TABEL VOLUME LOKAL MERANTI MERAH (Shorea leprosula Miq) DAN MERANTI KUNING (Shorea multiflora Miq) DI AREAL IUPHHK-HA PROVINSI KALIMANTAN TENGAH

Transkripsi

1 TABEL VOLUME LOKAL MERANTI MERAH (Shorea leprosula Miq) DAN MERANTI KUNING (Shorea multiflora Miq) DI AREAL IUPHHK-HA PROVINSI KALIMANTAN TENGAH INDRA PERMADI DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR BOGOR 2014

2

3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Tabel Volume Meranti Merah (Shorea leprosula Miq) dan Meranti Kuning (Shorea multiflora Miq) di Areal IUPHHK-HA Provinsi Kalimantan Tengah adalah benar karya saya dengan arahan dari komisi 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, September 2014 Indra Permadi NIM E

4 ABSTRAK INDRA PERMADI. Tabel Volume Meranti Merah (Shorea leprosula Miq) dan Meranti Kuning (Shore multiflora Miq) di Areal IUPHHK-HA Provinsi Kalimantan Tengah. Dibimbing oleh MUHDIN. Penelitian ini dilakukan di areal PT. Fortuna Cipta Sejahtera Provinsi Kalimantan Tengah. Tabel volume batang jenis meranti merah (Shorea leprosula Miq) dan meranti kuning (Shore multiflora Miq) dibuat untuk membantu memperoleh taksiran volume dari jenis pohon tersebut. Sebanyak 87 sampel pohon diambil dari areal penelitian. Penyusunan model regresi terdiri dari 6 persamaan, 3 persamaan menggunakan satu peubah bebas yaitu diameter dan 3 persamaan lagi menggunakan 2 peubah bebas yaitu diameter dan tinggi pohon. Pemilihan model terbaik berdasarkan koefisien determinasi (R 2 ), Standard deviation of error (SDE), Root mean square of error (RMSE), dan nilai bias. Hasil penelitian menunjukan bahwa persamaan terbaik yang diperoleh adalah V = D D^2 dengan nilai koefisien determinasi (R 2 ) Kata kunci: meranti kuning, meranti merah, tabel volume ABSTRACT INDRA PERMADI. The Volume Table of Red (Shorea leprosula Miq) and Yellow Meranti (Shore multiflora Miq) IUPHHK-HA Central Kalimantan Province. Supervised by MUHDIN. Red meranti (Shorea leprosula Miq) and yellow meranti (Shore multiflora Miq) volume table is made for increased the volume estimation of each species. There are 87 trees in site as sample. The regression model is made by consists of six equation, three equation using diameter as only one independent variable and three other equation is using two independent variable that is diameter and trees height. Best model is chosen based on coefficient of determination (R 2 ), standard deviation of error (SDE), root mean square of error (RMSE), and bias value. The result showed that equation of model used is V = D D^2 with the value of determination coefficient (R 2 ) is Keywords: red meranti, volume table, yellow meranti

5 TABEL VOLUME MERANTI MERAH (Shorea leprosula Miq) DAN MERANTI KUNING (Shorea multiflora Miq) DI AREAL IUPHHK-HA PROVINSI KALIMANTAN TENGAH INDRA PERMADI Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada Departemen Manajemen Hutan DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR BOGOR 2014

6

7 Judul Skripsi : Tabel Volume Meranti Merah (Shorea leprosula Miq) dan Meranti Kuning (Shorea multiflora Miq) di Areal IUPHHK Provinsi Kalimantan Tengah Nama : Indra Permadi NIM : E Disetujui oleh Dr Ir Muhdin, MSc FTrop Dosen Pembimbing Diketahui oleh, Dr Ir Ahmad Budiaman, MSc FTrop Ketua Departemen Tanggal Lulus:

8 PRAKATA Assalamu alaikum Wr. Wb. Segala puji dan syukur penulis panjatkan ke hadirat Allah SWT, karena atas berkat dan rahmat-nya penulis dapat menyelesaikan skripsi yang berjudul Tabel Volume Meranti Merah (Shorea leprosula, Miq) dan Meranti Kuning (Shorea multiflora, Miq) di Areal IUPHHK- HA Kalimantan Tengah. Skripsi ini disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan di Fakultas Kehutanan Institut Pertanian Bogor. Terima kasih penulis ucapkan kepada Dr Ir Muhdin, MSc F.Trop selaku pembimbing atas arahan, bimbingan, dan saran kepada penulis selama menyelesaikan skripsi ini. Ucapan terima kasih juga disampaikan kepada keluarga besar PT. Fortuna Cipta Sejahtera atas bantuan dan kerjasamanya selama kegiatan penelitian berlangsung. Tak lupa, ucapan terima kasih disampaikan kepada kedua orang tua Sudarto dan Eni Murtiningsih, kakak Bagus Panuntun S.Kom, keluarga besar Pakuwojo dan keluarga besar kosan Rinjani atas dukungan, motivasi dan doa. Diki, Ruri, Syifa, Perti, yang telah membantu penulis selama penelitian berlangsung. serta Agil dan Firdha yang senantiasa memberikan arahan dan motivasi kepada penulis. Penulis menyadari bahwa skripsi ini masih belum sempurna. Oleh karena itu penulis mengharapkan saran, kritik dan masukan demi perbaikan tulisan ini. Penulis berharap skripsi ini dapat bermanfaat bagi semua pihak yang membutuhkan. Semoga skripsi ini bermanfaat. Bogor, September 2014 Indra Permadi

9 DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN PENDAHULUAN 1 Latar Belakang 1 Tujuan 2 Manfaat 2 METODE 2 Waktu dan Lokasi Penelitian 2 Metode Pengumpulan Data 2 Pengolahan dan Analisis Data 3 HASIL DAN PEMBAHASAN 8 Pengelompokan Pohon Contoh 8 Keerataan Hubungan Antara Peubah Bebas dengan Peubah Tak Bebasnya 9 Pengujian Koefisien Korelasi dengan uji Z-fisher 10 Penyusunan Model Penduga Volume 10 Uji Validasi Model Penduga Volume Pohon 12 Pemilihan model Regresi Terbaik 13 Perbandingan Performansi antara Persamaan Terbaik dengan Silinder Terkoreksi 15 SIMPULAN 15 Simpulan 15 DAFTAR PUSTAKA 16 vii vii vii

