Model kesesuaian habitat kirinyuh

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.