
3 1.004
12.545 73.506
4 0.946
11.826 85.332
5 0.549
6.868 92.200
6 0.506
6.321 98.521
7 0.099
1.238 99.759
8 0.019
0.241 100.000
Hasil analisis tersebut nilai total dari akar ciri kemudian digunakan untuk menentukan bobot masing-masing variable. Keeratan hubungan antara keempat
variable kesesuaian habitat kirinyuh. dengan komponen utama seperti disajikan pada Tabel 7 berikut.
Tabel 7 Vektor ciri PCA Variabel
Komponen Utama 1
2 3
Slope 0.198
0.274 0.378
Aspect -0.104
-0.762 0.173
Suhu -0.915
0.229 0.194
NDVI -0.019
0.820
.116 NDMI
0.266 0.486
0.596
Elevasi 0.979
0.020 -0.002
Jarak Jalan Trail -0.038
-0.616 0.652
Jarak Kebun 0.977
-0.083 -0.010
Komponen variabel elevasiketinggian adalah variabel yang cukup berpengaruh pada faktor komponen pertama PC1, diikuti jarak dari kebun.