TABEL VOLUME POHON KELOMPOK JENIS MERANTI DI PT GUNUNG MERANTI KALIMANTAN TENGAH DWI NUGROHO PUTRANTO

Transkripsi

1 TABEL VOLUME POHON KELOMPOK JENIS MERANTI DI PT GUNUNG MERANTI KALIMANTAN TENGAH DWI NUGROHO PUTRANTO DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR BOGOR 2017

2

3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Tabel Volume Pohon Kelompok Jenis Meranti di PT Gunung Meranti Kalimantan Tengah adalah benar karya saya dengan arahan dari dosen pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Januari 2017 Dwi Nugroho Putranto NIM E

4 ABSTRAK DWI NUGROHO PUTRANTO. Tabel Volume Pohon Kelompok Jenis Meranti di PT Gunung Meranti Kalimantan Tengah. Dibimbing oleh PRIYANTO. Pengukuran dimensi pohon memerlukan alat bantu yang dapat mempercepat kegiatan tanpa mengurangi kesalahan yang terjadi dalam pengukuran. Tabel volume merupakan salah satu alat bantu yang dapat mengatasi masalah tersebut. Tabel volume kelompok jenis meranti yang disusun pada tahun 1996 oleh Wahyudi di areal PT Gunung Meranti perlu diperbaharui karena kondisi tegakan telah berubah dari waktu ke waktu. Oleh karena itu, penelitian ini bertujuan menyusun tabel volume yang lebih akurat untuk pohon kelompok jenis meranti di PT Gunung Meranti Kalimantan Tengah. Penelitian ini menggunakan 71 pohon contoh untuk menyusun model dan 35 pohon contoh untuk validasi model yang dipilih secara purpossive sampling. Penyusunan tabel volume menggunakan tiga model persamaan regresi dengan diameter sebagai peubah bebasnya dan empat model persamaan regresi dengan diameter dan tinggi bebas cabang sebagai peubah bebasnya. Model persamaan terbaik dipilih menggunakan sistem skoring berdasarkan kriteria uji statistik dalam penyusunan dan validasi model. Model Berkhout V = D 2.43 (R 2 = 98.4%, s = 0.07) merupakan model terbaik untuk menduga volume pohon kelompok jenis meranti di PT Gunung Meranti Kalimantan Tengah. Kata kunci: model berkhout, kelompok jenis meranti, tabel volume. ABSTRACT DWI NUGROHO PUTRANTO. The Volume Table of Meranti Species at PT Gunung Meranti Central Kalimantan. Supervised by PRIYANTO. Measurement of tree dimension requires tools that can accelerate activities without reducing errors that occur in the measurement. Volume table is one of tool that can solve the problem. Volume table of meranti species which was arranged by Wahyudi in 1996 at PT Gunung Meranti needs to be updated because the stand condition had changed over time. Therefore, this study was aimed to develop a more accurate volume tabel for group of meranti tree species in PT Gunung Meranti Central Kalimantan. This study used 71 sample trees for developing volume model and 35 sample trees for validating the model, which selected by purpossive sampling. The arrangement of a volume table use three models regression with diameter as independent variables and four models regression with diameter and bole height as independent variables. Model equation estimators had the best volume with using a scoring system based on the statistical test criteria in the compilation and validation of the model. Berkhout model V = D 2.43 (R 2 = 98.4%, s = 0.07) was the best model to estimate volume of meranti classes species at PT Gunung Meranti Central Kalimantan. Key words: berkhout model, meranti classes, volume table.

5 TABEL VOLUME POHON KELOMPOK JENIS MERANTI DI PT GUNUNG MERANTI KALIMANTAN TENGAH DWI NUGROHO PUTRANTO Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada Departemen Manajemen Hutan DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR BOGOR 2017

6

7

8 PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia- Nya sehingga karya ilmiah ini berhasil diselesaikan. Karya ilmiah berjudul Tabel Volume Pohon Kelompok Jenis Meranti di PT Gunung Meranti Kalimantan Tengah disusun sebagai salah satu prasyarat kelulusan sebagai Sarjana Kehutanan dari Departemen Manajemen Hutan, Fakultas Kehutanan IPB. Penghargaan terbesar penulis sampaikan kepada keluarga, Bapak Yulianto SPd, Ibu Supartiningsih serta kakak dan adik atas segala doa, kasih sayang serta dorongan moral, dan material kepada penulis. Terima kasih penulis ucapkan kepada Bapak Priyanto SHut MSi selaku dosen pembimbing yang telah memberikan ilmu, bimbingan, arahan, dan nasehat. Terima kasih juga penulis ucapkan kepada Dr Nining Puspaningsih MSi selaku ketua sidang dan Dr Ir Jarwadi Budi Hernowo MSc selaku dosen penguji yang telah memberikan masukan dan nasehat. Ucapan terima kasih juga penulis sampaikan kepada Bapak Arif Sudibyo selaku direktur PT Gunung Meranti beserta staf PT Gunung Meranti atas izin dan kesempatan yang telah diberikan untuk melakukan penelitian di areal kerja PT Gunung Meranti. Ucapan terima kasih juga penulis ucapkan kepada Dr Ir Wahyudi yang telah memberikan masukan dalam melakukan pengambilan data, Bapak Anton, Mas Yudi, Mas Ari, Bapak Agus, Bapak Korang serta rekan-rekan tim penelitian M Arief Indra, Niken Andika, Yesi Siti, Alifia Yuni atas segala perjuangan, batuan, dan kerja samanya dalam pengambilan data di lapangan. Ungkapan terima kasih juga penulis sampaikan kepada rekan-rekan dari UKM MAX!! IPB (MAX!!9), rekan-rekan Fakultas Kehutanan IPB khususnya Departemen Manajemen Hutan 49 atas doa dan dukungannya kepada penulis. Semoga skripsi ini bermanfaat untuk setiap pembacanya Bogor, Januari 2017 Dwi Nugroho Putranto

9 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 1 Manfaat Penelitian 1 Ruang Lingkup Penelitian 1 METODE 2 Waktu dan Lokasi Penelitian 2 Alat dan Bahan 2 Jenis dan Sumber Data 2 Prosedur Penelitian 2 Analisis Data 3 HASIL DAN PEMBAHASAN 7 SIMPULAN DAN SARAN 15 DAFTAR PUSTAKA 15 LAMPIRAN 17 RIWAYAT HIDUP 23

10 DAFTAR TABEL 1 Rekapitulasi data pohon contoh. 9 2 Model regresi pendugaan volume pohon Hasil uji validasi model Pemilihan model terbaik Deskriptif statistik penghitungan angka bentuk Model penduga volume pohon meranti berdasarkan hasil penelitian sebelumnya. 15 DAFTAR GAMBAR 1 Lokasi sebaran pohon contoh. 8 2 Hubungan antara Dbh dan V (a), hubungan antara Dbh dan Tbc (b), hubungan antara V dan Tbc (c). 9 3 Diagram pencar hubungan antara nilai sisaan dan peluang normalnya Diagram pencar antaran nilai sisaaan dan nilai dugaan. 12 DAFTAR LAMPIRAN 1 Hasil pengolahan data menggunakan Minitab Tabel volume pohon kelompok jenis meranti. 22