10 DAFTAR TABEL 1. Analisis keragaman pengujian regresi (analysis of variance) 6 2. Sebaran data pohon 8 3. Model Regresi untuk pendugaan volume pohon Hasil uji validasi pada model penduga volume pohon Pemilihan model terbaik berdasarkan tahap pengukuran persaman regresi Pemilihan model terbaik berdasarkan tahap validasi model Pemilihan model terbaik berdasarkan tahap penyusunan persamaan regresi dan validasi model Perbandingan persamaan tabel volume dan silinder koreksi 15 DAFTAR GAMBAR 1. Scatterplot hubungan antara diameter (dbh) dengan volume (va) 9 2. Scatterplot hubungan tinggi pohon (H) dengan volume (va) Scatterplot hubungan diameter (dbh) dengan tinggi pohon 10 DAFTAR LAMPIRAN 1. Korelasi antara Dbh, Panjang, dan volume pada data sebaran pohon Persamaan yang digunakan untuk menduga volume Uji Validasi Gambar normalitas sisaan untuk persamaan Hohenadl-Kren Gambar ketidakketergantungan antar sisaan untuk persamaan Hohenadl-Kreen Gambar normalitas sisaan untuk persamaan Stoate Gambar ketidakketergantungan antar sisaan untuk persamaan Stoate Tabel volume meranti merah dan meranti kuning 24

11 PENDAHULUAN Latar Belakang Berdasarkan Peraturan Pemerintah nomor 6 tahun 2007 yang berisi tentang tata hutan dan penyusunan rencana pengolahan hutan serta pemanfaatan hutan, pemegang Izin usaha pemanfaatan hasil hutan kayu dalam hutan alam (IUPHHK- HA) diwajibkan menyusun rencana kerja usaha pemanfaatan hasil hutan kayu sepuluh tahunan yang disusun berdasarkan inventarisasi berkala sepuluh tahunan atau yang lebih dikenal dengan Inventarisasi Hutan Menyeluruh Berkala (IHMB). Dalam kegiatan inventarisasi hutan dilakukan pengukuran terhadap dimensidimensi pohon maupun tegakan yang kadang-kadang sulit dan tidak praktis sehingga ketersediaan alat bantu dalam inventarisasi hutan sangat diperlukan. Penyusunan rencana pengolahan hutan dibutuhkan data hasil IHMB secara akurat. Keakuratan data hasil inventarisasi hutan tergantung dari beberapa hal, salah satunya adalah tersedianya tabel volume pohon untuk menduga volume pohon berdiri. Tabel volume pohon dapat membantu pendugaan volume pohon saat dilapang sehingga menjadi lebih praktis dan dapat memperkecil kemungkinan kesalahan yang terjadi dalam pengukuran. Tabel volume pohon secara toritis adalah yang paling baik untuk digunakan dalam inventarisasi hutan potensi kayu dalam tegakan hutan, namun demikian pengukuran tinggi pohon yang diisyaratkan menyebabkan penggunaan tabel tersebut tidak praktis. Hal ini disebabkan karena pengukuran tinggi pohon memerlukan banyak waktu dan dapat menjadi sumber kesalahan (Husch et al dalam Sodahlan 2004). Tabel volume adalah sebuah tabel yang digunakan untuk menentukan volume pohon berdiri berdasarkan dimensi-dimensi penentu volume yang disusun dengan menggunakan analisis regresi (Muhdin dan Hakim 2004). Tujuan dari penyusunan tabel volume pohon ini adalah meningkatkan ketelitian dari hasil inventarisasi massa tegakan dari jenis pohon meranti merah (Shorea leprosula Miq) dan meranti kuning (Shore multiflora Miq) dengan harapan berguna dalam kegiatan timber cruissing di lapangan dalam rangka menyusunan rencana pengelolaan hutan pada PT Fortuna Cipta Sejahtera. Dengan pendugaan volume menggunakan tabel volume, perhitungan yang dilakukan per-seksi membuat volume yang dihasilkan memiliki ketelitian yang tinggi, dengan bias rendah yang merupakan hal pokok dan prasyarat untuk menaksir volume tegakan. Oleh karena itu, dalam kegiatan pendugaan volume perlu menggunakan sifat umum yaitu hubungan antara volume, diameter setinggi dada dari pohon contoh yang dikenal dengan tabel volume. Pendugaan volume dengan menggunakan angka bentuk batang dalam penaksiran potensi tegakan akan memberikan perbedaan nilai yang besar dari kondisi yang sebenarnya. Bambang dan Wahyono (1996) menyatakan penaksiran dengan cara menggunakan angka bentuk batang yang umum digunakan sebesar 0.7 diduga merupakan sumber kesalahan dalam penaksiran sehingga dapat mengakibatkan perbedaan yang cukup besar antara angka taksiran dengan angka sebenarnya.

12 2 Tujuan Penelitian ini bertujuan untuk memperoleh persamaan penduga volume pohon kelompok jenis Meranti merah dan meranti kuning yang terdapat di PT Fortuna Cipta Sejahtera. Manfaat Persamaan penduga volume yang diperoleh dapat digunakan untuk menduga volume pohon meranti merah dan meranti kuning di PT Fortuna Cipta Sejahtera Kalimantan tengah. METODE Waktu dan Lokasi Penelitian Penelitian dilakukan di areal kerja perusahaan pemegang Izin Usaha Pemanfaatan Hasil Hutan Kayu pada Hutan Alam di areal IUPHHK PT Fortuna Cipta Sejahtera di Provinsi Kalimantan Tengah. Penelitian dilaksanakan pada bulan Maret 2013 sampai April Alat dan Bahan Alat yang digunakan antara lain : Phi-band untuk mengukur diameter pohon, Haga untuk mengukur tinggi pohon, Pita meter untuk mengukur panjang pohon rebah dan panjang perseksi, tally sheet, alat tulis,serta alat hitung berupa kalkulator, satu unit leptop dan perangkat lunak Microsoft Excel 2007 dan Microsoft word 2010, paket statistika minitab 16. Bahan yang digunakan adalah Peta Rencana Kerja Tahunan, pohon meranti sebanyak 87 pohon. Metode Pengumpulan Data Penelitian ini terdiri dari pengumpulan data di lapangan dan analisis data untuk penyusunan tabel volume pohon. Penyusunan tabel volume pohon,berdasarkan pada data pohon contoh yang dipilih secara purposive dengan ketentuan mewakili sebaran jenis yang diinginkan dan kelas diameter. Pengambilan pohon contoh dengan diameter 50 cm ke atas diambil pada saat dilakukan penebangan sesuai RKT. Pohon contoh yang masih berdiri diukur terlebih dahulu menggunakan phi-band untuk mengukur diameter setinggi dada dan tinggi bebas cabang pohon menggunakan Haga sebelum penebangan dan pembuatan jalan sarad. Pengumpulan data di lapangan hanya mengambil jenis pohon dari kelompok jenis meranti merah dan meranti kuning sebanyak 87 pohon contoh, masing-masing 61 pohon untuk kegiatan penyusunan model dan 26 pohon untuk pengujian validasi pohon contoh. Menurut Sutarahardja (2009) dalam Lestarian (2009), Tahap pembentukan tabel volume meliputi pemilihan pohon-

13 3 pohon contoh serta pengukuran dimensi pohon dan pengolahan data hingga diperoleh volume setiap pohon, penyusunan persamaan regresi hubungan volume dengan diameter (menggunakan kira-kira 2/3 3/4 dari jumlah pohon contoh), pengujian persamaan regresi yang diperoleh untuk menentukan akurasinya (menggunakan kira-kira 1/4 1/3 dari jumllah pohon contoh). Jumlah pohon contoh sebanyak pohon sudah mencukupi untuk menyusun tabel volume (Loetsch et al dalam Lestarian 2009). Dalam penentuan volume pohon perlu diketahui parameter-parameter apa saja yang akan diukur. Pada pengukuran pohon rebah, pengukuran dilakukan pada pohon yang sudah dipotong bagian pangkal dan ujungnya (merchantable log). Pengukuran dilakukan perseksi baik diameter dan panjangnya. Panjang perseksi diukur tiap dua meter dengan menggunakan pita meter, setelah itu dilakukan pengukuran diameter ujung dan pangkal. Pengukuran diameter perseksi dilakukan dengan menggunakan phiband. Untuk menentukan volume perseksi pohon rebah ditentukan dengan menggunakan rumus Smallian, yaitu: Vi = 0,5 x (Bp+Bu) x Li Keterangan : Vi : Volume seksi ke-i Bp : Luas bidang dasar pangkal seksi (m 3 ) Bu : Luas bidang dasar ujung seksi (m 3 ) Li : Panjang Seksi (m) Rumus Smalian ini banyak digunakan karena cukup praktis dan mudah dalam penerapannya dibandingkan dengan rumus Newton meskipun rumus newton lebih teliti tetapi rumus Newton memerlukan pengukuran kedua ujung batang dan tengah batang sehingga penggunaannya lebih terbatas dan kurang praktis (Sutarahardja 2008 dalam Lestarian 2009). Kemudian menentukan volume pohon aktual dengan cara menjumlahkan volume seluruh seksi pada setiap pohon dengan menggunakan rumus : V a = V 1 + V2 + V3 +.+ Vi Keterangan : Va : Volume aktual pohon (m 3 ) Vi : Volume seksi ke-i dari satu pohon (m 3 ) Pengolahan dan Analisis Data Keerataan Hubungan Antara Peubah Bebas dengan Peubah Tak Bebasnya Koefisien korelasi (r) merupakan variabel yang dapat menunjukan keeratan hubungan antara dua peubah atau lebih terhadap peubah tak bebasnya, satu peubah menggunakan diameter setinggi dada (dbh) sedangkan dua peubah menggunakan dbh dan tinggi pohon terhadap volume sehingga diketahui model keeratan hubungan tersebut.

14 4 r = ( ) ( ) {( ( ) ) ( ( ) )} Keterangan: r : koefisien kosrelasi x i : diameter pohon setinggi dada pada pohon ke- i (cm) y i : tinggi pohon ke- i (m) n : jumlah pohon contoh Hubungan linear sempurna Antara nilai y dan x dalam contoh apabila nilai r = +1 atau -1. Bila r mendekati +1 atau -1, hubungan Antara peubah itu kuat dan berarti ada korelasi antara kedua peubah tersebut (Walpole 1993). Untuk membantu dalam pemilihan dan penyusunan model maka data pohon contoh dilakukan pengujian secara empirik yang ditampilkan dalam bentuk scatterplot (diagram tebar). Dari tebaran data tersebut akan terlihat bentuk penampilan penyebaran datanya sehingga dapat membantu dalam pemilihan model. Pengujian Koefisien Korelasi dengan uji Z-fisher Pengujian korelasi antara volume dengan diameter, volume dengan tinggi dan tinggi dengan diameter dilakukan menggunakan program MS exel dan Minitab 16. Pengujian dilakukan dengan analisis perhitungan koefisien korelasi dari kedua peubah tersebut (r) sebagai penduga koefisien korelasi populasinya, yaitu (ρ). Apabila r = 0 maka besar kemungkinan untuk menyimpulkan ρ = 0 dan apabila nilai r mendekati + 1 atau -1, hal tersebut mencirikan bahwa ρ 0. Suatu uji untuk menyatakan kapan nilai r berada cukup jauh dari nilai ρ adalah melalui pengujian koefisien korelasi dengan uji Z -Fisher (Walpole 1993). Dalam uji Z -Fisher ini, dilakukan transformasi nilai-nilai r dan ρ kedalam Z -Fisher. Dalam penyusunan tabel volume lokal, Sutarahardja (1982) dalam Lestarian (2009) bahwa nilai ρ harus lebih besar dari 0,7 atau ρ > 0,7 yang berarti pada nilai ρ > 0,7 maka hubungan antara tinggi pohon dengan diameter dianggap cukup kuat. Tahap pengujian koefisien koreasi bersyarat dengan menggunakan transformasi Z -Fisher tersebut adalah dengan prosedur sebagai berikut : a. Menentukan hipotesis pengujian koefisien korelasi, yaitu : H 0 : ρ = 0,701 H 1 : ρ > 0,701 b. Menghitung nilai transformasi Z -Fisher dari nilai koefisien korelasi populasi (ρ) dan koefisien korelasi contoh (r) : Zρ = 0,5 ln ((1 + ρ )/(1 ρ)) Zr = 0,5 ln ((1 + r )/(1 r))