11 1 PENDAHULUAN Latar Belakang Potensi tegakan merupakan salah satu data pokok yang digunakan untuk menyusun rencana pengelolaan hutan. Informasi potensi tegakan diperoleh melalui kegiatan inventarisasi hutan. Dengan demikian, inventariasi merupakan salah satu kegiatan yang sangat penting dalam perencanaan hutan. Inventariasi hutan adalah kegiatan yang dilaksanakan untuk mengetahui dan memperoleh data serta informasi tentang sumber daya dan potensi kekayaan alam hutan secara lengkap. Pengukuran dimensi pohon merupakan salah satu kegiatan dalam inventarisasi hutan. Pendugaan volume pohon diperlukan ketelitian yang tinggi dalam rangka menaksir potensi suatu tegakan. Akinnifesi (1995) diacu dalam Abdurachman dan Purwaningsih (2012) menyatakan penggunaan teknik yang tepat dan handal dalam pendugaan yang benar untuk volume pohon kayu berguna dalam efisiensi pengelolaan potensi tegakan. Oleh karena itu, diperlukan ketersediaan alat bantu, yaitu tabel volume untuk mempercepat kegiatan dan memperkecil kesalahan yang terjadi dalam pengukuran. Tabel volume untuk jenis meranti sudah pernah dibuat oleh Wahyudi (1996) di areal kerja PT Gunung Meranti Kalimantan Tengah. Sejak tahun 1997/1998 PT Gunung Meranti telah memasuki waktu pengusahaan hutan periode II. Kegiatan pemanenan hutan selama periode tersebut telah mengakibatkan perubahan terhadap ekosistem hutan primer menjadi hutan bekas tebangan, sehingga terjadi perubahan terhadap faktor-faktor lingkungan khususnya tanah, perubahan komposisi, dan struktur hutan. Hasil tegakan akan dipengaruhi oleh jenis, komposisi, kualitas tempat tumbuh, bentuk kerapatan, dan gangguan-gangguan lain dari perlakuan silvikultur (Soekotjo 1977 diacu dalam Wibowo 2002). Berdasarkan hal tersebut, tabel volume yang sudah dibuat sebelumnya perlu diperbaharui. Penggunaan tabel volume dalam menduga potensi kayu dapat mengefisiensikan tenaga, waktu, dan biaya. Tujuan Penelitian Penelitian ini bertujuan menyusun tabel volume pohon kelompok jenis meranti di PT Gunung Meranti Kalimantan Tengah. Manfaat Penelitian Manfaat dari penelitian ini ialah diperoleh model penduga volume pohon berupa tabel volume yang lebih akurat untuk mempermudah dan meningkatkan efisiensi dalam kegiatan inventarisasi hutan di PT Gunung Meranti Kalimantan Tengah. Ruang Lingkup Penelitian Penyusunan tabel volume ini hanya mencakup kelompok jenis pohon meranti yang merupakan kayu komersial di areal PT Gunung Meranti Kalimantan Tengah.

12 2 METODE Waktu dan Lokasi Penelitian Pengambilan data penelitian dimulai dari bulan Maret April 2016 di areal PT Gunung Meranti Kalimantan Tengah. Alat dan Bahan Alat yang digunakan dalam penelitian ini terdiri dari alat tulis, pita meter, phiband, Spiegel Relaskop Bitterlich (SRB), haga hypsometer, Global Positioning System (GPS), tally sheet, laptop yang dilengkapi dengan software Minitab 16 dan Microsoft Office (Ms.Word, Ms. Excel). Bahan yang digunakan dalam penelitian ini adalah 106 pohon contoh jenis meranti. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini meliputi data primer dan data sekunder. Data primer merupakan data yang diperoleh langsung melalui pengukuran lapang seperti diameter pohon setinggi dada (Dbh), diameter per seksi dan tinggi bebas cabang. Data sekunder merupakan data mengenai kondisi umum lokasi penelitian. Prosedur Penelitian Pengumpulan Data Primer Jumlah pohon contoh yang digunakan dalam penyusunan dan validasi model volume sebanyak 106 pohon. Menurut Sutarahardja (2009), penyusunan persamaan regresi penduga volume menggunakan 2/3 3/4 dari jumlah pohon contoh, sedangkan untuk pengujian persamaan regresi yang diperoleh menggunakan 1/4 1/3 dari jumlah pohon contoh. Pengambilan data pohon contoh dilakukan secara purposive sampling, yaitu pemilihan pohon contoh sesuai kriteria yang ditetapkan. Pohon contoh yang diambil merupakan pohon yang sehat, bebas dari cacat fisik, mewakili sebaran jenis, dan kelas diameter yang ada. Pengukuran dilakukan terhadap pohon yang masih hidup. Diameter setinggi dada (dbh) diukur menggunakan phi-band. Diameter per seksi (panjang seksi 2 m) diukur menggunakan SRB sampai diameter pada tinggi bebas cabang. Tinggi pohon diukur menggunakan haga hypsometer pada tinggi bebas cabang (tbc) dengan jarak tertentu yang diukur menggunakan pita meter. Koordinat pohon contoh didapatkan menggunakan GPS. Data-data tersebut kemudian dicatat dalam tally sheet kemudian diolah menggunakan Ms.Excel dan Minitab 16. Pengolahan Data Primer Penghitungan volume per seksi menggunakan rumus Smalian dan volume aktual dengan menjumlah volume per seksi batang pohon. Vi = (Bu+Bp) 2. Li

13 3 Keterangan: Vi : volume seksi ke-i (m 3 ) Bu : luas bidang dasar ujung seksi (m 2 ) Bp : luas bidang dasar pangkal seksi (m 2 ) Li : panjang seksi (m) Pengumpulan Data Sekunder Pengumpulan data sekunder dilakukan dengan cara mencari data mengenai keadaan dan kondisi umum lokasi penelitian. Analisis Data Analisis Hubungan Antara Diameter (Dbh) dan Tinggi (Tbc) Analisis hubungan antara Dbh dan Tbc diperlukan untuk menentukan variabel yang akan digunakan dalam penyusunan tabel volume menggunakan rumus koefisien korelasi sebagai berikut : r = x i.y (( n i=1 x i ) ( n n i=1 y i )) i=1 i n ( xi 2 ( n i=1 x i ) 2 ).( y 2 n i ( n i=1 y i ) 2 n n i=1 i=1 ) n Keterangan : r : koefisien korelasi x i : diameter pohon setinggi dada pada pohon ke-i (cm) y i : tinggi pohon ke-i (tinggi bebas cabang) (m) Menurut Walpole (1993) nilai koefisien korelasi merupakan penduga tak bias dari koefisien korelasi populasi (ρ). Besarnya nilai koefisien korelasi adalah antara - 1 r + 1. Jika nilai r mendekati 1 atau +1, maka hubungan antara kedua peubah itu kuat, artinya terdapat korelasi yang tinggi antara keduanya. Pengujian Koefisien Korelasi Uji Zfisher digunakan untuk mengetahui nilai r pada koefisien korelasi yang berada cukup jauh dari nilai ρ. Dalam penyusunan tabel volume lokal, Sutarahardja (2008) mensyaratkan bahwa nilai ρ harus lebih besar dari 0.71 yang berarti pada nilai ρ > 0.71 maka hubungan antara Dbh dan Tbc dianggap cukup kuat. Tahapan pengujian koefisien korelasi menggunakan transformasi ZFisher berdasarkan hipotesis H0: ρ = 0.71 dan H1: ρ > 0.71 dan kriteria uji dalam pengujian menggunakan Zhitung = (Zr Zρ)/ σzr. Kaidah keputusan yang digunakan, apabila Zhitung Ztabel maka korelasi antara Dbh dan Tbc tidak erat dan jika Zhitung > Ztabel maka korelasi antara Dbh dan Tbc erat. Penyusunan Model Persamaan Regresi Model persamaan regresi yang digunakan dalam penyusunan model penduga volume pohon antara lain (Simon 2007): 1. V = ad b (model Berkhout) 2. V = a + bd +cd 2 (model Hohenadl-Krenn) 3. V = a + bd 2 (model Kopezky-Gehrhardt) 4. V = ad b H c (model Schumacher-Hall) 5. V = a + bd 2 + cd 2 H + dh (model Stoate)