15 5 c. Menentukan pendekatan simpangan baku dari hasil transformasi Z -Fisher, yaitu : σ Zr = 1/ (n-3) d. Statistik uji dalam pengujian transformasi Z -Fisher adalah : Z hitung = (Zr Zρ)/ σ Zr Keterangan : Z σ Zr : Sebaran normal Z : Pendekatan simpangan baku transformasi Z -Fisher e. Kaidah keputusannya adalah sebagai berikut : Jika Z hitung Z tabel pada tingkat nyata tertentu ( misalnya pada taraf nyata (5%), maka H 0 diterima artinya hubungan antara tinggi pohon dengan diameter pohon kurang erat dalam batas yang telah disyaratkan tersebut diatas. Jika Z hitung Z tabel pada tingkat nyata tertentu, maka H 0 ditolak artinya bahwa hubungan antara tinggi pohon dengan diameter pohon adalah erat. Penyusunan Model Penduga Volume Penyusunan model regresi yang dibuat sebanyak tiga model masing-masing untuk penyusun tabel volume lokal dan tabel volume standart. Model untuk penyusunan tabel volume lokal (Loetsch et al 1973 dalam Lestarian 2009) : V = b 0 + b 1 D 2 V = b 0 + b 1 D + b 2 D 2 V = b 0 D b1 (Kopezky-Gehrhardt) (Hohenadl-Krenn) (Berkhout) Sedangkan untuk penyusun tabel volume standar menggunakan model (Loetsch et al dalam Lestarian 2009) : V = b 0 + b 1 D 2 + b 2 D 2 h + b 3 h V = b 0 (D 2 h) b1 V = b 0 D b1 h b2 Keterangan : V : Volume total pohon (m 3 ) D : dbh (cm) H : Tinggi pohon (m) b 0, b 1 : Konstanta (Stoate) (Spurr) (Schumacher-Hall) Menurut Avery dan Burkhart (1994) dalam Sodahlan (2004), tabel volume pohon yang berdasarkan pada satu peubah dari diameter setinggi dada (dbh) biasa disebut tabel volume local sedangkan tabel volume yang menghendaki pengguna juga memperoleh tinggi pohon disebut sebagai tabel volume standar. Model penduga volume terebut dianalisis dengan menggunakan minatab versi 16 kemudian membandingkan dari beberapa kriteria yang ada, yaitu berdasarkan nilai koefisien determinasi (R 2 ), nilai simpangan baku (s), dan hasil uji signifikasi dengan uji F-test untuk semua model penduga volume.

16 6 1. Koefisien Determinasi Perhitungan besarnya koefisien determinasi dimaksudkan untuk mengkur kecukupan model regresi dalam menjelaskan besarnya variasi peubah tidak bebas yang dapat dijelaskan oleh variasi peubah bebasnya. Koefisien determinasi ini dinyatakan dengan rumus : R 2 = JKregresi/JKtotal X 100% 2. Simpangan Baku (s) Simpangan baku menunjukan, bahwa semakin kecil nilainya maka semakin baik, sehingga nilai dugaannya akan semakin teliti. Simpangan baku dihitung dengan rumus : s = = 3. Analisa keragaman Model regresi tersebut dilakukan pengujian dengan menggunakan analisa keragaman (analysis of variance) untuk melihat signifikasi atau adanya ketergantungan peubah-peubah yang menyusun regresi tersebut. Tabel 1 Analisis keragaman pengujian regresi (analysis of variance) Sumber Derajat Jumlah Kuadrat Tengah Keragaman Bebas Kuadrat (JK) (KT) F hitung Regresi k = p-1 JKR=b KTR= JKR/k KTR/KTS Sisaan n-k-1 JKS KTS=JKS/(n-k-1) Total n-1 JKT Sumber : Walpole 1993 Keterangan : p : banyaknya konstanta (koefisien regresi dan intersept) n : banyaknya pohon contoh yang digunakan dalam penyusunan regresi. Dalam analisa tersebut hipotesa yang diuji : H 0 :β=0 lawan H 1 :β 0 F table Dengan kaidah keputusan : F hitung > F tabel maka tolak H 0 F hitung F tabel maka terima H 0 p-value < α Tolak H 0 p-value α Terima H 0 Uji F bertujuan untuk melihat apakah ada hubungan regresi yang nyata atau tidak nyata antara peubah bebas dengan peubah tak bebasnya pada tingkat signifikan dan derajat kebebasan tertentu (Sugiyono 2007). Jika H 1 yang diterima, maka regresi tersebut nyata, artinya ada keterkaitan antara peubah bebas (diameter pohon) dengan peubah tidak bebasnya (volume pohon), sehingga ada perubahan pada peubah bebasnya. Jika H 0 yang diterima, maka regresi tersebut tidak nyata,

17 7 artinya persamaan regresi tidak dapat digunakan untuk menduga volume pohon berdasarkan peubah bebasnya. Uji Validasi Model Penduga Volume Pohon Hasil model regresi yang telah diuji tersebut, pada penyusunan tabel volume pohon dengan analisis regresi perlu dilakukan validasi dengan menggunakan pohon contoh yang telah dialokasikan sebelumnya. Data pohon contoh tersebut tidak digunakan dalam penyusunan model-model tabel volume di atas. Nilai-nilai uji validasi model tersebut dapat dihitung dengan rumus-rumus berikut : 1. Uji beda rata-rata Khi-kuadrat (Chi-square test) Pengujian validasi model penduga volume pohon, dapat dilakukan dengan menggunakan uji ᵪ2 (Khi-kuadrat), yaitu untuk menguji apakah volume yang diduga dengan tabel volume (V i ) berbeda dengan volume pohon aktual (Va i ). Dalam hal ini hipotesa yang diuji sebagai berikut : Kaidah keputusannya adalah : ᵪ2hitung ᵪ2tabel ( α,n-1), maka terima H 0 ᵪ2hitung ᵪ2tabel ( α,n-1), maka terima H 1 ᵪ2 hitung = ( ) 2. Bias Bias merupakan penyimpangan/kesalahan sistematis yang dapat terjadi karena kesalahan dalam pengukuran maupun kesalahan karena alat ukur. Nilai bias dapat dihitung dengan menggunakan rumus : B = ( ) 3. Standard deviation of eror SDE (Standart deviation of error) menggambarkan tentang ketepatan model. SDE merupakan rata-rata dari selang atau selisih antara volume aktual dengan volume model. SDS = ( ) 4. Root mean square of Error (RMSE) Ketepatan model ditunjukan oleh nilai Root mean square of Error (RMSE) yang dihitung dengan rumus : RMSE = Pemilihan Model Regresi Terbaik Model regresi untuk penyusunan tabel volume pohon yang baik adalah sebagai berikut :

18 8 1. Uji keberartian model, memperoleh nilai R 2 yang besar, simpangan baku (s) yang kecil, dan analisa keragaman menghasilkan regresi yang nyata (F-hitung). 2. Uji validasi, SDE (Standard Deviation of Error) dengan nilai relatif mendekati 0, nilai RMSE dan bias relative kecil, ᵪ2hitung kurang dari ᵪ2tabel dengan nilai rata-rata nyata (actual), tidak menunjukan adanya perbedaan yang nyata (H 0 diterima). Perbandingan Performansi Persamaan Regresi Terbaik dengan Silender Terkoreksi Rumus silinder terkoreksi yang digunakan sebagai berikut : Keterangan : V : Volume (m 3 ) D : Diameter setinggi dada (cm) H : Tinggi Pohon (m) V = 1/ D^2 H 0.7 Persamaan penduga volume yang sudah di peroleh kemudian dibandingkan dengan persamaan silinder terkoreksi agar mendapatkan informasi tentang perbandingan niali Bias, SDE (Standard Deviation of Error) dan RMSE (Root Mean Square of Error) sehingga dapat di peroleh nilai penduga yang paling tepat dan teliti. HASIL DAN PEMBAHASAN Pengelompokan Pohon Contoh Tabel 2 Sebaran data pohon Kelas diameter Penyusunan model Validasi model (pohon) (pohon) pohon contoh Jumlah Pengambilan data pohon contoh dilakukan secara purposive sampling di areal petak tebangan. Pengukuran dilakukan pada pohon yang pertumbuhannya baik dan sehat. Pohon contoh terdiri atas 87 pohon. Pada pohon contoh sebelum di tebang diukur diameter dan tinggi pohon dan setelah pohon contoh rebah dihitung panjang, diameter dan volume pohon perseksi. Pohon contoh dibagi menjadi dua bagian yaitu untuk penyusunan model yang berjumlah 61 pohon dan validasi model berjumlah 26 pohon. Jumlah pohon setiap diameter relatif proposional, dimana jumlah pohon pada kelas diameter kecil dan besar lebih sedikit

19 Volume Total (m3) 9 dibandingkan pada kelas diameter pertengahan kelas. Penyebaran data pohon contoh yang digunakan untuk penyusunan dan validasi disajikan pada Tabel 2. Keerataan Hubungan Antara Peubah Bebas dengan Peubah Tak Bebasnya Penyusunan tabel volume disusun berdasarkan bentuk hubungan yang akan dibuat, yaitu hubungan dengan satu peubah bebas dan hubungan dengan dua peubah bebas atau lebih yang digunakan untuk menerangkan peubah tak bebasnya. Dua peubah bebas yaitu antara diameter (dbh) dan tinggi pohon, satu peubah bebas hanya menggunakan diameter (dbh) saja sedangkan peubah tak bebasnya yaitu volume pohon. Dalam menganalisis keeraratan hubungan tersebut digunakan analisis korelasi, yang ditunjukan oleh besarnya koefisien korelasi (r). Nilai koefisien korelasi antara diameter dan tinggi sebesar dengan nilai p-value yang artinya nilai peluang diantara 1000 kali percobaan memiliki nilai kesalahan sebesar 61 sehingga hubungan antara diameter dan tinggi tidak erat karena koefisien korelasinya kurang dari 50% dan p-value lebih dari 5%. Korelasi antara diameter dengan volume memiliki hubungan yang sangat erat sebesar dengan nilai p-value 0.00 sehingga hubungan antara diameter dan volume sangat erat karena koefisien korelasinya lebih dari 50% dan p-value kurang dari 5%. Korelasi antara tinggi pohon dan volume sebesar dengan nilai p-value 0.00 sehingga memiliki hubungan yang erat. Penyusunan model persamaan regresi, maka data pohon contoh ditampilkan dalam diagram tebar (scatterplot). Diagram tebar dapat menggambarkan pola penyebaran data yang hasilnya dapat membantu pemilihan model. Diagram tebar yang diperoleh dari bentuk hubungan yang akan disusun digunakan untuk melihat sejauh mana hubungan yang terjadi antara peubah tak bebas dengan peubah bebasnya, apakah memberikan gambaran yang signifikan dalam menentukan besarnya pengaruh yang terjadi antara peubah tak bebasnya. Dari sebaran data tersebut dapat dilihat bentuk penampilan penyebaran data pohon contoh antara peubah tak bebas dengan peubah bebasnya. Berdasakan diagram tebar gambar 1 lah yang datanya sangat mendekati pola linear sehingga tabel volume pohon dapat disusun atas dasar peubah diameter pohon saja. Berikut beberapa gambar scatterplot dari data yang ada. 16 Scatterplot of Volume Total (m3) vs Dbh (cm) Dbh (cm) Gambar 1 Scatterplot hubungan antara diameter (dbh) dengan volume (va)

20 10 Gambar 2 Scatterplot hubungan tinggi pohon (H) dengan volume (va) Gambar 3 Scatterplot hubungan diameter (dbh) dengan tinggi pohon Pengujian Koefisien Korelasi dengan uji Z-fisher Berdasarkan hasil uji Z-fisher dengan menggunakan nilai korelasi antara diameter dan tinggi pohon memiliki nilai Z-hitung sebesar lebih kecil dari Z-tabel sehingga terima H 0 yang artinya tidak ada hubungan nyata antara diameter dan tinggi. Hasil uji Z-fisher dengan menggunakan nilai korelasi antara diameter dan volume pohon memliliki Z hitung sebesar 4.59 lebih besar dari Z-tabel yang bernilai dengan nilai kebenaran 99% maka tolak H 0 yang artinya bahwa pada tingkat keyakinan 99% berdasarkan data terdapat hubungan sangat nyata antara diameter dengan volume pohon. Dengan demikian, pendugaan volume pohon dapat dilakukan dengan menggunakan peubah penduga diameter saja. Penyusunan Model Penduga Volume Model penduga untuk menyusun tabel volume lokal yang akan dicoba yaitu : 1. V = b 0 D b1 (Berkhout) 2. V = b 0 + b 1 D 2 (Kopezky-Gehrhardt) 3. V = b 0 + b 1 D + b 2 D 2 (Hohenadl-Krenn)