14 4 6. V = a + bd + cd 2 H + ddh 3 (model Mayer) 7. V = a(d 2 H) b (model Spurr) Keterangan: V : volume total pohon (m 3 ) D : diameter setinggi dada (cm) H : tinggi bebas cabang (m) a, b, c, d : konstanta Pengujian Model Persamaan Regresi Model persamaan regresi yang diperoleh diuji terhadap beberapa parameter regresi, yaitu koefisien determinasi (R 2 ), koefisien determinasi terkoreksi (R 2 adj), simpangan baku (s), keberartian model, dan uji asumsi. Tahapan penyusunan dan pengujian model persamaan regresi dibantu menggunakan software Minitab 16. a. Koefisien Determinasi (R 2 ). Koefisien determinasi (R 2 ) merupakan ukuran kemampuan peubah bebas dalam menjelaskan variasi dari peubah terikatnya. Nilai R 2 menggambarkan tingkat ketelitian dan keeratan peubah bebas dengan peubah tidak bebasnya yang dinyatakan dalam persentase. Rumus untuk menghitung R 2 : R 2 = JKR JKT. 100% Keterangan : R 2 : koefisien determinasi JKR : jumlah kuadrat regresi JKT : jumlah kuadrat total b. Koefisien Determinasi Terkoreksi (R 2 adj) Koefisien determinasi terkoreksi merupakan koefisien determinasi yang telah dilakukan penyesuaian terhadap derajat bebas JKS dan JKTnya, dihitung menggunakan rumus (Draper dan Smith 1992): R 2 JKS/(n p) adj = 1 { JKT/(n 1) }.100% Keterangan: R 2 : koefisien determinasi terkoreksi JKS : jumlah kuadrat sisa JKT : jumlah kuadrat total (n p) : derajat bebas sisa (n 1) : derajat bebas total c. Simpangan Baku Simpangan baku menunjukkan bahwa, semakin kecil nilainya maka semakin baik, sehingga nilai dugaannya akan semakin teliti. Nilai simpangan baku dihitung menggunakan rumus (Draper dan Smith 1992): s = S 2 = JKS (n p) Keterangan : s : simpangan baku JKS : jumlah kuadrat sisa (n p) : derajat bebas sisa

15 d. Analisis Keragaman (ANOVA) Pengujian analisis keragaman (analysis of variance) dilakukan untuk melihat adanya ketergantungan peubah-peubah yang menyusun regresi tersebut. Hipotesis yang diuji: H0: β = 0 ; (tidak ada hubungan linier antara peubah X dan Y) H1: β 0 ; (ada hubungan linier antara peubah X dan Y) Dengan kaidah keputusannya: Fhitung > Ftabel maka tolak H0 Fhitung Ftabel maka terima H0 Jika H0 yang diterima, maka regresi tersebut tidak nyata, artinya tidak ada keterkaitan antar peubah bebas (Dbh dan Tbc) dengan peubah tidak bebasnya (V). Jika H1 diterima, maka regresi tersebut nyata, artinya persamaan regresi dapat digunakan untuk menduga volume pohon berdasarkan peubah bebasnya. e. Pengujian Asumsi Model Persamaan Regresi Uji asumsi dalam analisis ragam diperlukan untuk memeriksa sisaan sudah dapat memenuhi kelayakan dari suatu persamaan. Suatu model regresi dapat dipergunakan untuk menduga secara baik apabila salah satu asumsi dari nilai sisaan terpenuhi (Kuncahyo 1991). Asumsi yang digunakan adalah kenormalan dan keaditifan dari nilai sisaan. Nilai sisaan dinyatakan normal apabila antar nilai sisaan dengan probabilitas normalnya membentuk pola garis lurus. Uji kenormalan secara statistik deskriptif dapat dilakukan dengan uji Kolmogorov-Smirnov. Kriteria pengujian apabia p-value > α (0.05), maka terima H0, artinya data berdistribusi normal dan apabila p-value α (0.05), maka tolak H0, artinya data tidak berdistribusi normal. Uji Keaditifan model dilakukan secara visual. Keaditifan model terpenuhi apabila hasil tebaran tidak membentuk pola (Kuncahyo 1991). Pengujian Validasi Model Pengujian validasi model dilakukan dengan cara menghitung nilai simpangan agregat (SA), simpangan rata-rata (SR), Root Mean Square Error (RSME), bias dan uji Chi-square. a. Simpangan agregat (SA) Simpangan agregat merupakan selisih antara jumlah volume dugaan (Vt) dan volume aktual (Va) sebagai presentase terhadap volume dugaan (Vt). Menurut Spurr (1952), persamaan yang baik memiliki nilai simpangan agregat (SA) berkisar -1 sampai +1. n SA = i=1 Vt i i=1 Va i n i=1 Vt i b. Simpangan rata-rata (SR) SR merupakan rata-rata jumlah dari mutlak selisih antara jumlah volume dugaan (Vt) dan volume aktual (Va), proporsional terhadap jumlah volume dugaan (Vt). Nilai simpangan rata-rata yang baik adalah tidak lebih dari 10 % (Spurr 1952). SR = { ( n n Vt i Va i i=1 ) Vt i n }. 100% 5

16 6 c. Root Mean Square (RSME) RMSE adalah akar dari rata-rata jumlah kuadrat nisbah antara selisih volume dugaan dari tabel volume pohon (Vt) dengan volume aktualnya (Va) terhadap volume aktual (Wood dan Wiant 1993). RSME = [Vti Vai 2 n i=1 ] Va i n. 100% d. Bias Bias adalah kesalahan sistematis yang dapat terjadi karena kesalahan dalam pengukuran, kesalahan teknis pengukuran maupun kesalahan karena alat ukur yang digunakan. n B = { ( i=1 Vt i Va i ) Va i n }. 100% e. Uji Chi-square Pengujian validasi model penduga volume pohon, dapat dilakukan dengan menggunakan uji χ 2 (Chi-suqare), yaitu untuk menguji beda nyata antara volume pohon yang diduga (Vt) dengan volume pohon aktual (Va).. Hipotesis yang diuji sebagai berikut: H0: Vt = Va dan H1: Vt Va Kaidah keputusannya adalah: χ 2 hitung χ 2 tabel (α,n-1), maka terima H1 χ 2 hitung < χ 2 tabel (α,n-1), maka terima H0 Keterangan: Vt : volume dugaan (m 3 ) Va : volume aktual (m 3 ) n χ 2 hitung = (Vt i Va i ) 2 i=1 Pemilihan Model Persamaan Regresi Terbaik Model persamaan regresi untuk menyusun tabel volume pohon yang baik apabila salah satu dari semua model persamaan memperoleh nilai R 2 dan R 2 adj yang besar, analisis keragaman menghasilkan regresi yang nyata (Fhitung), nilai simpangan rata-rata (SR) dan simpangan agregat (SA) sesuai dengan kriteria, nilai simpangan baku (s), nilai bias, dan nilai RMSE yang kecil. Pemilihan model terbaik dilakukan dengan sistem skoring berdasarkan nilai kualitas model. Model terbaik ditentukan berdasarkan jumlah skoring yang terbesar. Penghitungan Angka Bentuk Angka bentuk merupakan suatu nilai yang dihasilkan dari perbandingan antara volume pohon dengan volume silinder. Perhitungan angka bentuk dihitung menggunakan rumus: f f = Va Vs Va i

17 7 Keterangan: ff : faktor/angka bentuk pohon Va : volume aktual (m 3 ) Vs : volume silinder (m 3 ) Pembanding dengan Model Sebelumnya Model persamaan regresi terbaik dibandingkan dengan persamaan yang dihasilkan pada penelitian sebelumnya oleh Wahyudi (1996) di PT Gunung Meranti Kalimantan Tengah. Persamaan hasil penelitian sebelumnya sebagai berikut: V = Dbh Keterangan: V : volume pohon (m 3 ) Dbh : diameter setinggi dada (cm) Hipotesis yang diuji sebagai berikut: H0: Vt = Vb dan H0: Vt Vb n χ 2 hitung = (Vt i Vb i ) 2 Vb i i=1 Kaidah keputusannya adalah jika χ 2 hitung χ 2 tabel (α,n-1), maka terima H1 dan jika χ 2 hitung < χ 2 tabel (α,n-1), maka terima H0. Keterangan: Vt i : volume dugaan dari model terpilih (m 3 ) Vb i : volume dugaan dari model sebelumnya (m 3 ) HASIL DAN PEMBAHASAN Kondisi Umum Lokasi Penelitian Areal kerja IUPHHK hutan alam PT Gunung Meranti secara geografis terletak pada koordinat BT dan LS dengan batas persekutuan areal : - Sebelah Utara : Eks IUPHHK PT Hutan Domas Raya, Eks PT Fajar Kahayan dan Eks PT Tungggal Pamenang - Sebelah Timur : IUPHHK PT Tanjung Raya, Eks PT Tunggal Pamenang - Sebelah Barat : Eks IUPHHK PT Fajar Kahayan dan PT Praba Nugraha - Sebelah Selatan : Eks IUPHHK PT Hutan Domas Raya Berdasarkan pembagian Daerah Aliran Sungai (DAS) areal termasuk dalam DAS Kapuas, DAS Mendaun dan DAS Tabulus. Menurut wilayah administrasi pemerintahan areal termasuk dalam wilayah Kecamatan Kapuas Hulu, Kabupaten Kapuas serta Kecamatan Sumber Barito, Kabupaten Murung Raya, Provinsi Kalimantan Tengah. Menurut administrasi pemangkuan hutan termasuk dalam wilayah Dinas Kehutanan Kabupaten Kapuas dan Murung Raya, Dinas Kehutanan Provinsi Kalimantan Tengah. Luas areal IUPHHK PT Gunung Meranti berdasarkan SK Menteri Kehutanan dan Perkebunan Nomor 941/Kpts/VI/1999 tanggal 14 Oktober 1999 seluas Ha. Keadaan topografi areal secara umum adalah bergelombang ringan sampai

18 8 berat dengan kemiringan antara 0% 45% dan ketinggian berkisar antara mdpl. Jenis tanah di areal berdasarkan Peta Tanah Eksploitasi Kalimantan tahun 1964 dengan skala 1 : termasuk jenis tanah podsolik merah kuning, latosol dan litosol yang berasal dari batuan induk, batuan beku dengan fisiografi patahan dengan solum tanah tebal. Formasi geologi terdiri dari batuan sedimen miosen bawah dan batuan sedimen paleogen. Areal kerja PT Gunung Meranti termasuk dalam tipe iklim A (sangat basah) dengan nilai Q rata-rata = 0.17 yang didasarkan pada klasifikasi tipe iklim Schmidt Ferguson. Curah hujan tahunan berdasarkan data Stasiun Pengamat Hujan (SPH) PT Gunung Meranti sebesar 2606 mm/tahun yang terjadi selama 183 hari hujan serta memiliki 2 (dua) bulan kering yakni pada bulan Juli dan Agustus. Hutan di areal UPHHK PT Gunung Meranti termasuk hutan hujan tropika basah dalam kelompok hutan Gunung Pasak Pinggan dengan dominasi jenis dari famili Dipterocarpaceae terutama jenis meranti (Shorea spp), keruing (Dipterocarpus spp), kapur (Dryobalanops spp), dan jenis-jenis lainnya. Deskripsi Data Pohon Contoh Pohon contoh yang digunakan dalam penelitian dan penyebarannya disajikan pada Gambar 1 dan Tabel 1. Berdasarkan Gambar 1, lokasi pohon contoh yang digunakan masih belum tersebar di seluruh areal karena terkendala aksesbilitas. Namun demikian, dilihat dari sebaran kelas diameternya, pohon contoh sudah cukup tersebar mewakili kelas diameter yang ada (Tabel 1). Gambar 1 Lokasi sebaran pohon contoh.

19 V T V 9 Tabel 1 Rekapitulasi data pohon contoh Kelas diameter Penyusunan model Validasi model Jumlah (pohon) (cm) (pohon) (pohon) > Total Hubungan Diameter, Tinggi, dan Volume Pohon Nilai korelasi antar peubah yang dihasilkan antara Dbh dan Tbc sebesar 0.77, antara Tbc dan V sebesar 0.77, dan antara Dbh dan V sebesar Hubungan antara Dbh dan V memiliki nilai korelasi mendekati +1 yang berarti hubungannya kuat dan terdapat korelasi yang tinggi. Berdasarkan uji Zfisher, nilai korelasi antara Dbh dan Tbc memiliki nilai Zhitung sebesar Nilai Zhitung lebih kecil dari Ztabel (1.64) pada taraf nyata 0.05 sehingga terima H0 yang artinya tidak ada hubungan yang erat antara Dbh dan Tbc. Hasil Uji Zfisher menggunakan nilai korelasi antara Dbh dan V memiliki nilai Zhitung sebesar Nilai Zhitung lebih besar dari Ztabel (1.64) pada taraf nyata 0.05 maka tolak H0 yang artinya terdapat hubungan yang erat antara Dbh dan V. Hal ini berarti keragaman volume yang disebabkan oleh keragaman tinggi tidak dapat dicakup oleh pengaruh keragaman diameter. Berdasarkan pengujian tersebut, jenis tabel volume yang dibuat adalah tabel volume standar. Untuk mendapatkan model pendugaan volume yang tepat yaitu menggunakan tabel volume lokal dan tabel volume standar. Secara visual, korelasi antar peubah pada pohon model dapat dilihat dari diagram pencar seperti pada Gambar 2. Pola hubungan antara Dbh dan V (Gambar 2.a) menunjukkan pola non linier yang cukup erat, sedangkan pola hubungan Dbh dan Tbc, serta Tbc dan V menunjukkan pola linier. Scatterplot of V vs Dbh Scatterplot of Tbc vs Dbh Scatterplot of V vs Tbc D (a) (b) (c) Gambar 2 Hubungan antara Dbh dan V (a), hubungan antara Dbh dan Tbc (b), hubungan antara V dan Tbc (c). 50 D T