21 11 Sedangkan model penduga untuk menyusun tabel volume standar yang akan dicoba yaitu : 1. V = b 0 (D 2 h) b1 (Spurr) 2. V = b 0 D b1 h b2 (Schumacher-Hall) 3. V = b 0 + b 1 D 2 + b 2 D 2 h + b 3 h (Stoate) Tabel 3 Model Regresi untuk pendugaan volume pohon No Persamaan S R 2 (%) R 2 (adj) F-hit p- value Satu peubah bebas 1 V = D^ V = D D^ V = 10^-2.8 D^ Dua peubah bebas 1 V = D^ D^2H H V = D^2H V= D 1.7 H Nilai S yang semakin kecil menunjukan bahwa persamaan regresi semakin tinggi ketepatannya (Draper dan Smith 1992 dalam Sodahlan 2004). Nilai S yang paling kecil untuk hubungan dengan satu peubah bebas yaitu persamaan V = 10^- 2.8 D^1.92 dan persamaan penduga volume untuk hubungan dengan dua peubah bebas yang terbaik yaitu persamaan V= D^1.7 H^0.98. Berdasarkan hasil analisis regresi persamaan yang memiliki nilai R 2 yang terbaik untuk hubungan dengan satu peubah bebas yaitu persamaan V = D D^2 dan persamaan penduga volume untuk hubungan dengan dua peubah bebas yang terbaik yaitu persamaan V= D^1.7 H^0.98. Suharlan et. al dalam Lestarian 2009, menyatakan bahwa nilai koefisien determinasi sebesar 50% merupakan batas minimal yang digunakan dalam penyusunan tabel volume yang dianggap cukup memadai. Koefisien determinasi terkoreksi (R 2 adj) merupakan suatu kriteria yang erat kaitannya dengan nilai R 2. Koefisien determinasi terkoreksi untuk membandingkan beberapa persamaan regresi, dimana persamaan yang satu merupakan himpunan bagian dari yang lainnya. Uji F digunakan untuk uji signifikasi, yaitu untuk melihat sejauh mana nilai diameter (dbh) dan tinggi dapat digunakan untuk menaksir volume pohon berdiri (bebas cabang) dengan persamaan regresi yang telah disusun. Nilai F-hitung digunakan untuk keberatian model regresi. Apabila nilai F-hitung lebih besar dari F-tabel maka tolak H 0 yang berarti bahwa satu atau lebih peubah bebas dalam model berpengaruh nyata pada taraf nyata (α) tertentu (Tiryana 2008). Berdasarkan Tabel 3 nilai F hitung pada semua persamaan, lebih besar dari nilai F tabel pada tingkat nyata 5% maupun 1% sehingga tolak H 0. Hal ini menunjukan bahwa diameter dan tinggi pohon sebagai peubah tak bebas memiliki hubungan regresi yang sangat nyata sehingga peubah bebas berpengaruh sangat nyata dalam

22 12 menduga peubah tak bebasnya. Uji keberartian data juga dapat dilihat dari nilai p- value. Menurut Sugiyono 2007, Jika p-value 0.01 maka hasil uji dinyatakan signifikan. Jika p-value > 0.01 tetapi 0.05 maka hasil uji dinyatakan signifikan. Jika p-value > 0.05 maka hasil uji dinyatakan tidak signifikan. Uji Validasi Model Penduga Volume Pohon Jumlah pohon yang dipakai pada uji validasi model terdiri dari 26 pohon contoh. Pada tahap validasi model ini langkah yang dilakukan adalah melakukan perbandingan performan dari beberapa kriteria. Uji validasi yang digunakan sebagai kriteria dalam pemilihan model regresi terbaik meliputi bias, SDE (Standard deviation of error), RMSE (Root mean square of error), dan Uji ᵪ2 (chisquare). Tabel 4 Hasil uji validasi pada model penduga volume pohon No Persamaan ᵪ2 Hitung Bias SDE RMSE Satu peubah bebas 1 V = D^ V = D D^ V = 10^-2.8 D^ Dua peubah bebas 1 V = D^ D^2H H V = D^2H V= D 1.7 H Uji validasi dilakukan dengan menggunakan uji ᵪ2 (chi-square) pada taraf nyata α (α = 5% dan α = 1 %). Pada uji ᵪ2 (chi-square) ini dapat dilihat bahwa pada keenam persamaan diatas memberikan hasil yang sama, nilai ᵪ2 hitung lebih kecil dari pada ᵪ2 tabel sehingga dapat disimpulkan bahwa nilai nilai dugaan volume yang disusun sangat nyata tidak berbeda dengan nilai volume pohon yang sebenarnya pada diameter dan tinggi pohon tertentu. Bias dapat terjadi karena kesalahan yang disebabkan oleh alat ukur, pengukur, dan kesalahan teknik sampling (Sutarahardja 1999 dalam Lestarian 2009). Nilai bias yang negatif menunjukan bahwa model penduga volume yang digunakan menghasilkan nilai underestimate dan juga sebaliknya nilai bias yang positif menunjukan bahwa model penduga volume yang digunakan menghasilkan nilai yang overestimate. Suatu model dikatakan baik bila nilai bias yang dihasilkan mendekati 0. Pada Tabel 4 dapat dilihat bahwa berdasarkan kriteria nilai bias tersebut, persamaan terbaik adalah persamaan V = D D^2 memiliki bias terkecil yaitu sebesar -0,015. Nilai bias yang negatif menunjukan bahwa model penduga volume yang digunakan menghasilkan nilai yang underestimate.

23 13 SDE (Standart deviation of error) menggambarkan tentang ketepatan model. SDE merupakan rata-rata dari selang atau selisih antara volume aktual dengan volume model. Nilai SDE pada keenam persamaan pada tabel 4 yaitu persamaan V = D^ D^2H H. Nilai RMSE menunjukan ketepatan sebuah model. Semakin kecil nilai RMSE menunjukan bahwa model penduga volume yang digunakan lebih akurat dalam menduga volume. Dilihat dari keenam persamaan penduga volume, persamaan dengan nilai RMSE terkecil yaitu persamaan V = D^ D^2H H. Menurut Simon 1993 dalam Lestarian 2009, ketepatan/kecermatan dapat diartikan kedekatan dengan sesuatu yang ingin dicapai, atau berkaitan dengan keberhasilan penaksiran dengan nilai sebenarnya. Tingkat ketepatan/keseksamaan (precision) berhubungan erat dengan besar kecilnya ragam. Pemilihan model Regresi Terbaik Tabel 5 Pemilihan model terbaik berdasarkan tahap pengukuran persaman regresi No Satu peubah bebas Persamaan Peringkat S R 2 (adj) Akhir 1 V = D^ V = D D^ V = 10^-2.8 D^ Dua peubah bebas 1 V = D^ D^2H H V = D^2H V= D 1.7 H No Tabel 6 Pemilihan model terbaik berdasarkan tahap validasi model Satu peubah bebas Persamaan Peringkat Bias SDE RMSE Akhir 1 V = D^ V = D D^ V = 10^-2.8 D^ Dua peubah bebas 1 V = D^ D^2H H V = D^2H V= D 1.7 H Pemilihan model persamaan regresi terbaik dilihat dari nilai-nilai statistik saat penyusunan model regresi dan uji validasi model. Nilai-nilai statistik yang