20 10 Model Persamaan Regresi Model persamaan penduga volume yang diperoleh dari perhitungan menggunakan Minitab 16 disajikan pada Tabel 2, sedangkan hasil pengolahan data secara lengkap dapat dilihat pada Lampiran 1. Berdasarkan Tabel 2, seluruh model yang dibuat memiliki nilai simpangan baku (s) dan koefisien determinasi (R 2 ) yang baik. Model yang memiliki nilai s paling kecil, yaitu model Schumacher-Hall sebesar Jika nilai s sama dengan 0 (nol) maka penduga tersebut memiliki tingkat ketepatan 100% (Hasan 2012). Tabel 2 Model regresi pendugaan volume pohon Model Persamaan s R 2 (%) R 2 adj (%) F hitung Berkhout V = Dbh Kopezky- V = Dbh Gehrhardt Hohenadl- V = Dbh Krenn Dbh 2 Schumacher- V = Dbh 2.11 Tbc Hall Stoate V = Dbh Dbh 2 Tbc Tbc Mayer V = D Dbh 2 Tbc DbhTbc 3 Spurr V = Dbh 2 Tbc Menurut Sembiring (2003) nilai R 2 yang besar pada suatu persamaan menunjukkan bahwa persamaan tersebut mempunyai kecukupan dalam menjelaskan peubah tidak bebas oleh peubah bebasnya. Semakin besar nilai R 2, maka persamaan regresi semakin baik. Salah satu kelemahan R 2 ialah bahwa besarnya dipengaruhi oleh banyaknya peubah bebas dalam model. Salah satu cara mengatasi kelemahan R 2 tersebut ialah dengan menggunakan apa yang disebut dengan R 2 adj (Sembiring 2003). Koefisien determinasi terkoreksi (R 2 adj) merupakan suatu kriteria yang erat kaitannya dengan nilai R 2. Berdasarkan hasil analisis regresi model yang memiliki nilai R 2 dan R 2 adj terbaik, yaitu model Schumacher-Hall sebesar 99.30%. Hal ini menunjukkan bahwa sebanyak 99.30% keragaman peubah tidak bebas (V) dapat dijelaskan oleh peubah bebasnya (Dbh dan Tbc), sedangkan sisanya 0.70% dijelaskan oleh peubah lain yang tidak disertakan model. Uji F digunakan untuk menguji keberartian peranan peubah bebas terhadap peubah tak bebasnya dari suatu model regresi. Apabila nilai Fhitung lebih besar dari Ftabel maka tolak H0 yang berarti bahwa satu atau lebih peubah bebas dalam model berpengaruh nyata pada taraf nyata (α) tertentu (Tiryana 2008). Berdasarkan pada uji keberartian model melalui ANNOVA dengan nilai Fhitung, ketujuh model yang dicobakan sangat berarti, sehingga dapat digunakan untuk menyusun tabel volume pohon. Asumsi Kenormalan Model Asumsi kenormalan dilihat berdasarkan plot sisaan dan peluang normalnya seperti terlihat pada Gambar 3. Secara umum, pola hubungan antara nilai sisaan dan

21 peluang normal model yang dicobakan sangat bervariasi. Berikut disajikan diagram pencar hubungan antara sisaan dan peluang normal masing-masing model pada Gambar 3. Asumsi kenormalan dari sebuah model terpenuhi apabila nilai sisaan menyebar normal (Kuncahyo 1991). Berdasarkan Gambar 3, dapat dilihat plot yang mengikuti garis linier, yaitu model Berkhout, Schumacher-Hall dan Spurr, sedangkan plot keempat model lainnnya membentuk seperti huruf S. Uji kenormalan Kolmogorov-smirnov menunjukkan bahwa model Berkhout dan Spurr memenuhi asumsi kenormalan karena memiliki nilai P-value > α (0.05). Hal ini dapat dikatakan bahwa asumsi kenormalan terpenuhi untuk model Berkhout dan Spurr. 11 Normal Probability Plot_Berkhout Normal Normal Probability Plot_Kopezky-Gehrhardt Normal Normal Probability Plot of Residual Hohenadl-Krenn Normal 99, Mean 0, StDev 0,07615 N 71 KS 0,074 P-Value >0,150 99, Mean 0, StDev 0,9666 N 71 KS 0,189 P-Value <0,010 99, Mean -0, StDev 0,9040 N 71 KS 0,167 P-Value <0,010 Percent Percent Percent ,1-0,3-0,2-0,1 0,0 RESIDUAL 0,1 0,2 0,3 0, Residual , Residual Hohenadl-Krenn 3 4 (Berkhout) (Kopezky-Gehrhardt) (Hoenadl-Krenn) Normal Probability Plot of Residual Schumacher hall Normal Normal Probability Plot of Residual Stoate Normal Normal Probability Plot of Residual Mayer Normal 99, Mean -3,66491E-19 StDev 0,05044 N 71 KS 0,109 P-Value 0,042 99, Mean 2,736465E-17 StDev 0,6509 N 71 KS 0,188 P-Value <0,010 99, Mean -7,81847E-19 StDev 0,6338 N 71 KS 0,202 P-Value <0,010 Percent Percent Percent ,1-0,2 0,1 0,1-0,1 0,0 0,1 0, Residual Schumacher hall Residual Stoate Residual Mayer (Schumacher-Hall) (Stoate) (Mayer) 2 3 Normal Probability Plot of Residual Spurr Normal 99, Mean -7,04225E-07 StDev 0,05282 N 71 KS 0,083 P-Value >0,150 Percent ,1-0,2-0,1 0,0 Residual Spurr (Spurr) Gambar 3 Diagram pencar hubungan antara nilai sisaan dan peluang normalnya. Asumsi Keaditifan Model Asumsi keaditifan model dilihat berdasarkan plot sisaan dan nilai dugaan seperti terlihat pada Gambar 4. Model Kopezky-Gehrhardt, Hoenadl-Kreen, Stoate dan Mayer memiliki pola yang membentuk corong ke kanan dan berkelompok sebagian (Gambar 4). Hal tersebut menunjukkan adanya peningkatan dari keragaman yang terlihat jelas (Antasari 2010). Model Berkhout, Schumacher-Hall dan Spurr memiliki sebaran plot nilai sisaan dengan nilai dugaan yang tidak membentuk pola. Dengan demikian sifat keaditifan terpenuhi untuk model model Berkhout, Schumacher-Hall dan Spurr. Menurut Kuncahyo (1991) asumsi 0,1 0,2

22 12 keaditifan terpenuhi apabila pencaran nilai sisaan dan nilai dugaan tersebar acak tidak membetuk pola. Versus Fits_Berkhout (response is Log V (m3)) Versus Fits_Kopezky-Gehrhardt (response is V (m3)) Versus Fits_Hohenadl Krenn (response is V (m3)) 0, , Residual 0,0-0,1 Residual Residual 1 0-0, ,3-1, ,0-0,5 0,0 0,5 1, Fitted Value Fitted Value Fitted Value (Berkhout) (Kopezky-Gehrhardt) (Hoenadl-Krenn) 14 Versus Fits_Schumacher-Hall (response is Log V (m3)) Versus Fits_Stoate (response is V (m3)) Versus Fits_Mayer (response is V (m3)) 0, , , Residual 0,00-0,05 Residual 0-1 Residual , ,15-1,5-1,0-0,5 0,0 Fitted Value 0,5 1, Fitted Value Fitted Value (Schumacher-Hall) (Stoate) (Mayer) Versus Fits_Spurr (response is Log V) 0,15 0,10 0,05 Residual 0,00-0,05-0,10-1,5-1,0-0,5 0,0 Fitted Value 0,5 1,0 (Spurr) Gambar 4 Diagram pencar antaran nilai sisaaan dan nilai dugaan. Validasi Model Hasil validasi model menggunakan data pohon contoh yang telah ditentukan sebelumnya disajikan pada Tabel 3. Tingkat ketelitian model peduga volume pohon dapat dilihat dari nilai simpangan agregat (SA) dan simpangan rata-rata (SR). Menurut Spurr (1952) model pendugaan volume yang baik adalah yang mempunyai nilai SA berkisar dari -1 sampai +1 dan nilai SR <10%. Tabel 3 Hasil uji validasi model Model SA SR % RMSE % Bias % χ 2 χ 2 tabel Berkhout * Kopezky- Gehrhardt * Hohenadl- Krenn * Schumacher- Hall * Stoate * Mayer * Spurr * Keterangan: * terima H0 pada taraf nyata α=0.05

23 Berdasarkan Tabel 3 seluruh model memiliki nilai SA yang tergolong baik karena berada dalam kisaran -1 sampai dengan +1. Hal ini berarti ketujuh model telah memenuhi syarat ketelitian yang baik. Nilai SR yang dihasilkan pada tahap validasi hanya satu model saja yang berada di bawah 10%. Hal ini berarti keenam model lainnya akan menimbulkan bias pada tingkat pengamatan tertentu. Semakin kecil nilai RMSE dari sebuah model menunjukkan model tersebut lebih baik. Bias memiliki nilai positif yang berarti volume dugaan yang dihasilkan cenderung overestimate terhadap volume aktual, sedangkan bias yang bernilai negatif menunjukkan volume dugaan cenderung underestimate terhadap volume aktualnya. Model yang memiliki nilai SA, SR, bias, dan RMSE paling baik yaitu model Schumacher-Hall. Hasil uji χ 2 (chi-square) menunjukkan bahwa ketujuh model memiliki nilai χ 2 hitung lebih kecil dari χ 2 tabel. Dengan demikian dapat disimpulkan bahwa hasil dugaan volume dari model yang disusun tidak berbeda nyata dengan volume pohon sebenarnya. Model Persamaan Regresi Terbaik Model persamaan regresi terbaik diperoleh berdasarkan pemeringkatan skor setiap model seperti pada Tabel 4. Skoring dilakukan terhadap nilai-nilai statistik model yang dihasilkan. Tabel 4 Pemilihan model terbaik Model s R 2 adj F hit SA SR RMSE Bias χ 2 Jumlah Peringkat Berkhout Kopezky- Gehrhardt Hohenadl- Krenn Schumacher- Hall Stoate Mayer Spurr Model penduga volume yang memiliki total skor terbesar adalah model Schumacher-Hall (V = Dbh 2.11 Tbc 0.79 ). Model tersebut merupakan model terbaik untuk menduga volume pohon jenis meranti di PT Gunung Meranti Kalimantan Tengah. Model Schumacher-Hall dianggap kurang praktis jika diterapkan karena memerlukan dua peubah bebas yaitu data Dbh dan Tbc. Pengukuran tinggi pohon di lapangan akan sulit dilakukan dan menghasilkan ketelitian yang rendah. Sedangkan model volume lokal hanya memerlukan satu peubah bebas saja (Dbh). Pendugaan volume pohon meranti di PT Gunung Meranti Kalimantan Selatan perlu mempertimbangkan efisiensi waktu, tenaga dan biaya. Meskipun hasil uji korelasi antara diameter dan tinggi tidak memiliki hubungan yang erat, namun terdapat hubungan yang erat antara diameter dan volume. Berdasarkan uji keberartian dan validasi, model volume lokal terbaik menggunakan satu peubah yaitu model Berkhout (V = Dbh 2.43 ). Penyusunan tabel volume kelompok jenis meranti menggunakan model Berkhout berdasarkan pada selang kelas diameter yang 13

24 14 digunakan dalam penyusunan model (minimal 10 cm dan maksimal 95 cm). Tabel volume pohon kelompok jenis meranti di PT Gunung Meranti Kalimantan Tengah dapat dilihat pada Lampiran 2. Angka Bentuk Pohon memiliki bentuk batang yang berbeda-beda. Bentuk batang akan bervariasi karena pengaruh umur dan kondisi lingkungan. Hasil penghitungan angka bentuk berdasarkan data pohon contoh disajikan pada Tabel 5. Tabel 5 Deskriptif statistik penghitungan angka bentuk Angka Bentuk Minimal Maksimal Rata-rata Standar Deviasi Absolut Normal Buatan Penentuan nilai angka bentuk yang didasarkan pada diameter pangkal disebut angka bentuk absolut, penentuan yang didasarkan pada diameter pada ketinggian 1/10 tinggi pohon disebut angka bentuk normal dan penentuan yang didasarkan pada diameter setinggi dada disebut angka bentuk buatan (Simon 2007). Nilai angka bentuk mendekati angka 1 berarti volume dugaan semakin besar (silindris). Menurut Soemarna (1973) hasil penelitian untuk beberapa jenis Dipterocapaceae menghasilkan angka bentuk batang hingga pangkal tajuk antara Angka bentuk dapat digunakan sebagai variabel dalam menduga volume pohon dengan menggunakan rumus volume silinder terkoresi. Angka bentuk diperlukan sebagai penghubung antara volume suatu silinder dengan volume batang atau pohon (Simon 2007). Oleh karena itu, penggunaan angka bentuk pohon dapat memperkecil kesalahan dalam menduga volume aktual. Pembandingan dengan Model Sebelumnya Model terpilih (V = Dbh 2.43 ) dibandingkan dengan model hasil penelitian sebelumnya (V = Dbh 2,5618 ) oleh Wahyudi (1996) untuk melihat beda nyata yang dihasilkan. Pembandingan model dilakukan menggunakan uji χ 2 (chi-square). Nilai χ 2 hitung dihasilkan sebesar 0.43, lebih kecil daripada χ 2 tabel sebesar yang berarti terima H0. Model terpilih tidak berbeda nyata dengan model sebelumnya, sehingga model terpilih dapat digunakan untuk menduga volume pohon jenis meranti di PT Gunung Meranti. Nilai R 2 yang dihasilkan model terpilih lebih kecil 0.78% dibandingkan dengan model sebelumnya. Walau demikian, model terpilih lebih baik digunakan karena data yang diambil dalam penelitian ini sesuai dengan kondisi lapangan terbaru. Pembandingan Model Terpilih dengan Model Hasil Penelitian Sebelumnya Penelitian ini dibandingkan dengan penelitian yang serupa antara lain Wahyudi (1996) di PT Gunung Meranti Kalimantan Tengah, Noor (2009) di PT Trisetia Intiga Kalimantan Tengah, dan Riady (2011) di PT Intaracawood Manufacturing Kalimantan Timur. Perbedaan penelitian ini terletak pada jumlah