24 14 dipakai pada proses penyusunan model regresi meliputi koefisien determinasi (R 2 ), simpangan baku (S), nilai F hitung (uji F-test), dan nilai p-value. Persamaan yang baik adalah yang memiliki nilai R 2 dan nilai F-hitung lebih dari F-tabel, dan nilai S dan nilai p-value kurang dari 5%. Kriteria uji validasi yang digunakan dalam pemilihan model regresi terbaik adalah nilai bias, SDE (Standart Deviation of Error), RMSE (Root Mean Square Error) dan ᵪ2 (chi-square). Persamaan yang paling baik adalah yang memiliki nilai bias mendekati nilai 0, nilai SDE dan RMSE kecil serta nilai ᵪ2 hitung kurang dari ᵪ2 tabel. Tabel 7 Pemilihan model terbaik berdasarkan tahap penyusunan persamaan regresi dan validasi model Peringkat No Persamaan persamaan uji regresi validasi Total Akhir Satu peubah bebas 1 V = D^ V = D D^ V = 10^-2.8 D^ Dua peubah bebas V = D^ D^2H H 2 V = D^2H V= D 1.7 H Persamaan penduga volume pohon meranti yang terbaik dengan menggunakan satu peubah (diameter) yaitu pada persamaan Hohenadl-Krenn, persamaannya adalah V = D D^2. Pada model persamaan dengan menggunakan dua peubah bebas yaitu diameter dan tinggi, persamaan yang terbaik adalah model Stoate dengan persamaan V = D^ D^2H H Berdasarkan analisis data dan pemilihan persamaan yang terbaik, untuk jenis meranti (Shorea spp.) dalam menduga volume pohon menggunakan persamaan Hohenadl-Krenn dengan persamaan V = D D^2 karena menggunakan satu peubah bebas saja yaitu Dbh sehingga dalam pengukuran dilapang lebih praktis dibanding persamaan dengan menggunakan dua atau lebih peubah bebas.

25 15 Perbandingan Performansi antara Persamaan Terbaik dengan Silinder Terkoreksi Tabel 8 Perbandingan persamaan tabel volume dan silinder koreksi No. Persamaan ᵪ2 Hitung Bias SDE RMSE 1 V = D D^ V = D^ D^2H H V = 1/ D^2 H Dilihat dari Tabel 8 Nomor 1 adalah persamaan Hohenald-Krenn, nomor 2 persamaan Stoate dan nomor 3 persamaan silinder terkoreksi. Nilai perbandingan dari masing-masing parameter yang diuji Nilai bias terkecil yaitu persamaan Hohenadl-Krenn, nilai SDE dan RMSE yang terkecil yaitu persamaan Stoate. Persamaan Hohenadl-Krenn dan Stoate dapat digunakan dalam menduga volume pohon meranti merah dan meranti kuning (Shorea sp.). Kedua persamaan tersebut dapat digunakan dalam menduga volume tergantung dari ketersediaan data yang diperoleh. Jika menggunakan data satu peubah bebas (dbh) untuk menduga peubah tak bebas (volume) dapat menggunakan persamaan Hohenadl-Krenn. Jika menggunakan data dua peubah (dbh dan tinggi bebas cabang) dapat menggunakan persamaan Stoate. SIMPULAN Simpulan Berdasarkan hasil pengolahan data penelitian yang diperoleh, Persamaan model penduga volume pohon untuk menduga pohon meranti merah dan meranti kuning yang terbaik adalah persamaan Hohenadl-Krenn (V = D D^2) dan persamaan stoate (V = D^ D^2H H). Berdasarkan kepraktisan dilapang lebih baik menggunaka persamaan Hohenadl-Krenn karena hanya menggunakan satu peubah bebas saja yaitu diameter (Dbh) sehingga saat di lapang hanya mengukur diameter saja. Penggunaan tabel volume tersebut digunakan untuk penentuan volume kayu pertukangan bebas cabang pohon jenis meranti merah dan meranti kuning untuk pohon berdiri (standing stock) di lokasi penelitian.

26 16 DAFTAR PUSTAKA Bambang ED, Wahyono Tabel isi pohon jenis rasamala (Altingia exelsa) di KPH Cianjur, Jawa Barat. Bogor (ID): Buletin Penelitian Hutan. Lestarian R Penyusunan Tabel Volume Pohon dalam Rangka Pelaksanaan IHMB di IUPHHK-HA PT Ratah Timber Kalimantan Timur [Skripsi]. Bogor (ID): Fakultas Kehutanan Institut Pertanian Bogor. Muhdin, Hakim AR Penentuan Jumlah Pohon Contoh Minimal untuk Penyusunan Persamaan Volume melalui Fungsi Taper: Studi Kasus pada Jenis Pinus merkusii Jungh et De Vriese di Hutan Pendidikan Gunung Walat, Sukabumi, Jawa Barat. Jurnal Manajemen Hutan Tropika Vol. X. No.2:22-31 Sodahlan ME Studi tentang Penyusunan Tabel Volume Pohon untuk Jenis Mahoni Daun Besar di BKPH Serang KPH Banten Perum Perhutani Unit III Jawa Barat dan Banten [Skripsi]. Bogor (ID): Fakultas Kehutanan Institut Pertanian Bogor. Sugiyono Statistik untuk Penelitian. Jakarta (ID): Alfabeta. Tiryana T Panduan Praktis Analisis Regresi Linear Dengan Program Minitab For Windows. Bogor (ID): Departemen Manajemen Hutan Fakultas Kehutanan IPB. Walpole ER Pengantar Statistik Edisi Ke-3. Jakarta (ID): PT. Gramedia Pustaka Utama.

27 17 LAMPIRAN Lampiran 1 Korelasi antara Dbh, Panjang, dan volume pada data sebaran pohon Correlations: Dbh (cm), Panjang log (m), Volume Total (m 3 ) Dbh (cm) Panjang log (m) Panjang log (m) Volume Total (m3) Cell Contents: Pearson correlation P-Value Lampiran 2 Persamaan yang digunakan untuk menduga volume (Kopezky-Gehrhardt) Regression Analysis: Volume Total (m3) versus D^2 The regression equation is V (m3) = D^2 Predictor Coef SE Coef T P Constant D^ S = R-Sq = 78.9% R-Sq(adj) = 78.5% Analysis of Variance Source DF SS MS F P Regression Residual Error Total Unusual Observations Volume Obs D^2 Total (m3) Fit SE Fit Residual St Resid R R R RX R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. (Hohenadl-Krenn) Regression Analysis: Volume Total (m3) versus Dbh (cm), D^2 The regression equation is Volume Total (m3) = Dbh (cm) D^2

28 18 Lampiran 2 (lanjutan) Predictor Coef SE Coef T P Constant Dbh (cm) D^ S = R-Sq = 80.9% R-Sq(adj) = 80.3% Analysis of Variance Source DF SS MS F P Regression Residual Error Total Source DF Seq SS Dbh (cm) D^ Unusual Observations Dbh Volume Obs (cm) Total (m3) Fit SE Fit Residual St Resid R R R R R X R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. (Berkouth) Regression Analysis: LOG V versus LOG D The regression equation is LOG V = LOG D V= 10^-2.8 D^1.92 Predictor Coef SECoef T P Constant LOG D S = R-Sq = 71.5% R-Sq(adj) = 71.0% Analysis of Variance Source DF SS MS F P Regression Residual Error Total Unusual Observations

29 19 Lampiran 2 (lanjutan) Obs LOG D LOG V Fit SE Fit Residual St Resid R R R R X R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. (Stoate) Regression Analysis: Volume Total (m3) versus D^2, D^2H, Panjang log (m) The regression equation is V (m3) = D^ D^2H h (m) Predictor Coef SE Coef T P Constant D^ D^2H Panjang log (m) S = R-Sq = 92.5% R-Sq(adj) = 92.1% Analysis of Variance Source DF SS MS F P Regression Residual Error Total Source DF Seq SS D^ D^2H Panjang log (m) Unusual Observations Volume Obs D^2 Total (m3) Fit SE Fit Residual St Resid RX R X R RX R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage.

30 20 Lampiran 2 (lanjutan) (Spurr) Regression Analysis: Volume Total (m3) versus D^2H The regression equation is V (m3) = D^2H Predictor Coef SE Coef T P Constant D^2H S = R-Sq = 85.7% R-Sq(adj) = 85.5% Analysis of Variance Source DF SS MS F P Regression Residual Error Total Unusual Observations Volume Obs D^2H Total (m3) Fit SE Fit Residual St Resid R RX R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. Schumacher-Hall Regression Analysis: log V versus LOG D, Log p The regression equation is log V = LOG D Log h disederhanakanmenjadi : v= 10^(-3.66) D^1.70 h^0.98 V= D 1.7 h 0.98 Predictor Coef SECoef T P Constant LOG D Log p S = R-Sq = 93.1% R-Sq(adj) = 92.9% Analysis of Variance Source DF SS MS F P Regression Residual Error Total Source DFSeq SS LOG D Log p

31 21 Unusual Observations Obs LOG D log V Fit SE Fit Residual St Resid X R R RX R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. Lampiran 3 Uji Validasi (Kopezky-Gehrhardt) 1. Ujibeda rata-rata Khi-kuadrat (Chi-square test) 2. Bias X 2 hitung = ( ) = B = ( ) = Standard deviation of eror SDS = ( ) = Root mean square Error (RMSE) RMSE = = (Hohenadl-Krenn) 1. Ujibeda rata-rata Khi-kuadrat (Chi-square test) 2. Bias X 2 hitung = ( ) = B = ( ) = Standard deviation of eror SDS = ( ) = Root mean square Error (RMSE) RMSE = = (Berkouth) 1. Ujibeda rata-rata Khi-kuadrat (Chi-square test) 2. Bias X 2 hitung = ( ) = B = ( ) = Standard deviation of eror SDS = ( ) =

32 22 Lampiran 3 (lanjutan) 4. Root mean square Error (RMSE) RMSE = = (Stoate) 1. Ujibeda rata-rata Khi-kuadrat (Chi-square test) 2. Bias X 2 hitung = ( ) = B = ( ) = Standard deviation of eror SDS = ( ) = Root mean square Error (RMSE) RMSE = = (Spurr) 1. Ujibeda rata-rata Khi-kuadrat (Chi-square test) 2. Bias X 2 hitung = ( ) = B = ( ) = Standard deviation of eror SDS = ( ) = Root mean square Error (RMSE) RMSE = = (Schumacher-Hall) 1. Ujibeda rata-rata Khi-kuadrat (Chi-square test) 2. Bias X 2 hitung = ( ) = B = ( ) = Standard deviation of eror SDS = ( ) = Root mean square Error (RMSE) RMSE = =

33 Residual Percent Residual Percent 23 Lampiran 4 Gambar normalitas sisaan untuk persamaan Hohenadl-Kren 99,9 Normal Probability Plot (response is Volume Total (m3)) , Residual Lampiran 5 Gambar ketidakketergantungan antar sisaan untuk persamaan Hohenadl- Kreen 3 Versus Fits (response is Volume Total (m3)) Fitted Value Lampiran 6 Gambar normalitas sisaan untuk persamaan Stoate 99,9 Normal Probability Plot (response is Volume Total (m3)_1) , Residual 1 2 Lampiran 7 Gambar ketidakketergantungan antar sisaan untuk persamaan Stoate 2,5 Versus Fits (response is Volume Total (m3)_1) 2,0 1,5 1,0 0,5 0,0-0,5-1, Fitted Value

34 24 Lampiran 8 Tabel volume meranti merah dan meranti kuning No. Dbh (cm) Vol. (m 3 ) No. Dbh (cm) Vol. (m 3 ) , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,43

35 25 RIWAYAT HIDUP Penulis dilahirkan pada tanggal 20 Juni 1991 di Pekalongan, Jawa Tengah. Penulis adalah anak kedua dari dua bersaudara pasangan Bapak Sudarto dan Ibu Eni Murtiningsih. Penulis menyelesaikan pendidikan dasar di SD Negeri 04 Keputran Pekalongan lulus pada tahun 2003, pendidikan menengah pertama di SMP Negeri 6 Pekalongan lulus tahun 2006, dan pendidikan menengah atas di SMA Negeri 2 Pekalongan lulus tahun Pada tahun yang sama, penulis diterima di IPB melalui jalur USMI di Departemen Manajemen Hutan, Fakultas Kehutanan. Selama menjadi mahasiswa Penulis melakukan kegiatan Praktek Pengenalan Ekosistem Hutan (PPEH) di Kamojang-Sancang, Jawa Barat pada tahun Praktek Pengelolaan Hutan (PPH) di Hutan Pendidikan Gunung Walat (HPGW), Sukabumi dan KPH Cianjur Jawa Barat pada tahun 2012, dan Praktek Kerja Lapang (PKL) di IUPHHK-HA PT. Fortuna Cipta Sejahtera, Kalimantan Tengah pada tahun Untuk memperoleh gelar Sarjana Kehutanan IPB, penulis menyelesaikan skripsi dengan judul Tabel Volume Meranti Merah (Shorea leprosula Miq) dan Meranti Kuning (Shorea multiflora Miq) di IUPHHK PT. Fortuna Cipta Sejahtera - Provinsi Kalimantan Tengah