25 pohon contoh, bentuk persamaan dan peubah yang digunakan. Model penduga yang dihasilkan dari penelitian serupa dapat dilihat pada Tabel 6. Penelitian oleh Noor (2009) dan Riady (2011) menggunakan jumlah pohon contoh berturut-turut sebanyak 120 dan 184 pohon. Penyusunan model volume pohon oleh Riady (2011) dan Noor (2009) menggunakan satu peubah saja. Model yang menggunakan satu peubah saja dapat mengefisiensikan waktu tenaga dan biaya dalam penerapannya. Tabel 6 Model penduga volume pohon meranti berdasarkan hasil penelitian sebelumnya Peneliti Persamaan R 2 (%) Lokasi Wahyudi (1996) V = Dbh 2, Kalimantan Tengah Noor (2009) V = Dbh Dbh Kalimantan Tengah Riady (2011) V = Dbh 2, Kalimantan Timur 15 SIMPULAN DAN SARAN Simpulan Model persamaan terbaik untuk menduga volume pohon kelompok jenis meranti di PT Gunung Meranti Kalimantan Tengah, yaitu model Berkhout dengan persamaan V = Dbh 2.43 dengan nilai s sebesar 0.07 dan R 2 adj sebesar 98.30%. Saran Perlu dilakukan penelitian menggunakan alat ukur yang lebih teliti dari SRB dan menggunakan sebaran pohon contoh yang lebih merata secara geografis di areal PT Gunung Meranti Kalimantan Tengah. DAFTAR PUSTAKA Abdurachman, Purwaningsih S Tabel volume batang di bawah pangkal tajuk jenis tengkawang (Shorea macrophylla) di PT Gunung Gajah Abadi, Kalimantan Timur. JPD. 6(2): Antasari I Penerapan diagnostik sisaan pada model linier rancangan acak kelompok lengkap [skripsi]. Yogyakarta (ID): Universitas Negeri Yogyakarta. Draper NR, Smith H Analisis Regresi Terapan Edisi 2. Jakarta (ID): Gramedia. Hasan I Pokok-pokok Materi Statistik 2 (Statistik Inferensif). Edisi Kedua. Jakarta (ID): Bumi Aksara. Kuncahyo B Analisis Regresi dengan Minitab. Bogor (ID): Laboratorium Biometrika Hutan Jurusan Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor.

26 16 Noor MF Penyusunan tabel volume lokal tegakan hutan alam pada areal IUPHHK PT Trisetia Intiga di Kabupaten Lamandau Kalimantan Tengah Tengah [skripsi]. Bogor (ID): Institut Pertanian Bogor. Riady A Penyusunan dan validasi persamaan tabel volume lokal pohon meranti (shorea spp.) di areal PT Intaracawood Manufacturing Kalimantan Timur [skripsi]. Bogor (ID): Institut Pertanian Bogor. Sembiring Analisis Regresi. Edisi Kedua. Bandung (ID): Penerbit ITB. Simon H Metode Inventore Hutan. Yogyakarta (ID): Pustaka Pelajar. Spurr SH Forest Inventory. New York (US): The Ronald Press Company, Inc. Sutarahardja S Penyusunan Alat Bantu dalam Inventarisasi Hutan. Bogor (ID): Departemen Manajemen Hutan Fakultas Kehutanan IPB. Sutarahardja S Inventarisasi Hutan Menyeluruh Berkala sebagai Basis untuk Penyusunan Rencana Pengelolaan Tegakan Hutan. Bogor (ID): Fakultas Kehutanan IPB. Soemarna Penyusunan Tabel Volume Sementara Jenis Meranti (Shorea spp) di Kalimantan Tengah. Bogor (ID): Lembaga Penelitian Hutan. Tiryana T Panduan Praktis Analisis Regresi Linear Dengan Program Minitab For Windows. Bogor (ID): Departemen Manajemen Hutan Fakultas Kehutanan IPB. Wahyudi MP Tabel Volume Lokal di Areal PT Gunung Meranti. Proyek Pembentukan KPHP Wilayah Kalimantan Tengah. Kerja sama Departemen Kehutanan RI dengan Overseas Development Administration (ODA) Kerajaan Inggris. Walpole RE Pengantar Statistik Edisi Ke-3. Jakarta (ID): PT. Gramedia Pustaka Utama. Wibowo H Analisis struktur dan komposisi tegakan hutan alam tanah kering bekas tebangan studi kasus di petak RIL (Reduce Impact Logging) HPH PT Sumalindo Lestari Jaya II site Long Bagun Kalimantan Timur [skripsi]. Bogor (ID): Institut Pertanian Bogor. Wood GB, Wiant HV Modern Methods of Estimating Tree and Log Volume. West Virginia (US): USA Publication Service.

27 17 LAMPIRAN Lampiran 1 Hasil pengolahan data menggunakan Minitab 16. Model Persamaan Berkhout Regression Analysis: Log V (m3) versus Log Dbh (cm) The regression equation is Log V (m3) = - 3,67 + 2,43 Log Dbh (cm) Predictor Coef SE Coef T P Constant -3, , ,73 0,000 Log Dbh (cm) 2, , ,28 0,000 S = 0, R-Sq = 98,4% R-Sq(adj) = 98,3% Analysis of Variance Source DF SS MS F P Regression 1 24,305 24, ,75 0,000 Residual Error 69 0,406 0,006 Total 70 24,711 ) Fit SE Fit Residual St Resid , ,0499 0,1493 1,8275 2,82R , ,1933 0,2836 2,4283 4,03RX , ,4765 0,3939 0,6061 1,13 X , ,1933 0,2836 1,5930 2,65RX Unusual Observations Log Dbh Obs (cm) Log V (m3) Fit SE Fit Residual St Resid 16 1,10-1, , , , ,35R 17 1,18-1, , , , ,17R 33 1,06-1, , , , ,97 X 35 1,02-1, , , , ,04 X R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. Model Persamaan Kopezky-Gehrhardt Regression Analysis: V (m3) versus Dbh^2 (cm) The regression equation is V (m3) = - 0, ,00154 Dbh^2 (cm) Predictor Coef SE Coef T P Constant -0,6758 0,1806-3,74 0,000 Dbh^2 (cm) 0, , ,98 0,000 S = 0, R-Sq = 94,0% R-Sq(adj) = 93,9%

28 18 Analysis of Variance Source DF SS MS F P Regression ,8 1030,8 1087,43 0,000 Residual Error 69 65,4 0,9 Total ,2 Unusual Observations Dbh^2 Obs (cm) V (m3) Fit SE Fit Residual St Resid ,877 9,694 0,210 2,183 2,30R ,622 12,378 0,282 4,244 4,55R ,083 13,243 0,306-2,160-2,34RX ,786 12,378 0,282 3,408 3,66R ,298 10,467 0,230-2,169-2,29R ,369 12,951 0,298-0,582-0,63 X R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. Model Persamaan Hoenadl-Krenn Regression Analysis: V (m3) versus Dbh (cm); Dbh^2 The regression equation is V (m3) = 0,886-0,0705 Dbh (cm) + 0,00219 Dbh^2 Predictor Coef SE Coef T P Constant 0,8864 0,5050 1,76 0,084 Dbh (cm) -0, , ,28 0,002 Dbh^2 0, , ,86 0,000 S = 0, R-Sq = 94,8% R-Sq(adj) = 94,7% Analysis of Variance Source DF SS MS F P Regression ,71 519,85 626,17 0,000 Residual Error 68 56,45 0,83 Total ,16 Source DF Seq SS Dbh (cm) 1 941,75 Dbh^2 1 97,96 Unusual Observations Obs Dbh (cm) V (m3) Fit SE Fit Residual St Resid 29 82,0 11,877 9,813 0,200 2,064 2,32R 44 92,0 16,622 12,914 0,310 3,707 4,33R 51 95,0 11,083 13,930 0,355-2,847-3,39RX 55 92,0 15,786 12,914 0,310 2,872 3,35R 56 85,0 8,298 10,697 0,227-2,399-2,72R 68 94,0 12,369 13,587 0,339-1,218-1,44 X R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage.

29 19 Model Persamaan Schumacher-Hall Regression Analysis: Log V (m3) versus Log Dbh (cm); Log Tbc (m) The regression equation is Log V (m3) = - 4,22 + 2,11 Log Dbh (cm) + 0,791 Log Tbc (m) Predictor Coef SE Coef T P Constant -4, , ,74 0,000 Log D (cm) 2, , ,31 0,000 Log T (m) 0, , ,33 0,000 S = 0, R-Sq = 99,3% R-Sq(adj) = 99,3% Analysis of Variance Source DF SS MS F P Regression 2 24,533 12, ,82 0,000 Residual Error 68 0,178 0,003 Total 70 24,711 Source DF Seq SS Log D (cm) 1 24,305 Log T (m) 1 0,228 Unusual Observations Log Dbh Obs (cm) Log V (m3) Fit SE Fit Residual St Resid 8 1,39-0, , , , ,74 X 16 1,10-1, , , , ,89RX 17 1,18-1, , , , ,17RX 53 1,30-0, , , , ,01R 56 1,93 0, , , , ,50R R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. Model Persamaan Stoate Regression Analysis: V (m3) versus Dbh^2; Dbh^2Tbc; Tbc (m) The regression equation is V (m3) = 0, , Dbh^2 + 0, Dbh^2Tbc - 0,0459 Tbc (m) Predictor Coef SE Coef T P Constant 0,6345 0,4633 1,37 0,175 D^2 0, , ,65 0,105 D^2T 0, , ,39 0,000 T (m) -0, , ,06 0,044 S = 0, R-Sq = 97,3% R-Sq(adj) = 97,2%

30 20 Analysis of Variance Source DF SS MS F P Regression ,51 355,50 803,17 0,000 Residual Error 67 29,66 0,44 Total ,16 Source DF Seq SS D^ ,76 D^2T 1 33,88 T (m) 1 1,87 Unusual Observations Obs Dbh^2V (m3) Fit SE Fit Residual St Resid , ,0499 0,1493 1,8275 2,82R , ,1933 0,2836 2,4283 4,03RX , ,4765 0,3939 0,6061 1,13 X , ,1933 0,2836 1,5930 2,65RX , ,4170 0,1899-3,1187-4,89R R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. Model Persamaan Mayer Regression Analysis: V (m3) versus Dbh (cm); Dbh^2Tbc; DbhTbc^3 The regression equation is V (m3) = 0,374-0,0173 Dbh (cm) + 0, Dbh^2Tbc - 0, DbhTbc^3 Predictor Coef SE Coef T P Constant 0,3738 0,3201 1,17 0,247 D (cm) -0, , ,55 0,125 D^2T 0, , ,25 0,000 DT^3-0, , ,87 0,000 S = 0, R-Sq = 97,4% R-Sq(adj) = 97,3% Analysis of Variance Source DF SS MS F P Regression ,04 356,01 848,28 0,000 Residual Error 67 28,12 0,42 Total ,16 Source DF Seq SS D (cm) 1 941,75 D^2T 1 120,01 DT^3 1 6,28 Unusual Observations Obs Dbh (cm V (m3) Fit SE Fit Residual St Resid 29 82,0 11, ,1833 0,1508 1,6942 2,69R 44 92,0 16, ,3265 0,2708 2,2950 3,90RX 51 95,0 11, ,5227 0,3322 0,5599 1,01 X 54 84,0 11, ,8881 0,2997-0,4180-0,73 X

31 ,0 15, ,3265 0,2708 1,4598 2,48RX 56 85,0 8, ,5157 0,1833-3,2174-5,18R 65 80,5 7,9189 9,3131 0,1496-1,3942-2,21R 68 94,0 12, ,8225 0,2998-0,4535-0,79 X R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. Model Persamaan Spurr Regression Analysis: Log V versus Log D^2T The regression equation is Log V = - 4,35 + 1,01 Log D^2T Predictor Coef SE Coef T P VIF Constant -4, , ,31 0,000 Log D^2T 1, , ,07 0,000 1,000 S = 0, R-Sq = 99,2% R-Sq(adj) = 99,2% Analysis of Variance Source DF SS MS F P Regression 1 24,516 24, ,56 0,000 Residual Error 69 0,195 0,003 Total 70 24,711 Unusual Observations Log Obs Dbh^2Tbc Log V Fit SE Fit Residual St Resid 16 3,20-1, , , , ,22RX 35 3,12-1, , , , ,91 X 53 3,81-0, , , , ,90R 56 5,36 0, , , , ,49R R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage.

32 22 Lampiran 2 Tabel volume pohon kelompok jenis meranti Dbh(cm) Volume (m 3 ) Dbh(cm) Volume (m 3 ) Dbh(cm) Volume (m 3 ) 10 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,74

33 23 RIWAYAT HIDUP Penulis dilahirkan di Bogor pada tanggal 14 Januari Penulis merupakan anak kedua dari dua bersaudara pasangan Bapak H Yulianto SPd dan Ibu Hj Supartiningsih. Penulis menyelesaikan pendidikan di SD Negeri Taman Pagelaran pada tahun 2006, pendidikan menengah pertama di SMP Negeri 4 Bogor pada tahun 2009, dan pendidikan menengah atas di SMA Negeri 5 Bogor pada tahun Pada tahun 2012, penulis diterima menjadi Mahasiswa di Institut Pertanian Bogor (IPB), Departemen Manajemen Hutan, Fakultas Kehutanan melalui jalur SNMPTN Undangan Selama menjadi mahasiswa, penulis aktif berkontribusi dalam Unit Kegiatan Mahasiswa Music/Agriculture/Xpression!! (MAX!!). Penulis juga aktif dalam Himpunan Profesi Departemen Manajemen Hutan yaitu Forest Management Students Club sebagai anggota divisi Pengembangan Sumber Daya Mahasiswa (PSDM), serta sebagai anggota Kelompok Studi Perencanaan. Penulis juga berpartisipasi dalam kepanitiaan Art Collaboration and Revolutionarry Action (ACRA) tahun 2013, 2014, dan 2015, kepanitiaan Bina Corps Rimbawan (BCR) tahun 2014 dan 2015, Temu Manajer (TM) tahun 2014, dan kepanitiaan Jungle Jazz tahun Penulis juga pernah menjadi Asisten Mata Kuliah Ilmu Ukur Tanah dan Pemetaan Wilayah pada semester ganjil tahun ajaran 2014/2015 dan 2016/2017, dan Asisten Mata Kuliah Inventarisasi Hutan pada semester genap tahun ajaran 2015/2016. Penulis telah melaksanakan Praktik Pengenalan Ekosistem Hutan (PPEH) di daerah Talaga Bodas Sancang Timur tahun Praktik Pengelolaan Hutan (PPH) tahun 2015 di Hutan Pendidikan Gunung Walat (HPGW) Sukabumi, KPH Perhutani Cianjur, PGT Sindangwangi dan industri di Sukabumi Jawa Barat serta melakukan Praktik Kerja Lapang (PKL) dan penelitian di IUPHHK-HA PT Gunung Meranti Provinsi Kalimantan Tengah.